Études de cas · R&D appliquée · Production ML
Des travaux menés
dans des contextes réels.
Cinq études de cas décrivent les projets sur lesquels j’ai travaillé chez AB Tasty en tant qu’ingénieur de recherche, dont un benchmark reproductible sur données publiques.
Les cas sont anonymisés. Ils décrivent les méthodes et les décisions.Commerce · Search, recommandation & merchandising
Impact produit public — Commerce
J’ai contribué aux travaux de R&D sur la recherche et la recommandation multimodales intégrés à Commerce, une plateforme qui réunit search, recommandations et merchandising.
Résultats produit annoncés par AB Tasty, distincts de ma contribution R&D.
Source : AB Tasty — Commerce ↗Alltricks — étude détaillée ↗Cabaïa — étude détaillée ↗EmotionsAI · Personnalisation comportementale
Impact produit public — EmotionsAI
Mes travaux de recherche sur les interactions et les comportements ont contribué aux métriques intégrées à EmotionsAI. Le produit s’appuie sur 8 années de recherche et plus de 100 millions de parcours analysés ; ses résultats publiés sont présentés ci-dessous.
Résultats produit annoncés par AB Tasty, distincts de ma contribution R&D.
Source : AB Tasty — EmotionsAI ↗01 — PROJETS R&D CHEZ AB TASTY
Cinq projets d’IA, de la recherche à la mise en produit.
Segmentation prédictive : pourquoi le changement de site a changé la décision
Un signal prédictif dans l’environnement d’origine, puis une chute inter-sites qui a conduit à interrompre le projet avant industrialisation.
- Périmètre
- Modélisation comportementale
- Résultat
- Signal prédictif sur les sites connus ; transfert insuffisant vers un autre site, conduisant à l’arrêt avant industrialisation.
Search et recommandation multimodales : de l’image au pipeline de production
FashionCLIP gagnait sur la similarité visuelle, un encodeur textuel sur les requêtes : ce choix spécialisé a structuré le pipeline de production.
- Périmètre
- Recherche multimodale
- Résultat
- Modèles sélectionnés par tâche, mise en production d’un pipeline incrémental texte-image, avec suivi et tests de charge.
Personnaliser le search grâce aux affinités utilisateur
Les affinités issues des vues, paniers et achats ont battu la baseline contextuelle sur trois métriques de classement hors ligne.
- Périmètre
- Personnalisation du classement
- Résultat
- Les affinités améliorent le NDCG, le taux de succès et le rang réciproque moyen hors ligne ; leur effet réel reste à mesurer par un test A/B.
Évaluation UX par IA générative : comparer le modèle aux jugements humains
100 captures, six dimensions : ce que la comparaison avec les jugements humains apprend sur l’usage d’un modèle pour présélectionner des interfaces.
- Périmètre
- Évaluation UX multimodale
- Résultat
- 100 captures × 6 dimensions ; Pearson de 0,343 à 0,535 selon la dimension, sans conclusion de calibration.
Choisir un modèle d’embedding selon la tâche, pas selon sa popularité
OpenAI domine le retrieval textuel dans ce protocole, tandis que FashionCLIP améliore la similarité visuelle sur deux catalogues publics.
- Périmètre
- Évaluation de modèles de retrieval
- Résultat
- OpenAI domine le text-to-product ; FashionCLIP améliore le NDCG@10 visuel de 4,8 et 4,0 points sur deux datasets publics.
Collaborer
Un problème produit mérite une méthode mesurable.
Je travaille sur la prédiction à partir des interactions utilisateurs, la recherche, la recommandation et l’IA appliquée à l’expérience utilisateur.
Échanger sur un besoin ↗