Le projet
Le projet portait sur un système de recommandation retail à grande échelle. L’idée : représenter les clients et les produits dans des espaces vectoriels compatibles, puis utiliser ces représentations pour générer des recommandations personnalisées.
L’architecture repose sur un modèle Two-Tower : une tour apprend une représentation utilisateur, l’autre une représentation item, puis le système rapproche les deux embeddings pour produire un ranking ou une étape de retrieval.
Angle technique
La difficulté principale n’est pas seulement de choisir un modèle. Il faut préparer l’historique transactionnel, gérer la fraîcheur des données, éviter les biais de popularité, définir les fenêtres temporelles, produire des features exploitables et intégrer les recommandations dans un canal métier.
Ce que ça démontre
Ce projet montre la capacité à passer de la data science à l’impact business. À cette échelle, un système de recommandation est autant un problème de données, d’architecture et de gouvernance qu’un problème de modèle.