Chaque fois qu'une plateforme suggère l'article suivant, la prochaine série ou le produit qui « pourrait vous intéresser », il y a derrière un système de recommandation : un moteur qui prédit l'affinité entre une personne et un élément à partir de son comportement et de celui de millions d'utilisateurs. Loin d'être de la magie, ce sont des architectures d'apprentissage automatique bien définies. Dans ce guide technique, nous décortiquons les trois familles classiques — filtrage collaboratif, basé sur le contenu et hybrides —, la façon dont les résultats sont ordonnés (ranking), la manière dont ils sont servis en temps réel et ce qu'exige le cadre réglementaire européen en matière de transparence.
Filtrage collaboratif : la sagesse de la foule
Le filtrage collaboratif part d'une idée simple : à qui a aimé les mêmes choses que vous plaira probablement quelque chose que vous ne connaissez pas encore. Il n'a pas besoin de comprendre le contenu de l'élément, seulement le schéma des interactions. Il comporte deux approches :
- Basée sur la mémoire : elle calcule des similarités directes entre utilisateurs (user-based) ou entre éléments (item-based) au moyen de mesures comme la similarité cosinus ou la corrélation de Pearson sur la matrice d'interactions.
- Basée sur un modèle : elle applique la factorisation matricielle (SVD, ALS) pour décomposer la matrice creuse utilisateur-élément en facteurs latents de faible dimension qui capturent des goûts abstraits. C'est la technique qu'a popularisée le Prix Netflix.
Sa grande limite est le démarrage à froid (cold start) : un utilisateur ou un élément nouveau, sans historique, n'a rien à quoi se comparer. Et il souffre de la dispersion : dans des catalogues immenses, chaque utilisateur interagit avec une fraction minime des éléments.
Une distinction technique importante porte sur la nature du signal qui alimente le modèle. La rétroaction explicite — notes avec des étoiles, « j'aime », avis — est précise mais rare : la plupart des utilisateurs ne notent rien. La rétroaction implicite — clics, temps de visionnage, achats, recherches — est abondante mais ambiguë : regarder une vidéo en entier suggère de l'intérêt, mais l'abandonner au bout de dix secondes ne signifie pas toujours un rejet. Les systèmes modernes s'appuient surtout sur des signaux implicites, ce qui oblige à modéliser la confiance de chaque interaction et à traiter avec soin les données manquantes, qui n'équivalent pas à une note négative.
Recommandation basée sur le contenu
L'approche basée sur le contenu recommande des éléments semblables à ceux qui ont déjà plu, en utilisant leurs attributs : genre, auteur, étiquettes, description textuelle ou, dans le contenu éditorial, les sujets traités. On construit un profil de l'utilisateur comme agrégat des caractéristiques de ce qu'il a consommé et on mesure la similarité avec le catalogue. Aujourd'hui, ces attributs se représentent souvent sous forme d'embeddings — des vecteurs denses générés à partir du texte ou de métadonnées — qui capturent la similarité sémantique bien mieux que les anciens sacs de mots. Son avantage : il résout partiellement le cold start des nouveaux éléments (il suffit de connaître leurs attributs). Sa faiblesse : il tend à la surspécialisation, enfermant l'utilisateur dans une bulle de ce qu'il connaît déjà.
Systèmes hybrides : le meilleur de chaque technique
En production, presque personne n'utilise une approche pure. Les systèmes hybrides combinent collaboratif et contenu pour compenser leurs faiblesses mutuelles, au moyen de stratégies comme la pondération de plusieurs signaux, la commutation selon la disponibilité des données ou la cascade (un modèle affine la sortie d'un autre). L'architecture dominante dans les grandes plateformes est à deux étapes :
- Génération de candidats (récupération) : d'un catalogue de millions, on réduit à quelques centaines de candidats plausibles avec des modèles rapides et approximatifs (par exemple, la recherche des plus proches voisins sur des embeddings).
- Ranking : un modèle plus lourd (réseaux de neurones profonds, gradient boosting) ordonne ces candidats avec précision selon la probabilité d'interaction, en intégrant le contexte, l'heure, l'appareil et les signaux récents.
Ranking et métriques : qu'est-ce qu'une bonne recommandation ?
Bien ordonner importe autant que viser juste. Le ranking s'évalue avec des métriques qui pénalisent le fait de placer le pertinent en bas :
- Precision@K et Recall@K : les bonnes réponses parmi les K premiers résultats.
- NDCG (Normalized Discounted Cumulative Gain) : il récompense le fait de situer les éléments les plus pertinents dans les premières positions.
- MAP (Mean Average Precision) : il moyenne la précision tout au long de la liste.
Mais les métriques hors ligne ne suffisent pas. La mesure qui tranche en production est le test A/B : deux variantes du recommandeur servant des cohortes distinctes et comparant des objectifs métier réels (temps de consommation, conversion, rétention). Et c'est là qu'entre une nuance clé : optimiser uniquement la pertinence immédiate dégrade l'expérience. Il faut l'équilibrer avec la diversité, la nouveauté et la sérendipité pour éviter la bulle de filtre et maintenir le catalogue vivant.
Tableau comparatif des approches
| Approche | Nécessite | Force | Faiblesse |
|---|---|---|---|
| Collaboratif | Historique d'interactions | Découvre des goûts non évidents | Cold start et dispersion |
| Basé sur le contenu | Attributs de l'élément | Fonctionne avec des éléments nouveaux | Surspécialisation |
| Hybride | Les deux | Équilibre les faiblesses | Plus grande complexité |
Personnalisation en temps réel : l'architecture
« Temps réel » signifie que la recommandation reflète ce que l'utilisateur a fait il y a quelques secondes, et non son profil d'hier. Cela exige une architecture spécifique : ingestion d'événements par streaming (Kafka, Flink), un feature store qui sert des caractéristiques actualisées avec une faible latence, des index de plus proches voisins approximatifs (ANN, comme HNSW) pour récupérer des candidats en quelques millisecondes, et un service d'inférence qui renvoie le ranking dans le budget de latence de la page (typiquement quelques dizaines de millisecondes). Le défi d'ingénierie n'est pas le modèle, mais de le servir à grande échelle sans que l'utilisateur perçoive de délai.
Bulle de filtre et boucles de rétroaction
Un système de recommandation n'est pas un observateur neutre : il façonne le comportement qu'il mesure ensuite. Si le modèle ne montre que ce qu'il considère le plus affin, l'utilisateur ne peut interagir qu'avec cela, ce qui renforce la croyance du modèle et rétrécit progressivement ce qu'il voit. C'est la bulle de filtre, et sa version à l'échelle du catalogue est la boucle de rétroaction : les éléments populaires sont davantage recommandés, gagnent plus d'interactions, montent dans le ranking et enterrent la longue traîne — la majeure partie du catalogue qui n'arrive jamais à être affichée. Cela appauvrit l'expérience, gâche l'inventaire et peut avoir des effets sociaux indésirables lorsqu'on l'applique à du contenu informatif.
Les contre-mesures sont à la fois techniques et de conception produit : introduire de l'exploration délibérée (des stratégies de type multi-armed bandit qui réservent une fraction des recommandations pour tester des éléments peu exposés), pénaliser la redondance par des techniques de réordonnancement qui récompensent la diversité, et intégrer des signaux de nouveauté pour favoriser la découverte. L'objectif n'est pas de renoncer à la pertinence, mais de l'équilibrer avec la santé de l'écosystème à long terme, en mesurant non seulement le clic d'aujourd'hui mais la rétention et la satisfaction de demain.
Cadre réglementaire : transparence obligatoire
Recommander n'est pas juridiquement neutre. Le Règlement sur les services numériques (DSA, Règlement (UE) 2022/2065) oblige les plateformes à expliquer, dans leurs conditions, les principaux paramètres de leurs systèmes de recommandation et à proposer, sur les très grandes plateformes, au moins une option non fondée sur le profilage. Le RGPD régit le traitement des données de comportement qui alimentent ces systèmes : il exige une base juridique, la minimisation et des droits d'accès et d'opposition. Et l'AI Act impose des obligations de transparence lorsque l'utilisateur interagit avec un système d'IA. Concevoir un recommandeur sans tenir compte de ces trois cadres, c'est construire sur un risque réglementaire.
Erreurs courantes
- Optimiser uniquement le clic immédiat et appauvrir l'expérience à moyen terme avec des bulles de filtre.
- Se fier uniquement aux métriques hors ligne et sauter le test A/B, qui est l'endroit où se révèle l'impact réel.
- Ignorer le cold start et offrir des expériences pauvres aux nouveaux utilisateurs, justement quand il importe le plus de les retenir.
- Créer des boucles de rétroaction : le modèle ne montre que le populaire, ce qui renforce sa popularité et enterre le catalogue de longue traîne.
- Traiter des données de comportement sans base légale ni transparence, en violation du RGPD et du DSA.
Questions fréquentes
Qu'est-ce que le problème du démarrage à froid ?
C'est la difficulté de recommander à un utilisateur ou un élément nouveau qui n'a pas d'historique d'interactions. On l'atténue avec des approches basées sur le contenu, des recommandations par popularité initiale ou en demandant les préférences à l'inscription.
Filtrage collaboratif ou basé sur le contenu ?
Cela dépend des données disponibles. Le collaboratif brille avec beaucoup d'historique d'interactions ; le contenu fonctionne quand on dispose de bons attributs des éléments ou de catalogues qui changent vite. En pratique, les systèmes en production combinent les deux.
Pourquoi la diversité est-elle importante dans les recommandations ?
Parce qu'un recommandeur qui ne montre que le plus affin enferme l'utilisateur dans une bulle, épuise son intérêt et laisse sans visibilité la majeure partie du catalogue. Introduire diversité et nouveauté améliore la satisfaction et la découverte à long terme.
Quelles obligations légales a un système de recommandation en Europe ?
Il doit respecter le RGPD dans le traitement des données de comportement, satisfaire aux obligations de transparence du Règlement sur les services numériques concernant les paramètres de recommandation et répondre aux exigences de transparence de l'AI Act. L'opacité n'est plus légalement tenable.
Conclusion
Un bon système de recommandation n'est pas celui qui prédit avec le plus d'exactitude le prochain clic, mais celui qui soutient une relation précieuse et durable entre la personne et le catalogue : qui vise juste, oui, mais qui aussi surprend, diversifie et respecte. La technique est mature — du filtrage collaboratif aux architectures hybrides à deux étapes servies en quelques millisecondes — mais le défi s'est déplacé vers l'équilibre : pertinence face à diversité, popularité face à longue traîne, et personnalisation face aux exigences de transparence du DSA, du RGPD et de l'AI Act. Chez Summum Inteligencia Artificial, nous concevons des moteurs de recommandation qui combinent précision technique, métriques validées par des tests A/B et conformité réglementaire dès la conception, car bien recommander en 2026 est autant un problème d'ingénierie que de responsabilité.