Habr AI explique quand une entreprise a besoin de systèmes de recommandation, et quand ils sont superflus

Habr AI a publié une analyse pratique des systèmes de recommandation pour les entreprises. L'idée centrale est simple : la plupart des équipes n'ont pas besoin d'une « IA magique » au départ. Une logique claire, des données propres et des métriques qui montrent l'utilité réelle pour le produit comptent davantage.

Quand c'est justifié

L'auteur propose de voir le système de recommandation non comme un accessoire de mode obligatoire, mais comme un outil qui doit s'amortir. Sa mission : trouver plus vite pour l'utilisateur un produit, un cours, une vidéo ou un autre objet pertinent, et apporter à l'entreprise de meilleurs taux de conversion, de rétention et de panier moyen grâce à la vitesse et à la précision des calculs. Mais cette approche ne convient pas à tout le monde : si les utilisateurs sont peu nombreux, les transactions rares, le retour d'information trop lent, et que les tests A/B et le reporting ne sont pas en place, le système se transforme vite en expérience coûteuse et mal maîtrisée.

Des règles au ML

L'auteur prend l'exemple d'une école en ligne et montre qu'on peut construire un système de recommandation utile sans magie du cloud ni modèles lourds. Au départ, il suffit de comprendre trois entités : l'utilisateur, l'objet recommandé et l'interaction. On peut ensuite chercher des utilisateurs similaires selon des critères explicites (niveau, centres d'intérêt, langue, âge) et leur proposer ce qu'ont déjà aimé leurs « voisins ». Au fond, c'est un kNN simple et explicable, avec des poids réglés à la main, que l'équipe peut déboguer sans long cycle de recherche.

• Règles rigides : pour un lancement rapide, quand les données manquent encore
• Heuristiques et kNN : quand on dispose déjà de profils, de tags et d'un historique d'actions
• Factorisation matricielle : quand il faut apprendre automatiquement des dépendances latentes
• Boosting et embeddings : quand le catalogue grandit et qu'il faut équilibrer vitesse et qualité
• Réseaux de neurones de bout en bout : uniquement à très grande échelle, où même 1 % d'amélioration vaut beaucoup d'argent

L'article montre ensuite comment la transparence diminue à mesure que le modèle se complexifie. La factorisation matricielle sait déjà prédire des notes via des facteurs latents, mais il devient de plus en plus difficile d'expliquer pourquoi telle recommandation est apparue. Viennent ensuite les embeddings, la recherche vectorielle et le deep learning, où la qualité peut être supérieure, mais où le système devient une boîte noire. La conclusion de l'auteur est pragmatique : ne compliquer la stack qu'une fois que les méthodes simples ont réellement atteint leur plafond.

Métriques et erreurs

L'auteur insiste particulièrement sur la mesure. Selon lui, un système de recommandation sans métriques n'est qu'un mécanisme opaque qu'on ne peut pas faire évoluer de façon réfléchie. Il faut donc non seulement des indicateurs métier comme le CTR, la LTV et la conversion, mais aussi des métriques techniques de qualité des résultats : Precision@K, Recall@K, Coverage, Novelty, Diversity, Serendipity et NDCG@K. Elles permettent de savoir si les recommandations sont précises, si la couverture du catalogue est large, si le modèle ne s'enferme pas dans un seul type de contenu et s'il classe correctement les résultats en tête de liste.

«

Le pragmatisme importe plus que la mode, la transparence plus que la complexité, et les mesures plus que les intuitions. »

La liste des erreurs typiques est tout aussi terre à terre : données sales et incohérentes, signaux négatifs ignorés, fuite du futur vers le passé à l'entraînement, traitement aveugle des valeurs manquantes, dérive des données et absence de versionnage. Côté produit, les problèmes ne sont pas moins banals : les équipes se tournent trop tôt vers les réseaux de neurones, oublient le cold start, optimisent le système pour une mauvaise métrique et ne prévoient pas de fallback pour le cas où le modèle ou l'API serait temporairement indisponible. Autrement dit, ce n'est pas seulement l'algorithme qui casse, mais toute la discipline opérationnelle qui l'entoure.

Ce que cela signifie

L'article de Habr AI remet bien le sujet à sa place : une entreprise n'a pas besoin de commencer par une stack de ML coûteuse et des modèles complexes et opaques. Il est plus rationnel de collecter d'abord les données, d'installer le reporting, de lancer une logique simple et explicable, puis de complexifier le système seulement si cela produit un effet mesurable.