" La capacité de l'IA à décrire le contenu des images nous a surpris " - Maxence Malak, DAM Project Manager, DECATHLON

Pour DECATHLON, le sport est une affaire sérieuse. Tout comme les images. Cela se reflète dans sa plateforme de gestion des assets numériques (DAM), qui compte plus de 2 millions d'actifs - des médias qui doivent être documentés de manière qualitative et productive.   

‍

Quel rôle jouent les médias dans les activités de DECATHLON ? Pouvez-vous donner des ordres de grandeur ?

Les médias, en particulier les images, jouent un rôle fondamental, car un produit sans images n'a tout simplement pas sa place sur notre site de commerce électronique. En outre, alors qu'environ 80 personnes mettent en ligne 90 % des médias, près de 20 000 personnes visitent PixL - le nom donné à notre plateforme de gestion des actifs numériques (DAM) - chaque année pour trouver un visuel. Les objectifs sont très variés : communication externe ou interne, appareils en ligne et hors ligne. Environ 2 000 nouveaux fichiers multimédias sont ajoutés chaque jour au DAM, qui contient déjà plus de 2 millions d'actifs. Il ne s'agit là que des actifs "maîtres", auxquels il faut ajouter de multiples variations techniques pour chacun d'entre eux. Ces chiffres peuvent donner le vertige, mais il faut savoir que DECATHLON couvre une centaine de sports et est implanté dans 52 pays.

‍

Lorsque vous avez pris la responsabilité de la DAM en 2017, quelles étaient vos principales préoccupations ?

En lisant les 150 tickets de support émis chaque mois, nous avons identifié deux problèmes clés. Tout d'abord, le temps de dépôt des images est beaucoup trop long et pèse évidemment sur le quotidien des collaborateurs qui publient ces médias. Ensuite, à l'autre bout de la chaîne, tous les utilisateurs se plaignent de recherches souvent trop infructueuses. Sans surprise, ils attendent de PixL qu'il soit aussi performant que Google et ce n'est pas le cas....

‍

Comment résoudre le premier problème, celui du délai de dépôt des images ?

Avec beaucoup d'automatisation. Auparavant, nous procédions en deux étapes : d'abord, l'extraction de l'arborescence des produits à partir du Product Information Management (PIM) ; ensuite, son importation dans PixL, la plateforme de Digital Asset Management (DAM) d'entreprise de Wedia. Avec ce processus, c'est à l'utilisateur de rechercher des métadonnées dans cette arborescence pour enrichir la documentation du média. Une tâche fastidieuse et chronophage. Nous avons donc travaillé sur une synchronisation beaucoup plus fluide entre le PIM et le DAM en utilisant des API. Désormais, il suffit à l'utilisateur d'entrer le code du produit pour télécharger automatiquement une quinzaine de métadonnées. L'utilisateur n'a plus qu'à valider ces suggestions. Nous avons rapidement constaté des gains considérables en termes de productivité des équipes, de qualité des métadonnées et d'adoption de facto de PixL.

‍

Cela a dû contribuer à rendre les recherches plus fructueuses également ?

Oui, mais ce n'était pas encore suffisant. Pour rendre une recherche plus efficace, nous avons pris le temps d'analyser les requêtes. Par exemple, nous avons remarqué qu'une recherche sur le football faisait ressortir beaucoup d'images de produits, alors que les utilisateurs attendaient d'abord des images liées au monde du football. Forts de ces constats, nous avons simplifié les métadonnées pour mieux cibler les autosuggestions(ndlr : les termes suggérés par le moteur pour compléter une requête). Là encore, nous avons constaté un bond en avant des performances. Le succès du travail entrepris sur ces deux sujets, et les performances en upload et en search, se voient dans les tickets déposés au support : nous sommes passés de 150 par mois à seulement trois !

‍

La gestion des actifs numériques est un bon terrain de jeu pour l'intelligence artificielle. Avez-vous évalué cette opportunité ?

Oui, et cela s'est même traduit cette année par une première preuve de concept (POC) réalisée avec Wedia dans le cloud Azure. A l'origine de ce projet, il y a une réflexion de fond. Avec la synchronisation entre le PIM et le DAM, et les efforts de standardisation de l'arborescence de notre offre, nous avons amélioré la performance des images produits, en les versant dans le DAM comme en les retrouvant. Mais qu'en est-il des images contextualisées, celles qui illustrent un usage avant de correspondre à un modèle de produit ? Nous nous sommes posé les questions suivantes : l'intelligence artificielle (IA) peut-elle reconnaître un vélo et l'usage qui lui est associé ? Peut-elle faire la différence entre un vélo de montagne (VTT) et un vélo de ville ? Identifier un modèle précis ? Avec l'aide de l'équipe Wedia, nous avons travaillé sur le top 10 des produits universels tels que le vélo, le sous-marin et le camping.

‍

Avec quels résultats ?

Nous pouvons dire que nous avons été positivement surpris. Si l'IA ne peut pas encore identifier un produit spécifique - comme nous le soupçonnions - elle est capable de résumer une image. Et plutôt bien, car elle fonctionne par associations. Si elle identifie un vélo et une montagne, elle en déduit qu'il s'agit d'un VTT. Mieux encore, il peut générer une description du type "homme près d'une tente en train de préparer de la nourriture". Un tel enrichissement peut améliorer considérablement la recherche et la réutilisation des images.

‍

Suffisamment pour aller au-delà du POC ?

Bien que nous devions encore préciser le retour sur investissement à grande échelle d'un projet, nous passerons la première série de services d'IA en production au cours de l'été. Les résultats sont suffisamment convaincants pour inclure l'utilisation de l'IA dans notre feuille de route. D'autant plus que nous savons comment garantir la performance de l'IA dans le temps, au fur et à mesure de l'évolution du catalogue de produits. En effet, Wedia a non seulement mis en place un réseau neuronal, mais aussi des interfaces pour équiper l'IA d'un système d'apprentissage. En d'autres termes, tout au long du cycle de vie des contenus, les administrateurs pourront simplement valider (ou rejeter) les détections faites par l'IA et ainsi lui apprendre à assimiler de nouveaux objets, de nouvelles scènes et in fine de nouveaux produits.

‍

Imaginez-vous déjà d'autres utilisations de l'IA ?

Les idées ne manquent pas. A noter, par exemple, que DECATHLON n'utilise plus de mannequins pour ses photos ; dans la plupart des cas, ce sont nos employés qui sont mis en scène. Une approche qui s'inscrit dans notre stratégie de collaborateurs-ambassadeurs. Mais, bien entendu, si ces collaborateurs quittent l'entreprise, les images les représentant doivent pouvoir être supprimées. L'IA, basée sur les portraits des employés, pourrait aider à gérer ce type de contrainte légale.

‍

À court terme, quels sont les projets les plus importants ?

Nous travaillerons sur la performance des images. Quel est l'impact des images sur les ventes ? Combien d'images sont nécessaires pour convertir une vente ? Quels sont les types d'images les plus efficaces ? Il s'agit de corréler les données entre les analytiques de notre plateforme e-commerce et celles du DAM. Comme pour le POC IA, ce projet devrait donner lieu à un important travail de co-création entre les équipes Wedia et DECATHLON.

‍