Traduit de l’original anglais. Les chiffres et les sources sont inchangés. Lire l’original en anglais
Delivery Hero
Delivery Hero génère les photos de menu manquantes avec Stable Diffusion auto-hébergé
Delivery Hero a affiné et hébergé lui-même un modèle d’image à poids ouverts, Stable Diffusion, pour créer des images de plats qui n’en avaient pas. Selon la personne qui dirige l’IA chez Delivery Hero, un test A/B a montré une hausse de 6 % à 8 % de la conversion du menu vers le panier quand un produit avait une image, pour moins de 0,3 centime par image.
Chiffres clés
Repris tels quels des sources. Copiez n’importe quel chiffre avec sa citation.
6 %
à 8 %
Hausse du taux de conversion du menu vers le panier lorsqu’une image est ajoutée à un produit, lors d’un test A/B1
85 %
Réduction du temps de calcul d’une image après optimisation (la référence en secondes n’est pas précisée pour ce chiffre)1
moins de 0,3 centime
Coût par image générée avec l’installation auto-hébergée (l’équipe cite 2 centimes par image avec le service d’OpenAI utilisé auparavant)1
Ce que cela a demandé
Le problème
Beaucoup de plats des plateformes de livraison de repas n’ont pas de photo. L’analyse des données de Delivery Hero a révélé de nombreux produits sans image, et l’intervenant indique que seuls 14 % des produits étaient achetés sans image. Prendre ou acheter des photos de chaque plat de chaque restaurant est long et coûteux, et cela varie selon les pays.
Ce qu’ils ont construit
Delivery Hero a construit un système qui génère une image d’un plat à partir de sa description. Une première version utilisait un service d’images hébergé d’OpenAI. L’entreprise est ensuite passée à un modèle Stable Diffusion auto-hébergé, un modèle d’image à poids ouverts (open-weight), c’est-à-dire dont les fichiers sont publiés afin qu’une entreprise puisse les exécuter et les adapter. L’une des meilleures configurations de ses tests était une variante communautaire appelée Juggernaut V9 avec un IP adapter. Les restaurateurs voient les images suggérées et choisissent la plus pertinente.
Comment ils s’y sont pris
L’équipe a affiné entièrement le modèle, ce qui a pris plusieurs jours sur un processeur graphique A100, car il devait couvrir des milliers de plats locaux. Cela a amélioré les plats locaux, mais rendu certains autres, comme la pizza, moins appétissants. Pour le service, elle a retenu des processeurs graphiques L4 pour le meilleur coût par image et accéléré l’inférence grâce à une optimisation à la compilation. La production tourne sur AWS dans Kubernetes, avec une montée de 0 à 36 nœuds grâce à KEDA.
Des contrôles automatiques rejettent les images contenant des personnes ou des créatures, du texte, un cadrage médiocre ou du flou. Les tests hors ligne ont porté sur 1 000 produits répartis entre entités et catégories.
Résultats
L’intervenant indique une hausse de 6 % à 8 % de la conversion du menu vers le panier quand un produit avait une image, d’après un test A/B. Le temps par image est tombé à 11,2 secondes, ce que l’intervenant présente comme une baisse de 85 %. Le coût est passé sous 0,3 centime par image, contre 2 centimes par image pour le service d’OpenAI utilisé auparavant. Plus de 100 000 produits ont désormais des images générées.
Tous les chiffres publiés
| Indicateur | Chiffre | Citation |
|---|---|---|
| Hausse du taux de conversion du menu vers le panier lorsqu’une image est ajoutée à un produit, lors d’un test A/B | 6 % à 8 %1 | |
| Temps de génération par image après optimisation | 11,2 secondes1 | |
| Réduction du temps de calcul d’une image après optimisation (la référence en secondes n’est pas précisée pour ce chiffre) | 85 %1 | |
| Coût par image générée avec l’installation auto-hébergée (l’équipe cite 2 centimes par image avec le service d’OpenAI utilisé auparavant) | moins de 0,3 centime1 | |
| Produits dotés d’images générées sur les plateformes de Delivery Hero | Plus de 100 0001 |
Enseignements pour votre projet
Testez l’intérêt économique avant de construire à grande échelle. Delivery Hero a d’abord analysé ses données de menus pour décider où l’IA générative compterait le plus, puis mesuré le gain apporté par les images avec un test A/B.
Commencez par un service hébergé pour un prototype rapide, puis passez à l’auto-hébergement quand le volume rend le coût unitaire déterminant.
Mettez en place tôt des contrôles qualité automatiques. Delivery Hero repère le texte, les personnes, le flou et les cadrages médiocres, et laisse les restaurants choisir parmi les images proposées.
Gardez l’infrastructure dans un seul cloud autant que possible. L’intervenant a qualifié d’erreur le fait d’avoir réparti les services sur deux clouds, ce qui a retardé la livraison.
Réserves
- Tous les chiffres proviennent d’une conférence donnée par la personne qui dirige le développement des solutions d’IA de Delivery Hero, qui s’exprime au nom de l’entreprise. Ils ne sont pas confirmés de façon indépendante.
- L’intervenant donne des nombres d’images générées incohérents (plus de 100 000, puis environ un million) ; seul le nombre de produits dotés d’images générées est donc retenu.
- La réduction de 85 % est énoncée sans la référence en secondes. La seule référence de la conférence, environ trois minutes par image pour Stable Diffusion par défaut sur un GPU T4, correspond à une autre configuration.
- La conférence ne donne ni date de mise en production, ni taille d’équipe, ni calendrier global. La date de déploiement affichée est la date d’enregistrement imprimée sur la page d’InfoQ (la date d’annonce) ; la mise en production réelle est antérieure et inconnue. La conférence évoque l’introduction en bourse de Talabat comme ayant eu lieu l’année précédente.
- Le résultat du test A/B est donné sous forme de fourchette, sans taille d’échantillon ni durée. Delivery Hero précise que les images sont signalées comme données à titre indicatif seulement.
- Le modèle est un modèle d’image, pas un modèle de texte. Juggernaut V9 est une variante communautaire de Stable Diffusion ; l’attribution à Stability AI est donc approximative.
Sources
- AI for Food Image Generation in Production: How & Why
InfoQ (QCon London 2025, talk by Iaroslav Amerkhanov of Delivery Hero) · 2025-08-27 · Intervention en conférence · infoq.com
Résumé dans nos propres mots à partir des sources ci-dessus. Une erreur ? Consultez les corrections.