Les coulisses du système LLM de Target pour le matching sémantique dans les pipelines de prévision marketing
Target, le géant américain de la grande distribution, a développé un système d'intelligence artificielle générative destiné à améliorer la prévision de ses campagnes marketing. Baptisé système de correspondance sémantique, il fonctionne en trois étapes : génération d'embeddings pour représenter chaque campagne sous forme vectorielle, recherche par similarité dans une base de campagnes historiques, puis reclassement des résultats par un grand modèle de langage (LLM). Les évaluations internes montrent un taux de couverture de 75 % pour le premier résultat retourné (top-1) et de 100 % pour les trois premiers (top-3), ce qui signifie que la campagne la plus pertinente figure systématiquement parmi les trois premières suggestions.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de InfoQ AI. Lire l'article original →
Ce système remplace des workflows fondés sur des règles métier codées manuellement, souvent rigides et coûteux à maintenir. En automatisant la recherche de précédents pertinents, Target réduit le temps d'analyse de ses équipes marketing et améliore la cohérence des prévisions d'une campagne à l'autre. Un mécanisme de boucle de rétroaction permet d'affiner continuellement la qualité de la récupération en intégrant les résultats réels des campagnes passées, rendant le système plus précis à mesure qu'il accumule des données.
Cette initiative s'inscrit dans une tendance de fond : les grands distributeurs intègrent désormais des architectures RAG (retrieval-augmented generation) dans leurs pipelines opérationnels, au-delà des usages conversationnels. Pour Target, dont les dépenses marketing représentent des centaines de millions de dollars annuels, gagner en précision prédictive peut avoir un impact financier significatif. L'approche illustre comment les LLMs passent du rôle de générateurs de texte à celui de moteurs de décision métier intégrés dans des systèmes de production industriels.