Comment TheFork transforme les avis de ses utilisateurs en fonctionnalités grâce à l’IA

Dans ce nouvel épisode de “C’est pas SorciAI”, notre émission IA et Produit animée par Fred Bardolle en partenariat avec Maestro, Yesmine Rouis, Data Scientist chez TheFork, révèle la conception des dernières fonctionnalités IA de la plateforme de réservation de restaurants. Plongée dans l’arrière-cuisine.

⌛ 8 min de lecture (ou XX min en replay vidéo)

🎫 Les membres Premium du Ticket ont un accès intégral à cet article

---

Ce que tu vas apprendre dans cette synthèse sur les fonctionnalités IA de TheFork :

• L'ensemble du processus de conception d'une fonctionnalité IA chez TheFork
• La pertinence de mêler machine learning et IA générative pour maîtriser les coûts
• Les techniques d'évaluation d'un modèle 

---

Le problème : trop d’avis tue l’avis

TheFork compte 55 000 restaurants sur sa plateforme dans 11 pays. Déjà, difficile de faire sa sélection en tant qu’utilisateur parmi ce vaste choix. L’un des critères ? Les avis des autres internautes. TheFork en compte 20 millions !

Là encore, cela fait beaucoup. Surtout qu’ils traitent de domaines variés (qualité de la cuisine, de l’ambiance, du service, des prix…). Et que les attentes sont différentes selon les personnes : certaines vont chercher des options végé tandis que d’autres vont plutôt être attentives au service.

Prenons l’exemple de ce restaurant portugais qui compte plus de 900 avis. Si tu veux te faire un avis dessus, tu dois scroller une (longue) liste.

La solution ? 3 fonctionnalités à l’essai

TheFork a ainsi exploré trois fonctionnalités pour aider les “diners” (les convives), les personnes qui réservent un restau dans le jargon de l’entreprise qui s’appelait LaFourchette avant son rachat en 2014 par TripAdvisor pour 150 M€, à choisir un établissement sans devoir lire une multitude d’avis.

Les objectifs : 

• Améliorer le référencement naturel de l'expérience de recherche
• Augmenter le taux de conversion (CVR) et le taux de clics (CTR)
• Proposer des fonctionnalités innovantes
• Valoriser les contenus des utilisateurs (User Generated Content), notamment les avis, les images et les menus (ce dernier est encore en cours d’intégration)

Yesmine explique alors le pipeline data pour concevoir ce type de fonctionnalités. Depuis la base de données sur l’outil Snowflake, ces avis textuels vont être ingérés et segmentés en “topics”. Un avis peut avoir plusieurs topics : la qualité des plats, l’ambiance, le service, les prix…

Le concept de data science à connaître :  Un pipeline, c’est une espèce de tuyau qui va traiter automatiquement les données qui vont arriver sans cesse dans le système, afin de pouvoir les manipuler pour pouvoir les utiliser.

La base pour pouvoir concevoir les 3 fonctionnalités envisagées :

• Fonctionnalité #1 : les sujets qui ressortent le plus des avis

Concrètement, le cadre vert dans l’écran ci-dessous :

• Fonctionnalité #2 : le résumé de l’ensemble des avis

Concrètement, le cadre rosé dans l’écran ci-dessous (que l’on retrouve dans les pages restaurant désormais en France, comme celui-ci par exemple)

• Fonctionnalité #3 : le filtrage d’avis

La fonctionnalité dont on va raconter la conception dans cet article et qui consiste, comme on le voit ci-dessous, à créer des catégories intelligentes cliquables en fonction des avis laissés (que l’on retrouve aussi en France ici par exemple)

Le déroulé global de la fonctionnalité filtrage de TheFork

Ce projet de filtre d’avis a été entamé en février 2024 par une phase de preuve de concept (PoC) sur un cycle de 2 mois (Une partie de TheFork fonctionne en Shape-Up).

Puis, un AB Test a été lancé dans 8 villes en France sur trois semaines afin d’évaluer les résultats. 

“On commence par un pays que l’on maîtrise sur un périmètre réduit. En l’occurrence, 2 500 restaurants, soit 4 à 5 % de notre base en France”, précise Yesmine.

On te donnera le résultat du test des 3 fonctionnalités à la fin de l’article (teasing)... même si tu peux t’imaginer qu’il a été concluant pour le filtrage d’avis puisque la fonctionnalité a été déployée en France, en Italie et en Espagne, les principaux marchés de TheFork.

La conception du projet chez TheFork

Maintenant qu’on a vu le projet dans son ensemble, zoomons dans sa conception concrète en soulevant le couvercle de ce qu’a mijoté TheFork.

Pour concevoir cette fonctionnalité de filtre d’avis, 6 étapes séquentielles sont nécessaires, qui combinent Machine Learning et LLM. Détaillons chacune d’entre elles.