Données Intelligentes : Prédiction, Recommandation et Personnalisation

Et si une plateforme pouvait anticiper ce que vous cherchez avant même que vous ne formuliez votre demande ?

Vous ouvrez une application de musique : elle vous propose une chanson qui correspond étonnamment bien à votre humeur. Vous consultez une boutique en ligne : certains produits apparaissent avant les autres. Vous revenez sur une plateforme de formation : elle vous suggère de revoir précisément la notion qui vous avait posé problème.

À première vue, ces services semblent deviner ce que vous voulez. En réalité, ils ne lisent pas vos pensées. Ils utilisent des données pour repérer des régularités, estimer des probabilités et adapter ce qui vous est présenté.

Trois mécanismes jouent ici un rôle central :

• la prédiction, qui estime ce qui pourrait se produire ;
• la recommandation, qui classe les options les plus pertinentes ;
• la personnalisation, qui adapte l’expérience à une personne ou à une situation.

Ces mécanismes peuvent rendre un service plus utile. Mais ils peuvent aussi enfermer l’utilisateur dans des choix répétitifs, amplifier de mauvaises données ou donner une impression de certitude là où il n’existe qu’une estimation.

« Comment transformer des données ordinaires en décisions utiles sans perdre la confiance de l’utilisateur ? »

1 Quand une donnée devient-elle utile ?

Une donnée est une information enregistrée : un clic, une recherche, une note, une date, une durée, une commande, une localisation approximative ou une réponse à un questionnaire.

Mais une donnée isolée n’explique pas automatiquement une situation. Savoir qu’une personne a quitté une page après vingt secondes ne permet pas de conclure qu’elle n’aimait pas le contenu. Elle a peut-être trouvé immédiatement l’information recherchée, reçu un appel ou rencontré un problème de connexion.

Une donnée devient réellement utile lorsqu’elle est :

• pertinente pour la question posée ;
• correctement enregistrée ;
• assez récente pour l’usage prévu ;
• comparée avec d’autres informations ;
• interprétée dans son contexte.

La quantité ne remplace donc pas la qualité. Une petite quantité de données bien choisies peut être plus utile qu’une immense base contenant des informations anciennes, incomplètes ou sans rapport avec l’objectif.

2 La prédiction : estimer, pas connaître l’avenir

Une prédiction est une estimation fondée sur des données passées et sur les caractéristiques d’une situation actuelle.

Un système peut, par exemple, estimer :

• la probabilité qu’une commande arrive en retard ;
• la demande probable pour un produit ;
• le risque qu’un client abandonne un abonnement ;
• la possibilité qu’une transaction soit inhabituelle ;
• la notion qu’un étudiant risque de ne pas maîtriser.

Une prédiction ne dit pas : « Cela arrivera avec certitude. » Elle dit plutôt : « Selon les informations disponibles, ce résultat paraît plus probable que les autres. »

Une probabilité élevée n’est pas une preuve, et une probabilité faible n’est pas une impossibilité.

Cette distinction est essentielle. Un service sérieux doit utiliser la prédiction comme un signal d’aide à la décision, non comme une vérité absolue.

3 La recommandation : choisir quoi montrer en premier

Un système de recommandation ne se contente pas d’estimer un événement. Il compare plusieurs options et les classe selon leur pertinence probable.

Dans une plateforme de musique, il peut classer des chansons. Dans une boutique, il peut classer des produits. Dans une académie, il peut classer des leçons ou des exercices.

Recommandation par similarité de contenu

Le système cherche des éléments ressemblant à ceux que l’utilisateur a déjà appréciés. Si une personne consulte souvent des formations courtes sur la création de contenu, la plateforme peut proposer d’autres leçons proches par leur sujet, leur niveau ou leur format.

Recommandation fondée sur des comportements similaires

Le système observe que plusieurs utilisateurs ayant choisi un contenu ont également apprécié un autre contenu. Il peut alors proposer ce second choix à une personne dont le comportement ressemble au leur.

Recommandation contextuelle

La proposition dépend de la situation présente : appareil utilisé, heure, étape du parcours, langue ou objectif immédiat.

Dans la pratique, les plateformes combinent souvent plusieurs méthodes. L’objectif n’est pas de trouver une option « parfaite », mais de réduire le nombre de choix et de présenter en premier ceux qui semblent les plus utiles.

4 La personnalisation : adapter l’expérience

La personnalisation va plus loin que la recommandation. Elle peut modifier plusieurs éléments du service en fonction de la personne ou de la situation.

Elle peut adapter :

• l’ordre des contenus ;
• la difficulté d’un exercice ;
• la langue ou la longueur d’une explication ;
• le moment d’un rappel ;
• les messages affichés ;
• la présentation d’une interface.

Une personnalisation utile doit permettre à l’utilisateur de mieux comprendre, choisir ou agir. Modifier un écran uniquement pour augmenter le temps passé n’est pas nécessairement un progrès pour la personne.

5 Comment les données deviennent-elles une action ?

Le fonctionnement technique peut être complexe, mais le parcours général est simple à comprendre.

La dernière étape est souvent négligée. Une recommandation n’est pas utile simplement parce qu’elle a été cliquée. Il faut vérifier si elle a réellement aidé la personne à atteindre son objectif.

6 Exemple : une plateforme de formation

Imaginons qu’une plateforme souhaite aider un étudiant à réussir un module.

Elle peut observer :

• les leçons terminées ;
• les réponses incorrectes ;
• le temps consacré à chaque partie ;
• les notions consultées plusieurs fois ;
• le niveau déclaré par l’étudiant.

À partir de ces informations, le système pourrait :

Mais une plateforme responsable ne devrait pas conclure qu’un étudiant est « faible » à partir d’une seule erreur. Elle doit tenir compte du contexte, permettre la correction et éviter de transformer une estimation temporaire en étiquette permanente.

7 Les pièges de la boucle de recommandation

Lorsqu’un système recommande un contenu, l’utilisateur est plus susceptible de le voir. S’il clique dessus, ce clic peut ensuite être interprété comme une preuve qu’il l’apprécie. Le système lui propose alors davantage de contenus similaires.

Cette boucle peut améliorer la pertinence, mais elle peut aussi réduire progressivement la diversité.

Le démarrage à froid

Lorsqu’un nouvel utilisateur arrive, la plateforme connaît encore peu de choses sur lui. Les premières recommandations reposent alors sur des choix généraux, quelques questions initiales ou les contenus populaires.

La bulle de préférences

Si le système montre uniquement ce qui ressemble aux choix précédents, l’utilisateur peut ne plus découvrir de nouveautés. Une bonne recommandation doit parfois introduire une option différente, expliquer pourquoi elle est proposée et laisser la personne modifier ses préférences.

Le mauvais signal

Un clic n’exprime pas toujours une préférence. Une personne peut ouvrir un contenu par curiosité, erreur ou nécessité. Interpréter chaque action comme une intention certaine peut déformer le profil construit par le système.

Une recommandation influence le comportement qu’elle prétend seulement observer.

8 Qualité, biais et protection des données

Un système fondé sur les données peut reproduire les défauts présents dans les informations utilisées.

Les erreurs peuvent venir de plusieurs sources :

• certaines personnes sont moins représentées que d’autres ;
• les données anciennes ne correspondent plus à la situation actuelle ;
• la mesure choisie ne représente pas correctement l’objectif ;
• des erreurs d’enregistrement créent de faux signaux ;
• le système optimise un résultat technique au lieu d’un bénéfice réel.

Par exemple, recommander uniquement les produits les plus souvent achetés favorise mécaniquement ceux qui étaient déjà visibles. Les nouveaux produits peuvent rester invisibles, même s’ils répondent mieux à certains besoins.

La protection des données ne doit pas être ajoutée après la construction du service. Elle doit influencer dès le départ les informations collectées, leur durée de conservation, les personnes autorisées à y accéder et les décisions qui peuvent en découler.

9 Comment mesurer une personnalisation utile ?

Une plateforme peut facilement mesurer le nombre de clics. Mais davantage de clics ne signifie pas toujours une meilleure expérience.

Selon le service, il peut être plus pertinent de mesurer :

• le temps réellement économisé ;
• la compréhension d’une notion ;
• la réduction des erreurs ;
• la satisfaction après l’utilisation ;
• la diversité des options découvertes ;
• la possibilité de garder le contrôle sur les recommandations.

Une bonne personnalisation n’est pas celle qui rend l’utilisateur dépendant du système. C’est celle qui l’aide à atteindre plus facilement un objectif qu’il comprend et qu’il a choisi.

« Cette adaptation sert-elle réellement l’utilisateur, ou sert-elle uniquement la performance de la plateforme ? »

Dans la prochaine leçon

Les données peuvent aider à anticiper un besoin et à personnaliser un service. Mais un système peut aussi produire une information convaincante et pourtant fausse, ou générer une image difficile à distinguer de la réalité.

Dans la prochaine leçon, nous découvrirons :

IA Fiable : Hallucinations, Deepfakes et Vérification

Et nous répondrons à cette question : Comment profiter de la puissance de l’intelligence artificielle sans confondre une réponse crédible avec une information vérifiée ?

✦ ✦ ✦