Le chaos invisible : comment des attributs de produit incohérents sabotent le commerce électronique à grande échelle

Lorsque les détaillants parlent de mise à l’échelle, ils pensent aux moteurs de recherche, à l’inventaire en temps réel et à l’optimisation du processus de paiement. Ce sont des problèmes visibles. Mais sous-jacent, se cache un problème plus tenace : des valeurs d’attribut qui ne s’accordent tout simplement pas. Dans de véritables catalogues produits, ces valeurs sont rarement cohérentes. Elles sont formatées différemment, ambiguës sur le plan sémantique ou simplement erronées. Et lorsque vous multipliez cela par des millions de produits, un petit désagrément devient une catastrophe systémique.

Le problème : petit à l’échelle, mais grandiose en volume

Prenons des exemples concrets :

• Taille : “XL”, “Small”, “12cm”, “Large”, “M”, “S” — tout mélangé
• Couleur : “RAL 3020”, “Crimson”, “Red”, “Dark Red” — certains standards, d’autres langage courant
• Matériau : “Steel”, “Carbon Steel”, “Stainless”, “Stainless Steel” — redondant et peu clair

Chacun de ces exemples semble inoffensif isolément. Mais dès lors que vous travaillez avec plus de 3 millions de SKUs, chacun avec des dizaines d’attributs, le problème devient réel :

• Les filtres se comportent de manière imprévisible
• Les moteurs de recherche perdent en pertinence
• La recherche client devient frustrante
• Les équipes s’enlisent dans la correction manuelle des données

C’est cette souffrance silencieuse qui se cache derrière presque chaque grand catalogue e-commerce.

L’approche : une IA avec des garde-fous plutôt que des algorithmes chaotiques

Je ne voulais pas d’une boîte noire qui trie mystérieusement des choses que personne ne comprend. Au contraire, je visais une pipeline hybride qui :

• reste explicable
• fonctionne de manière prévisible
• scale vraiment
• que les humains peuvent contrôler

Le résultat : une IA qui pense intelligemment, mais reste toujours transparente.

L’architecture : jobs hors ligne plutôt que folie en temps réel

Tout le traitement des attributs s’effectue en arrière-plan — pas en temps réel. Ce n’était pas une solution de dépannage, mais une décision stratégique de conception.

Les pipelines en temps réel peuvent sembler attrayants, mais conduisent à :

• des délais imprévisibles
• des pics de calcul coûteux
• des dépendances fragiles
• un chaos opérationnel

Les jobs hors ligne offrent plutôt :

• un débit massif (traitant d’énormes volumes de données sans charger le système en direct)
• une tolérance aux erreurs (les pannes ne touchent jamais le client)
• un contrôle des coûts (calculs en heures creuses)
• une cohérence (mises à jour atomiques et prévisibles)

La séparation entre systèmes orientés client et traitement des données est cruciale à cette échelle.

Le processus : du désordre à des données propres

Avant que l’IA ne manipule les données, intervient une étape critique de nettoyage :

• suppression des espaces superflus
• suppression des valeurs vides
• suppression des doublons
• formatage du contexte de catégorie en chaînes propres

Cela garantit que le modèle de langage (LLM) travaille avec des entrées propres. Le principe est simple : déchets dedans, déchets dehors. De petites erreurs à cette étape peuvent entraîner de gros problèmes plus tard.

Le service LLM : plus qu’un simple tri

Le LLM ne trie pas bêtement par ordre alphabétique. Il pense en contexte.

Il reçoit :

• des valeurs d’attribut nettoyées
• des breadcrumbs de catégorie
• des métadonnées d’attribut

Avec ce contexte, le modèle comprend :

• que “Tension” dans les outils électriques est numérique
• que “Taille” dans le prêt-à-porter suit une progression connue
• que “Couleur” peut suivre des standards RAL
• que “Matériau” a des relations sémantiques

Il renvoie :

• des valeurs ordonnées
• des noms d’attribut affinés
• une décision : tri déterministe ou piloté par IA

Cela permet de gérer différents types d’attributs sans coder chaque catégorie individuellement.

Fallbacks déterministes : tout n’a pas besoin d’IA

De nombreux attributs fonctionnent mieux sans intelligence artificielle :

• des plages numériques (5cm, 12cm, 20cm se trient d’eux-mêmes)
• des valeurs basées sur des unités
• des quantités simples

Ils offrent :

• un traitement plus rapide
• un tri prévisible
• des coûts plus faibles
• aucune ambiguïté

La pipeline détecte automatiquement ces cas et utilise une logique déterministe. Cela maintient le système efficace et évite des appels inutiles au LLM.

Humain vs machine : contrôle dual

Les détaillants ont besoin de contrôler certains attributs critiques. C’est pourquoi chaque catégorie peut être marquée comme :

• LLM_SORT — le modèle décide
• MANUAL_SORT — le détaillant définit l’ordre

Ce système répartit le travail : l’IA fait la majorité, l’humain tranche en dernier. Cela crée aussi de la confiance, car les équipes peuvent désactiver le modèle si besoin.

L’infrastructure : simple, centralisée, scalable

Tous les résultats sont stockés directement dans une base MongoDB — le seul stockage opérationnel pour :

• les valeurs d’attribut triées
• les noms d’attribut affinés
• les tags de catégorie
• l’ordre de tri spécifique à chaque produit

Cela facilite la vérification des modifications, la surcharge des valeurs, la réinitialisation des catégories et la synchronisation avec d’autres systèmes.

L’intégration à la recherche : la qualité visible

Après le tri, les valeurs alimentent deux moteurs de recherche :

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

Cela garantit :

• que les filtres apparaissent dans un ordre logique
• que les pages produits affichent des attributs cohérents
• que les moteurs de recherche classent plus précisément
• que la navigation client est plus fluide

C’est ici, dans la recherche, que la bonne hiérarchisation des attributs devient visible.

Les résultats : du chaos à la clarté

Les impacts ont été mesurables :

• tri cohérent sur plus de 3 millions de SKUs
• séquences numériques prévisibles
• contrôle total par les détaillants via tagging
• filtres plus intuitifs et pages plus propres
• meilleure pertinence dans la recherche
• augmentation des conversions clients

Leçons clés

1. L’approche hybride dépasse l’IA seule : les garde-fous sont essentiels à l’échelle
2. Le contexte est précieux : il améliore considérablement la précision du modèle
3. Le traitement hors ligne est indispensable : pour le débit et la fiabilité
4. Le contrôle humain inspire la confiance : les mécanismes de surcharge ne sont pas des bugs, ce sont des features
5. Des entrées propres sont la base : pas de raccourcis dans le nettoyage des données

Trier des valeurs d’attribut peut sembler trivial, mais devient un vrai défi avec des millions de produits. En combinant l’intelligence du LLM avec des règles claires et un contrôle humain, on obtient un système qui transforme le chaos invisible en clarté scalable.