Quel rôle joue l’IA de DeepMind dans le Google Play Store ?

D’après Google, l’intelligence artificielle de DeppMind a considérablement amélioré les systèmes de découverte des nouvelles applications sur le Google Play Store. Avec son IA, DeepMind permet plus de personnalisation pour les utilisateurs d’Android. C’est dans un billet de blog que la filiale d’Alphabet nous explique pourquoi.

DeepMind indispensable aux filiales du groupe Alphabet

Ce n’est pas la première fois que DeepMind aide une autre filiale d’Alphabet. En juillet nous apprenions déjà que l’entreprise travaillait aux côtés de Waymo pour améliorer les algorithmes de conduite autonome. Vous l’aurez compris, aujourd’hui l’intelligence artificielle est présente partout. Dans les moteurs de recherche, mais aussi dans les « stores » d’Apple et de Google.

Sur Google Play Store, DeepMind (l’entité spécialisée dans l’intelligence artificielle chez Alphabet) a donné un coup de pouce à Google pour améliorer les recommandations que reçoivent les utilisateurs Android. L’entreprise prétend que les suggestions d’applications sont bien plus personnalisées aujourd’hui qu’elles ne l’étaient auparavant. À ce propos, DeepMind estime que :

« L’un des principaux enseignements de notre collaboration avec les équipes de Google est que lorsque nous mettons en œuvre des techniques avancées d’intelligence artificielle pour une utilisation dans le monde réel, nous devons composer avec de nombreuses contraintes pratiques. Nos équipes ont dû collaborer avec celles de Google Play Store. Ensemble, elles ont travaillé en étroite collaboration en échangeant quotidiennement. Grâce à cette méthode de travail efficace, nous avons pu prendre en compte les exigences et les contraintes du Google Play Store tout au long des phases de conception, de mise en œuvre et de test final de l’algorithme. Voilà ce qui nous a permis d’obtenir un produit plus performant ».

Une IA de plus en plus précise sur Google Play Store

Sur Google Play Store, les recommandations sont classées par 3 modèles. Tout d’abord, un générateur de « candidat » est capable d’analyser plus d’un million d’applications pour savoir lesquelles seront les plus appropriées en fonction du comportement antérieur de l’utilisateur.

Ensuite, un reranker (un système de reclassement) a pour mission de prédire les préférences de l’utilisateur selon des dimensions « multiples » dans le panel des applications sélectionnées par le générateur. Le modèle du reranker apprend en fonction du comportement de l’utilisateur et sera capable de s’adapter. En travaillant avec des paires d’applications, il peut attribuer une étiquette négative ou positive à chacune des applications pour savoir si elles doivent ressortir ou non.

Enfin, les prédictions servent de données d’entrée au modèle de machine learning qui aura la tâche de faire un choix final dans les applications à proposer à l’utilisateur. Ce modèle d’optimisation est capable de s’adapter. Par exemple, une personne qui s’intéressait auparavant aux applications de recherche d’un hébergement pour trouver un appartement, se fera recommander des applications de décoration d’intérieure pour rester dans une continuité logique. L’IA est capable de trouver le bon compromis entre les objectifs primaires et secondaires d’un utilisateur de manière à ne pas affecter son objectif principal. Dans ce cas précis : la recherche d’un appartement.