Yandex remplace des dizaines d’algorithmes de recommandation par un seul modèle, Sona : +6,3% de temps d’écoute

Quiconque a déjà construit un système de recommandation connaît le problème. Un premier modèle sélectionne des candidats parmi des millions d’éléments, un deuxième les classe, un troisième apporte de la diversité et un quatrième tient compte du contexte. Chacun est entraîné séparément, chacun possède ses propres indicateurs, et la maintenance de l’ensemble coûte toujours plus cher. Yandex a montré qu’un seul modèle pouvait remplacer toute cette chaîne.

Ce qui a été réalisé

L’équipe R&D, avec les ingénieurs d’Alisa et de Yandex Music, a développé Sona, un réseau de neurones génératif. Il analyse les actions de l’utilisateur et détermine lui-même quoi recommander et dans quel ordre. Son architecture a été conçue en interne et son entraînement réalisé de zéro sur les données de Yandex, sans ajuster les poids d’un modèle tiers.

Lors d’un test A/B sur des enceintes connectées équipées d’Alisa, Sona a remplacé un système composé de dizaines d’algorithmes. Par rapport au groupe témoin, le temps d’écoute total a augmenté de 6,30%, et le nombre de mentions « J’aime » de 11,42%. Ce sont des gains notables pour un service dont les recommandations faisaient déjà l’objet d’optimisations manuelles depuis des années.

Le fonctionnement, à travers un exemple simple

Imaginez qu’un utilisateur demande le soir à son enceinte : « Mets quelque chose. » Un système classique commence par réduire le catalogue à quelques centaines de candidats, puis les classe à l’aide de différents modèles. Sona procède autrement : il génère la recommandation sous forme de séquence, comme s’il composait une playlist morceau par morceau. Chaque morceau suivant est choisi en fonction des précédents et des réactions de l’auditeur.

Pour éviter de parcourir tout un catalogue de millions de morceaux, le modèle trouve directement les éléments pertinents. C’est essentiel pour la rapidité : une recherche exhaustive à cette échelle serait trop coûteuse.

Il existe aussi un « enseignant ». Selon les auteurs, son rôle est de guider l’entraînement du modèle. Yandex en donne les détails dans son article complet sur Habr, et ces aspects méritent un examen à part. Autre élément important : la poursuite de l’entraînement à partir des actions récentes des auditeurs. Les goûts évoluent vite, et le modèle ne doit pas rester figé sur des données d’hier.

Ce que cela change en pratique

Pour les responsables produit, le principal enseignement tient à la simplicité. Un seul modèle au lieu de dizaines signifie moins de points de défaillance, des indicateurs communs et des expérimentations plus simples. L’équipe améliore un modèle au lieu de synchroniser les mises à jour de cinq modèles.

Pour les développeurs, cela illustre une tendance déjà visible chez les grands acteurs : les approches génératives remplacent progressivement les chaînes de recommandation à plusieurs étapes. Si vous maintenez votre propre système de recommandation, il peut être utile d’évaluer quelles étapes pourraient être regroupées.

Les limites

Les auteurs eux-mêmes restent prudents : de nombreux points doivent encore être vérifiés avant un déploiement à grande échelle. Le test portait sur un seul cas d’usage : la musique sur des enceintes équipées d’Alisa. On ignore comment Sona se comporterait dans la vidéo, le commerce en ligne ou la recherche, où les objectifs sont différents. Il n’existe pas non plus, à ce stade, de données comparant les coûts d’inférence et d’entraînement avec ceux de l’ancien système. Pour de petites équipes ne disposant pas d’un volume de données comparable à celui de Yandex, reproduire cette approche sera difficile : l’entraînement de zéro exige à la fois des données et des ressources de calcul.

Le bilan : ce n’est pas une révolution applicable à tous les cas, mais un signal fort. Si un grand système de recommandation gagne à remplacer un ensemble d’algorithmes par un seul modèle, la question de la consolidation mérite aussi d’être posée pour votre propre architecture.