Je suis Gregory Le Goff, ingénieur spécialisé en Data et Machine Learning et fondateur de RecoKit.
Depuis le début de ma carrière, je travaille sur une même problématique sous différentes formes : comment prendre une bonne décision algorithmique lorsque les données disponibles sont insuffisantes ?
Prévision des ventes, optimisation de la supply chain, moteurs de recommandation, nouveaux produits, longue traîne : cette question m'accompagne depuis plus de 25 ans.
C'est aussi elle qui m'a conduit à créer RecoKit.
De la Data à l'intelligence artificielle appliquée au Retail
J'ai commencé ma carrière en 2002 chez Sopra, principalement autour des architectures décisionnelles, des Data Warehouses et du traitement de volumes importants de données.
En 2010, j'ai rejoint Vekia, alors jeune entreprise lilloise spécialisée dans l'application du Machine Learning aux problématiques du Retail et de la Supply Chain.
J'y ai travaillé pendant sept ans aux côtés notamment de Manuel Davy, chercheur en intelligence artificielle et dirigeant de Vekia, et de Pierre-Arnaud Coquelin, mathématicien et entrepreneur ayant participé à la création de Vekia.
Cette période a profondément influencé ma manière d'aborder l'IA : partir d'un problème métier concret, construire le modèle mathématique capable d'y répondre, puis être capable de le faire fonctionner réellement en production.
J'y ai notamment travaillé sur les problématiques de prévision des ventes et d'optimisation de la Supply Chain, en faisant évoluer les approches utilisées au rythme des progrès du Machine Learning : modèles statistiques, SVM, Random Forest puis Deep Learning.
Des algorithmes de recommandation à grande échelle
Après une expérience dans les architectures Big Data chez Oney, j'ai rejoint en 2018 l'écosystème Leroy Merlin / ADEO.
Je me suis alors spécialisé dans les systèmes de recommandation produits à grande échelle.
Pendant plusieurs années, j'ai participé à la conception et à l'industrialisation de moteurs de recommandation utilisés dans plusieurs pays, sur des catalogues comprenant des volumes très importants de produits et d'interactions clients.
Collaborative filtering, embeddings, graphes, Computer Vision puis modèles de langage : les technologies ont évolué.
Mais une difficulté est restée.
Comment recommander un produit qui vient d'arriver ?
Un moteur de recommandation traditionnel devient performant lorsqu'il dispose de suffisamment de clics, de commandes et de comportements utilisateurs.
Mais lorsqu'un produit vient d'être ajouté au catalogue, cet historique n'existe pas encore.
C'est le cold start.
Et pour une PME e-commerce, le problème est encore plus important : ce n'est parfois pas seulement le produit qui manque d'historique, mais une grande partie du catalogue.
Pourquoi j'ai créé RecoKit
Les grands retailers peuvent compenser ce problème grâce à des milliards d'événements comportementaux.
Une boutique e-commerce de quelques centaines ou quelques milliers de produits ne le peut pas.
J'ai créé RecoKit pour appliquer aux PME une autre approche de la recommandation.
Au lieu d'attendre que les clients génèrent suffisamment de données, RecoKit commence par comprendre les produits eux-mêmes : leur fonction, leurs usages, leurs caractéristiques et les relations qui existent entre eux.
Les modèles de langage, les embeddings et les données comportementales peuvent ensuite être combinés progressivement.
Permettre à un marchand d'obtenir des recommandations pertinentes dès le premier jour, puis de les améliorer automatiquement à mesure que les données réelles de sa boutique s'accumulent.
Recherche, production et transmission
Depuis 2004, j'enseigne également à l'Université de Lille, en parallèle de mon activité professionnelle.
J'y enseigne notamment les sciences des données, l'informatique et les méthodes permettant de transformer un modèle ou une idée algorithmique en système réellement exploitable.
Cette double activité — industrie et enseignement — reflète assez bien ma manière de travailler.
Je ne considère pas l'IA comme une succession de technologies à la mode.
Ce qui m'intéresse est de comprendre un problème, trouver une représentation mathématique ou algorithmique pertinente, puis construire un système suffisamment simple et robuste pour fonctionner réellement.
RecoKit est né de cette approche.