Au cœur de notre pipeline de classification : vision par ordinateur, embeddings et scores de similarité

Dans l’univers de l’e-commerce, en évolution constante, organiser et classer correctement les produits est essentiel, non seulement pour une navigation et une découverte fluides, mais aussi pour maximiser les taux de conversion. atronous.ai a récemment déployé un pipeline avancé d’apprentissage automatique (machine learning) qui apporte automatisation, intelligence et précision à l’affectation des produits dans la taxonomie, tout en réduisant l’effort manuel et les incohérences.

Vous découvrez ce sujet ? Taxonomie produit : comment classer les produits dans la bonne catégorie en pose les bases. Cet article en expose les rouages techniques.

Le défi : du chaos à la classification

Les détaillants reçoivent souvent des données produit dans des formats variés (images, URL, feuilles de calcul ou PDF), de la part d’un large éventail de fournisseurs. Ces articles n’ont pas de taxonomie standardisée, ou arrivent avec des catégories mal alignées qui ne correspondent pas au système de classification existant du détaillant. Il en résulte une expérience d’achat fragmentée et des occasions de revenus manquées.

Étape 1 : identification de l’objet à partir de l’URL d’une image

À l’aide de modèles avancés de vision par ordinateur, la plateforme ingère les URL des images produit et identifie le type d’objet présent sur la photo. Par exemple, lors d’une mission récente pour un détaillant de premier plan, la plateforme a traité des entrées telles que des URL d’images produit.

En combinant des réseaux de neurones convolutifs (CNN) et des modèles préentraînés (comme CLIP ou BLIP), le système renvoie une classe d’objet probable, par exemple Fauteuil, Canapé ou Tabouret de bar, sans aucune annotation manuelle.

Étape 2 : entraînement sur la taxonomie actuelle du détaillant

Ce qui rend atronous véritablement adaptatif, c’est sa capacité à apprendre de la structure de classification propre à chaque détaillant. En s’entraînant sur l’arborescence taxonomique existante, qu’elle provienne d’une boutique Shopify, d’un système ERP ou d’une base de données interne, le moteur de ML comprend comment les catégories sont organisées et comment les produits s’y répartissent habituellement.

Pour le cas d’usage de ce détaillant, atronous a automatiquement mis en correspondance les objets détectés avec des catégories précises, par exemple :

• Mobilier → Assises → Fauteuils
• Mobilier → Salon → Canapés
• Mobilier → Salle à manger → Tabourets de bar

Étape 3 : attribution de la meilleure correspondance taxonomique

Une fois entraîné, le système calcule des scores de similarité entre les embeddings des images et ceux de la taxonomie afin d’affecter chaque produit à la catégorie la plus appropriée.

Par exemple :

• Une image classée comme Tabouret de bar, au style mid-century, a été affectée à Mobilier > Salle à manger > Tabourets de bar avec un niveau de confiance supérieur à 95 %.
• Un tabouret décoratif mal classé dans les données source a été automatiquement reclassé en Meuble d’appoint, sur la base de sa similarité visuelle et sémantique.

Cela améliore non seulement la précision de la classification, mais permet aussi à la taxonomie de s’adapter de façon dynamique au style et à la structure du détaillant.

Étape bonus : audit de la taxonomie et propositions alternatives

Quatrième étape, et non des moindres : atronous a audité les affectations taxonomiques existantes et signalé les incohérences ou les erreurs de classification. atronous a également proposé des améliorations possibles.

Par exemple :

• Les produits classés sous Chaises qui correspondent visuellement à des Fauteuils inclinables ont été mis en évidence.
• Pour les articles répartis entre Décoration de salon et Fauteuils d’appoint, un regroupement ou un reclassement a été recommandé.

Ces propositions sont fournies dans une feuille de calcul facile à passer en revue, ou synchronisées directement dans les systèmes PIM.

L’impact

Cette approche centrée sur l’IA a changé la façon dont les détaillants gèrent l’intégration des produits :

• Une forte réduction du temps consacré à l’affectation manuelle des produits dans la taxonomie
• Une meilleure précision de catégorisation, avec des correspondances incertaines signalées pour revue plutôt que devinées
• Une expérience d’achat améliorée grâce à une navigation et à des regroupements de produits plus clairs

À mesure que les catalogues de produits s’étoffent et se complexifient, ce type d’automatisation n’est plus seulement utile : il devient vital.

Prêt à rationaliser votre taxonomie ?

atronous.ai apporte l’intelligence au cœur même du merchandising numérique. Si votre équipe se heurte à une catégorisation incohérente, à de longs cycles d’intégration ou à des flux produit défaillants, nous serions ravis de vous aider. Voyez ce que cela donne sur vos propres données avec une évaluation gratuite de la qualité des données.