Moteur de recherche Amazon avec chatbot Ai, nommé Project Nile

Amazon travaille sur une nouvelle initiative, appelée code Projet Nilqui passe par la refonte de son moteur de recherche avec l’ajout de la technologie de chatbot IA.

D’après la transcription d’une présentation interne faite début 2023 par Joseph Siroshvice-président d’Amazon Search et d’Alexa Shopping, l’un des résultats potentiels de l’amélioration de l’expérience de recherche est l’augmentation des ventes des utilisateurs mobiles.

La barre de recherche basée sur l’IA devrait être plus conversationnelle, approfondie et personnalisée. Sirosh a dit que ce serait « le mobile d’abord », car c’est là que les nouvelles fonctionnalités auront le plus grand impact sur les ventes.

Objectif : augmenter les conversions mobiles

« L’une des choses intéressantes est que sur mobile, nous avons 78 à 80 % des recherches, mais une conversion beaucoup plus faible. La conversion sur le site Web est nettement plus élevée », a-t-il expliqué, selon la transcription.

« Si nous pouvons augmenter la conversion sur mobile, parce que nous proposons des expériences exceptionnelles et des réponses d’experts de qualité, cela pourrait constituer un avantage potentiellement significatif pour Amazon », a ajouté Sirosh.

Une telle augmentation des revenus grâce à l’IA interviendrait juste au bon moment pour Amazon, dont la croissance a ralenti. Au cours du dernier trimestre, les ventes ont augmenté de 11 % pour atteindre 134,4 milliards de dollars, une baisse notable par rapport au taux d’expansion de 30 à 40 % observé pendant la pandémie.

Lors de la présentation, Sirosh a déclaré que la nouvelle couche de conversation AI sera ajoutée à la barre de recherche Amazon actuellement existante. Il l’a comparé à Google Maps, qui dispose également d’un niveau d’assistance. La mise à jour fournira de manière proactive de meilleurs résultats de recherche, des réponses et des suggestions d’experts, ajoute-t-il.

Un chatbot semblable à une vendeuse expérimentée

Plus généralement, Sirosh s’attend à ce que la nouvelle fonction d’IA soit similaire à celle d’un commis de magasin possédant une compréhension approfondie des goûts et des préférences de chaque acheteur.

« Avant le commerce électronique, le vendeur du magasin était votre moteur de recherche. Et cet individu savait tout sur les produits… il vous regardait et savait ce que vous vouliez parce que des clients comme vous étaient déjà venus dans ce magasin. Il se peut qu’ils vous aient rencontré en personne et connaissent donc vos préférences, puis ils pourront synthétiser toutes ces informations dans une conversation en langage naturel avec vous et vous aider dans votre mission d’achat », a déclaré Sirosh lors de la réunion.

« Et si nous pouvions étendre cela à l’ensemble d’Amazon, ce serait la mission future à laquelle nous voulons aspirer. »

Comment fonctionne le projet Nil Amazon ?

Le projet Nile Amazon utilise diverses techniques d’intelligence artificielle, notamment le traitement du langage naturel (NLP), apprentissage automatique (apprentissage automatique) et apprentissage profondpour améliorer ses capacités de recherche et de recommandation.

PNL : Project Nile l’utilise pour comprendre le sens des demandes des clients et générer des réponses pertinentes et informatives.
ML : utilise l’apprentissage automatique pour entraîner ses modèles de recherche et de recommandation sur un vaste ensemble de données clients, notamment l’historique des achats, le comportement de navigation et les avis sur les produits.
DL : utilise l’apprentissage profond pour entraîner ses modèles de recherche et de recommandation afin d’identifier des modèles complexes dans les données client.

Traitement du langage naturel (NLP)

Project Nile utilise la PNL pour comprendre la signification des demandes des clients et générer des réponses pertinentes et informatives. Par exemple, si un client demande « Quelle est la meilleure cafetière ? », Project Nile utilisera le NLP pour comprendre que le client demande une recommandation pour une cafetière de haute qualité. Ensuite, elle utilisera ses modèles ML et DL pour générer une liste de machines à café susceptibles de répondre aux besoins du client.

Apprentissage automatique (ML)

Project Nile utilise le ML pour entraîner ses modèles de recherche et de recommandation sur un ensemble massif de données client. Cet ensemble de données comprend des informations telles que l’historique des achats, le comportement de navigation et les avis sur les produits. Les modèles Project Nile ML apprennent à identifier des modèles dans ces données, tels que les produits que les clients sont les plus susceptibles d’acheter ensemble ou les produits qui les intéressent le plus.

Apprentissage profond (DL)

Project Nile utilise DL pour entraîner ses modèles de recherche et de recommandation afin d’identifier des modèles complexes dans les données client. Par exemple, les modèles DL de Project Nile peuvent apprendre à identifier les caractéristiques visuelles des produits que les clients pourraient trouver intéressantes. Cela permet à Project Nile de recommander des produits aux clients en fonction de leurs préférences visuelles.

Les avantages de l’IA dans le projet Nile Amazon

Project Nile a le potentiel d’offrir de nombreux avantages aux clients et aux revendeurs. Pour les clients, Project Nile peut :

Personnalisez l’expérience d’achat : utilisez les données client pour personnaliser l’expérience d’achat pour chaque client. Cela peut aider les clients à trouver les produits qu’ils recherchent plus rapidement et plus facilement.
Améliorer la qualité des résultats de recherche : les capacités de recherche basées sur l’IA peuvent aider les clients à trouver les produits qu’ils recherchent de manière plus précise et plus efficace.
Découvrez de nouveaux produits : Project Nile peut recommander de nouveaux produits aux clients en fonction de leur historique d’achat, de leur comportement de navigation et d’autres données. Cela peut aider les clients à découvrir des produits qu’ils n’auraient pas trouvés autrement.

Pour revendeurs, Project Nile peut :

Augmenter les ventes : cela peut aider en personnalisant l’expérience d’achat pour chaque client et en améliorant la qualité des résultats de recherche.
Réduire le taux de désabonnement des clients : cela peut aider les détaillants à réduire le taux de désabonnement des clients en permettant aux clients de trouver plus facilement les produits qu’ils recherchent et de recommander de nouveaux produits.

Les défis de Projet Nil Amazone

Le Projet Nil est un projet complexe et confronté à un certain nombre de défis. L’un d’eux est le précision. Les modèles d’IA peuvent commettre des erreurs et il est important de garantir que les modèles d’IA du Projet Nile sont précis et fiables.

Un autre défi est le préjugé. Les modèles d’IA peuvent être biaisés, reflétant les biais des données sur lesquelles ils sont formés. Il est important de garantir que les modèles d’IA du Projet Nile sont impartiaux et ne discriminent aucun groupe de personnes en particulier.

Enfin, le Projet Nil est également confronté à des défis confidentialité des données. Project Nile s’appuie sur une grande quantité de données clients et il est important de garantir que ces données sont protégées et utilisées de manière responsable.

Précision

La précision est l’un des défis les plus importants auxquels le Projet Nile est confronté. Les modèles d’IA peuvent commettre des erreurs et il est important de garantir que les modèles d’IA du Projet Nile sont précis et fiables.

Une façon d’améliorer la précision des modèles d’IA du Projet Nile consiste à les former sur un ensemble de données vaste et diversifié. Cela aidera les modèles à apprendre un large éventail de modèles et à éviter de commettre des erreurs.

Une autre façon d’améliorer la précision des modèles d’IA du Projet Nile consiste à utiliser des techniques d’intervention humaine. Cela implique que des humains examinent les résultats des modèles d’IA et corrigent les erreurs éventuelles.

Biais

Les modèles d’IA peuvent être biaisés, reflétant les biais des données sur lesquelles ils sont formés. Il est important de garantir que les modèles d’IA du Projet Nile sont impartiaux et ne discriminent aucun groupe de personnes en particulier.

Une façon de réduire les biais dans les modèles d’IA du Projet Nile consiste à utiliser des techniques débiaiser. Ces techniques impliquent d’identifier et de supprimer les biais des données sur lesquelles les modèles sont formés.

Une autre façon de réduire les biais dans les modèles d’IA du Projet Nile consiste à utiliser des techniques d’intervention humaine. Cela implique que les humains examinent les résultats des modèles d’IA et identifient tout biais.

Protection des données

Project Nile s’appuie sur une grande quantité de données clients, et il est important de garantir que ces données sont protégées et qu’elles sont utilisées de manière responsable.

Une façon de protéger les données des clients consiste à utiliser le cryptage et d’autres mesures de sécurité. Une autre façon de protéger les données des clients consiste à leur donner le contrôle de leurs données et à être transparent sur la manière dont elles sont utilisées.