Transformer la découverte de produits grâce à la recherche visuelle chez leboncoin
Recherche au niveau de la milliseconde
Respect de l’exigence stricte de latence de 200 ms.
80 millions d’annonces, récupération fluide
Mise à l’échelle de la recherche vectorielle sur un immense ensemble de données.
De zéro à MVP en six mois
Déploiement rapide d'une recherche visuelle prête pour la production.
Zilliz Cloud gave us the speed and scale we needed to power visual search at Leboncoin, meeting our sub-200ms latency target and making product discovery seamless for millions of users.
Yann Lemonnier
À propos de Leboncoin
Leboncoin est l’un des sites web les plus visités de France et une plateforme de re-commerce de premier plan, permettant à des millions d’utilisateurs d’acheter et de vendre des biens d’occasion, de trouver un logement ou d’accéder à des opportunités d’emploi. Avec plus de 28 millions de visiteurs uniques mensuels, c’est le site de ventes entre particuliers n°1 en France et la deuxième plateforme e-commerce la plus populaire. De plus, Leboncoin est leader dans les secteurs de l’automobile et de l’immobilier et constitue un acteur clé dans les locations de vacances et les offres d’emploi. Plus de 500 000 professionnels et 15 % des entreprises françaises utilisent la plateforme pour vendre, faire de la publicité ou recruter, ce qui en fait un carrefour essentiel pour les particuliers comme pour les entreprises.
En proposant une vaste sélection d’articles uniques, d’occasion ou reconditionnés à des prix abordables, Leboncoin permet aux utilisateurs de faire des choix durables qui profitent à la fois à leur budget et à la planète. En tant que membre d’Adevinta, la plateforme figure parmi les principales plateformes de re-commerce, favorisant l’économie circulaire, réduisant les déchets et soutenant la durabilité tout en apportant une valeur économique aux utilisateurs comme aux entreprises.
Le défi : moderniser les recommandations de produits grâce à la recherche visuelle
Yann Lemonnier, ML Engineer chez Adevinta (anciennement ML Enabler, aidant les équipes à adopter les technologies d’IA), a rejoint Leboncoin en 2024 pour créer une fonctionnalité de recherche visuelle qui serait finalement déployée sur toutes les places de marché de l’écosystème leboncoin.
Leboncoin permet aux utilisateurs d’acheter et de vendre des produits d’occasion, les vendeurs ajoutant manuellement les détails des produits, notamment les descriptions, les prix et les photos. Ce processus génère une immense base de données, avec environ 80 millions d’annonces actives que l’équipe d’ingénierie doit gérer.
Pour attirer un nouveau public et moderniser la plateforme, Leboncoin a décidé d’introduire la recherche visuelle dans le cadre de son système de recommandation de produits. L’objectif était d’améliorer l’expérience utilisateur en rendant la découverte de produits plus intuitive et plus engageante.
Création du système de recherche visuelle
L’équipe a commencé par étudier des modèles visuels capables d’identifier des images similaires au sein de leur place de marché. Une fois le modèle sélectionné, elle a compris qu’elle avait besoin d’une base de données vectorielle haute performance pour stocker et récupérer les embeddings générés pour les recherches de similarité. Ses recherches l’ont rapidement orientée vers Milvus comme principale base de données vectorielle, mais en raison de contraintes de ressources, elle a opté pour Zilliz Cloud, une solution Milvus managée.
Le nouveau système de recherche visuelle a introduit deux fonctionnalités clés :
- Trouver des articles similaires– Les utilisateurs peuvent cliquer sur un bouton pour découvrir des produits similaires.
- Recherche d’image inversée – Les utilisateurs peuvent importer une photo et rechercher des articles correspondants à l’aide de l’icône d’appareil photo dans la barre de recherche.
Le projet avait commencé six mois avant l’arrivée de Yann, l’équipe travaillant avec un délai serré pour livrer un MVP dans ce même laps de temps. Elle a dû se familiariser rapidement avec les modèles visuels, les embeddings et la mise en correspondance par similarité. Après avoir évalué ses besoins en infrastructure, l’équipe a déterminé qu’une base de données vectorielle était essentielle pour stocker et interroger efficacement les embeddings afin de prendre en charge la recherche de similarité.
Pourquoi Leboncoin a choisi Zilliz Cloud
L’équipe a choisi Zilliz Cloud parce que la solution répondait à son exigence stricte de latence inférieure à 200 ms, même en utilisant la région basée aux États-Unis. Au-delà de la compatibilité avec Milvus, Zilliz Cloud offrait plusieurs autres avantages clés :
- Supervision et scalabilité – Des outils intégrés simplifiaient l’observabilité et la montée en charge.
- Compatibilité Milvus et transparence open source – L’équipe pouvait examiner la base de code pour en vérifier la transparence et la fiabilité.
- Facilité de déploiement – La création d’un cluster était rapide et simple grâce à l’interface utilisateur intuitive de Zilliz Cloud.
Au départ, l’équipe a rencontré des difficultés avec l’ingestion de données via Spark, mais la fonctionnalité Bulk Insert de Zilliz Cloud a rationalisé le processus et rendu l’ingestion de données beaucoup plus efficace. En plus des images de produits, l’équipe intègre également des données modifiées (interactions utilisateur) dans le processus d’ingestion à l’aide d’un logiciel personnalisé qui convertit les événements en opérations upsert Milvus.
Résultats
En mettant en œuvre une recherche visuelle propulsée par Zilliz Cloud, Leboncoin a réussi à moderniser son système de recommandation de produits, offrant une expérience fluide et intuitive aux utilisateurs. Les principaux résultats incluent :
- Engagement utilisateur amélioré : L’introduction de la recherche visuelle a considérablement amélioré l’interaction des utilisateurs en leur permettant de trouver facilement des produits similaires. Les fonctionnalités de recherche d’image inversée et « Find Similar Items » ont entraîné une augmentation de la découverte de produits et une meilleure rétention des utilisateurs.
- Performance rapide et évolutive : Avec plus de 80 millions d’annonces sur la marketplace, le système dépasse l’exigence exigeante de latence de 200 ms, atteignant une latence encore plus faible. L’évolutivité de Zilliz Cloud a permis à la plateforme de gérer de grands volumes de données sans compromettre la vitesse, même pendant les périodes de pic de trafic.
- Recherche vectorielle efficace : L’utilisation de Milvus intégré à Zilliz Cloud a permis à l’équipe de gérer efficacement les embeddings vectoriels. Le déploiement simple et la fonctionnalité Bulk Insert de Zilliz Cloud ont rendu l’ingestion de données rapide et fluide, permettant le développement rapide du MVP.
- Solution pérenne : L’évolutivité de Zilliz Cloud permet à Leboncoin de continuer à innover. L’équipe prévoit d’intégrer des fonctionnalités d’IA avancées comme les grands modèles de langage (LLM) pour les descriptions de produits automatisées et d’explorer les recherches d’articles basées sur l’audio.
Plans futurs : Explorer la recherche conversationnelle
Leboncoin prévoit d’améliorer encore sa plateforme avec des fonctionnalités d’IA de pointe :
- Descriptions générées par LLM– Automatiser les descriptions de produits afin d’améliorer la qualité des annonces.
- Recherche conversationnelle– Permettre aux utilisateurs de rechercher des articles via des requêtes textuelles, propulsées par de grands modèles de langage (LLM), des interfaces de chat et la génération augmentée par récupération (RAG) pour des résultats plus précis et dynamiques.
En continuant à tirer parti de l’IA et d’une infrastructure évolutive, Leboncoin affine l’expérience d’achat pour des millions d’utilisateurs, tout en restant compétitif dans le domaine du re-commerce.
Suivez les actualités, articles, conférences et meetups de Leboncoin organisés dans leurs bureaux → https://mylnker.com/leboncoin-tech
- À propos de Leboncoin
- Le défi : moderniser les recommandations de produits grâce à la recherche visuelle
- Création du système de recherche visuelle
- Pourquoi Leboncoin a choisi Zilliz Cloud
- Résultats
- Plans futurs : Explorer la recherche conversationnelle
Contenu
Secteur d'activité
Commerce électronique
Technologie utilisée