Un système de recommandation, ou moteur de recommandation, est un logiciel qui prédit les préférences d'un utilisateur et suggère des éléments, tels que des produits, des films, de la musique ou des articles de presse, que l'utilisateur est susceptible de vouloir. Les systèmes de recommandation alimentent une grande partie de la personnalisation de l'internet moderne, des listes de produits du commerce électronique aux flux de vidéos et de musique en streaming et aux fils d'actualité des réseaux sociaux, et comptent parmi les applications les plus importantes sur le plan économique de l'apprentissage automatique.
Techniques
Deux approches classiques dominent le domaine. Le filtrage collaboratif déduit les préférences d'un utilisateur à partir du comportement d'utilisateurs similaires, sans avoir besoin de comprendre directement le contenu des éléments. Le filtrage basé sur le contenu recommande quant à lui des éléments dont les attributs sont similaires à ceux que l'utilisateur a aimés auparavant, en utilisant les caractéristiques des éléments eux-mêmes. Le concours ouvert organisé par Netflix de 2006 à 2009 pour améliorer de 10 % la précision de son filtrage collaboratif, avec un prix d'un million de dollars, a été un événement marquant qui a popularisé les techniques de factorisation matricielle et a attiré l'attention du grand public sur ce domaine ; il a été remporté en 2009 par une équipe combinant plusieurs modèles par ensachage. Les systèmes modernes utilisent de plus en plus l'apprentissage profond, représentant les utilisateurs et les éléments sous forme de vecteurs, ou plongements, appris de sorte que les utilisateurs et les éléments similaires soient proches dans un espace partagé, qui peut ensuite être recherché efficacement à l'aide d'une base de données vectorielle et de techniques liées à la recherche sémantique. Les architectures de réseaux de neurones telles que les modèles à deux tours et, depuis les années 2020, les modèles séquentiels basés sur les transformeurs qui traitent l'historique d'un utilisateur comme une séquence pour prédire la prochaine interaction probable, sont devenues courantes sur les grandes plateformes.
Applications et impact commercial
Les systèmes de recommandation sont au cœur des modèles économiques d'Amazon, dont les recommandations de produits génèrent une grande partie des ventes, de Netflix et YouTube, dont les recommandations de contenu génèrent la majeure partie du visionnage, de la découverte musicale de Spotify, et des plateformes sociales telles que TikTok et Instagram, où les algorithmes de classement des flux sont largement crédités de l'engagement des utilisateurs et des revenus publicitaires.
Critiques
Les systèmes de recommandation ont fait l'objet de critiques sur plusieurs fronts. Les algorithmes de classement des flux optimisés uniquement pour l'engagement ont été associés à des bulles de filtres et à la polarisation, car maximiser le temps de visionnage ou les clics peut favoriser un contenu sensationnaliste ou extrême. Les critiques ont également soulevé des préoccupations concernant les biais algorithmiques, où des systèmes entraînés sur des données d'interaction historiques peuvent renforcer les disparités existantes dans ce qui est recommandé à qui, et concernant l'opacité de ces systèmes, un problème étudié dans le cadre de la recherche sur l'IA explicable et l'interprétabilité, car les utilisateurs et les régulateurs ne peuvent souvent pas voir pourquoi un élément particulier a été recommandé. Les préoccupations en matière de confidentialité sont également courantes, car une personnalisation efficace nécessite généralement la collecte de données comportementales détaillées. À mesure que les grands modèles de langage ont mûri, certaines plateformes ont commencé à explorer des interfaces de recommandation conversationnelles basées sur les LLM, permettant aux utilisateurs de décrire ce qu'ils veulent en langage naturel plutôt que de s'appuyer uniquement sur des signaux comportementaux implicites.