Commerce électronique à grande échelle : comment l'IA impose des attributs de produit cohérents sur des millions de références (SKUs)

La mise à l’échelle des plateformes e-commerce nécessite des solutions pour des problèmes bien connus tels que la recherche distribuée, la gestion en temps réel de l’inventaire et les moteurs de recommandation. Mais sous la surface se cache un problème tenace, souvent sous-estimé, qui affecte presque chaque commerçant en ligne : la gestion et la normalisation des valeurs d’attributs. Bien que ce défi semble d’abord trivial, son application à plusieurs millions de produits avec des dizaines d’attributs chacun révèle des complications importantes.

Le problème caché de la qualité des données produit

Les attributs produits servent de fondation à la découverte des produits. Ils contrôlent les filtres, les comparaisons, la pertinence des recherches et les recommandations personnalisées. Dans les catalogues réels, cependant, les valeurs d’attributs apparaissent rarement sous une forme optimale : incohérences, doublons, formats erronés ou ambiguïtés sémantiques.

Examinons des exemples concrets :

Pour la taille, les valeurs peuvent être confuses : « XL », « Small », « 12cm », « Large », « M », « S ». Les couleurs sont tout aussi chaotiques : « RAL 3020 », « Crimson », « Red », « Dark Red ». Pris séparément, ces écarts semblent inoffensifs. Mais multipliés par 3 millions de SKUs, chacun portant plusieurs dizaines d’attributs, le problème devient structurellement critique.

Les conséquences sont immédiates : les filtres fonctionnent de manière imprévisible, les moteurs de recherche perdent en précision, les processus de nettoyage manuel nécessitent d’immenses ressources, et la découverte des produits devient plus lente et frustrante pour l’utilisateur.

Approche architecturale : IA hybride avec contrôle strict

La solution n’a pas été d’introduire une IA boîte noire, opaque dans ses décisions. De tels systèmes sont difficiles à suivre, complexes à déboguer et sujets à une propagation incontrôlée d’erreurs. À la place, une pipeline hybride a été conçue, qui :

• Reste explicable – chaque décision est traçable
• Fonctionne de manière prévisible – pas de variations arbitraires
• Est scalable – traite des millions de documents
• Est contrôlable par l’humain – mécanismes de contrôle intégrés

Le résultat est une architecture hybride combinant le raisonnement contextuel des grands modèles de langage (LLM) avec des règles déterministes et des contrôleurs humains. De l’IA avec des garde-fous, pas une IA sans contrôle.

Pourquoi le traitement hors ligne était la bonne option

Toutes les normalisations d’attributs ne se font pas en temps réel, mais dans des jobs asynchrones en arrière-plan. Ce n’était pas une solution de compromis, mais un choix architectural délibéré avec des avantages significatifs :

Avantages du traitement par batch :

• Haut débit : traitement de volumes massifs de données sans surcharge des systèmes en direct
• Résilience : les pannes n’affectent jamais le trafic client
• Optimisation des coûts : calculs effectués durant les périodes de faible trafic
• Isolation du système : la latence du LLM n’impacte pas les pages produits
• Déterminisme : mises à jour atomiques et reproductibles

En revanche, un traitement en temps réel entraînerait une latence imprévisible, des dépendances fragiles, des coûts élevés et une instabilité opérationnelle. L’isolation des systèmes orientés client par rapport aux pipelines de données est essentielle à grande échelle.

La persistance des données comme garant de stabilité

Un aspect critique de l’architecture était la gestion réfléchie de la persistance des données. Tous les résultats normalisés sont stockés directement dans une MongoDB centralisée pour les produits. Cette stratégie de persistance remplit plusieurs fonctions :

• Transparence opérationnelle : modifications vérifiables et traçables
• Flexibilité : valeurs modifiables manuellement ou catégories retraitées
• Intégration système : synchronisation facile avec d’autres services
• Auditabilité : piste d’audit complète pour la criticité métier

MongoDB est devenue le stockage central pour les valeurs d’attributs triées, les noms d’attributs affinés, les tags de tri spécifiques aux catégories et les champs de sortOrder liés aux produits. Cette stratégie garantit cohérence et stabilité dans tout l’écosystème.

Workflow technique de traitement

Avant l’application de l’IA, une étape de prétraitement rigoureuse réduit le bruit :

• Suppression des espaces superflus
• Élimination des valeurs vides
• Dédoublonnage
• Uniformisation des contextes de catégories

Cette étape apparemment simple améliore considérablement la précision du LLM. Mettre du « trash in » donne du « trash out » — avec cette quantité de données, même de petites erreurs peuvent s’accumuler en problèmes majeurs plus tard.

Le service LLM reçoit ensuite un input nettoyé avec contexte :

• Valeurs d’attributs nettoyées
• Informations hiérarchiques de catégories
• Métadonnées sur le type d’attribut

Avec ce contexte, le modèle peut :

• Reconnaître que « Spannung » dans les outils électriques doit être trié numériquement
• Comprendre que « Taille » dans le prêt-à-porter suit des progressions connues
• Savoir que « Couleur » doit peut-être respecter des standards RAL
• Identifier que « Matériau » a des relations sémantiques

Le modèle renvoie : valeurs ordonnées, noms d’attributs affinés et une classification (déterministe vs. contextuelle).

Fallbacks déterministes pour l’efficacité

Tous les attributs ne nécessitent pas de raisonnement IA. Les plages numériques, valeurs avec unités et ensembles simples bénéficient de :

• Traitement plus rapide
• Tri prévisible
• Coûts moindres
• Élimination de l’ambiguïté

La pipeline détecte automatiquement ces cas et applique une logique déterministe — utilisation efficace des ressources sans appels superflus au LLM.

Contrôle humain via système de tagging

Les commerçants ont besoin de possibilités de surdéfinir, notamment pour des attributs critiques. Chaque catégorie peut être marquée comme :

• LLM_SORT : décision prise par le modèle
• MANUAL_SORT : opérateur définit manuellement l’ordre

Ce système de tags dual renforce la confiance : l’humain garde le contrôle final, tandis que l’IA gère la masse.

Intégration à la recherche comme point de validation

Après normalisation, les valeurs triées alimentent des systèmes de recherche spécialisés :

• Elasticsearch pour la recherche par mots-clés
• Vespa pour la recherche sémantique et par vecteurs

Cela garantit que :

• Les filtres apparaissent dans le bon ordre logique
• Les pages produits affichent des attributs cohérents
• Les moteurs de recherche classent mieux les produits
• Les clients explorent les catégories plus intuitivement

L’intégration à la recherche est le point où la cohérence des attributs devient la plus visible et critique.

Vue d’ensemble de l’architecture du système

L’ensemble du système suit ce flux :

1. Données produit provenant du système d’information produit
2. Job d’extraction d’attributs récupère valeurs et contexte de catégorie
3. Service de tri IA effectue un raisonnement intelligent
4. Documents mis à jour stockés dans la MongoDB produit
5. Job de synchronisation sortante met à jour le PIM avec les nouvelles ordres
6. Jobs de synchronisation Elasticsearch & Vespa transfèrent les données normalisées
7. Services API connectent les systèmes de recherche aux applications clientes

Cette stratégie de persistance garantit que chaque valeur d’attribut — qu’elle soit triée par IA ou définie manuellement — se reflète dans la recherche, le merchandising et l’interaction client.

Résultats pratiques et impact business

La pipeline a transformé des valeurs brutes chaotiques en sorties cohérentes :

Ces exemples illustrent comment la combinaison de raisonnement contextuel IA et de règles déterministes crée des séquences logiques et compréhensibles.

Résultats et impact business

La solution a permis des résultats significatifs :

• Tri cohérent des attributs sur plus de 3 millions de SKUs
• Ordre numérique prévisible grâce à des fallbacks déterministes
• Contrôle opérationnel par tagging
• Amélioration visuelle sur les pages produits avec des filtres plus intuitifs
• Relevance accrue dans la recherche et classement
• Confiance client renforcée et taux de conversion amélioré

Ce n’était pas seulement une avancée technique, mais un succès commercial immédiat.

Leçons clés

• Les pipelines hybrides surpassent l’IA seule : garde-fous et contrôle sont essentiels à grande échelle
• Le contexte est roi : les entrées contextuelles améliorent drastiquement la précision du LLM
• Les jobs hors ligne sont indispensables : ils offrent débit, résilience et optimisation des coûts
• La surimpression humaine crée la confiance : les opérateurs acceptent des systèmes qu’ils peuvent contrôler
• Une entrée propre est la base : la qualité des données est la condition préalable à des sorties IA fiables
• La persistance garantit la stabilité : stockage centralisé permet auditabilité et contrôle

Conclusion

La normalisation des valeurs d’attributs peut sembler simple, mais à l’échelle de millions de produits, elle devient un vrai défi. En combinant l’intelligence des LLM avec des règles déterministes, une persistance fiable et un contrôle humain, on transforme un problème complexe et caché en un système scalable et maintenable.

Les plus grands succès ne viennent pas toujours de la résolution des défis évidents, mais de la gestion de problèmes sous-estimés — ceux qui sont faciles à négliger mais qui apparaissent sur chaque fiche produit. La cohérence des attributs est précisément l’un de ces problèmes.