Traduit de l’original anglais. Les chiffres et les sources sont inchangés. Lire l’original en anglais
Wayfair
Wayfair utilise Gemini pour repérer les dimensions de produits erronées dans tout son catalogue
Wayfair utilise un modèle d'IA multimodal pour comparer les dimensions de produits fournies par les fournisseurs avec le texte et les images du produit, et signaler les conflits afin que les fournisseurs les corrigent. Wayfair indique une précision de plus de 85 % et un rappel de plus de 70 %, bien au-dessus de ses méthodes d'apprentissage automatique antérieures.
Chiffres clés
Repris tels quels des sources. Copiez n’importe quel chiffre avec sa citation.
plus de 85 %
Précision de la détection des conflits sur les dimensions des produits1
plus de 70 %
Rappel de la détection des conflits sur les dimensions des produits1
moins de 50 % de précision et 7 % de rappel
Précision et rappel des méthodes d'apprentissage automatique antérieures1
plus de 100 mille
Produits du pilote pour lesquels les fournisseurs ont examiné les cas signalés1
Ce que cela a demandé
Le coût, la taille de l’équipe et le calendrier ne sont pas communiqués dans les sources.
Le problème
Des dimensions de produits erronées frustrent les clients et peuvent entraîner des retours. Wayfair a un catalogue de plus de 40 millions de produits provenant de plus de 20 mille fournisseurs dans le monde, avec des milliers de nouveaux articles ajoutés chaque jour. Les fournisseurs donnent leurs mesures dans des unités et selon des conventions différentes, et les fiches évoluent avec le temps, si bien que le texte, les images et les mesures peuvent se contredire.
Ce qu’ils ont construit
Wayfair a construit un modèle de validation fondé sur Gemini 2.5 Flash de Google. Il lit le texte d'un produit (noms, descriptions, puces de caractéristiques) et ses images de dimensions, puis vérifie si ceux-ci confirment ou contredisent les dimensions fournies par le fournisseur. Les conflits sont transmis au fournisseur pour examen et correction.
Comment ils s’y sont pris
Le modèle extrait les dimensions du texte et des images séparément, avec un score de confiance pour chacune. Il les réconcilie ensuite en une valeur suggérée unique et la compare à celle du fournisseur. Les cas à faible confiance et les écarts minimes sont écartés. Les prompts utilisent des instructions pas à pas, quelques exemples et les définitions du merchandising de Wayfair. Le modèle tourne via la Gemini Batch API, le meilleur équilibre entre capacité de raisonnement, coût et délai.
Résultats
Wayfair indique que le modèle a atteint de façon constante une précision de plus de 85 % et un rappel de plus de 70 % dans la détection des conflits. Ses méthodes d'apprentissage automatique antérieures atteignaient moins de 50 % de précision et 7 % de rappel. Après un pilote sur plus de 100 mille produits, où les fournisseurs ont examiné les cas signalés, Wayfair a jugé le modèle prêt pour une mise en production complète.
Ce qu’il faut retenir
Décidez à l'avance ce qui coûte le plus cher : les fausses alertes ou les erreurs manquées. Associez le responsable métier aux définitions. Testez sur un pilote où les parties concernées confirment les alertes.
Tous les chiffres publiés
| Indicateur | Chiffre | Citation |
|---|---|---|
| Précision de la détection des conflits sur les dimensions des produits | plus de 85 %1 | |
| Rappel de la détection des conflits sur les dimensions des produits | plus de 70 %1 | |
| Précision et rappel des méthodes d'apprentissage automatique antérieures | moins de 50 % de précision et 7 % de rappel1 | |
| Produits du pilote pour lesquels les fournisseurs ont examiné les cas signalés | plus de 100 mille1 | |
| Enregistrements étiquetés par des humains dans le premier jeu d'évaluation | environ 5 0001 |
Enseignements pour votre projet
Privilégiez la précision sur le rappel lorsque des humains doivent agir sur chaque alerte. Wayfair demande aux fournisseurs de corriger les données signalées, et les fausses alertes leur feraient perdre leur confiance.
Ajoutez des règles de tolérance pour les petits écarts, afin que les fournisseurs ne soient sollicités que pour des conflits significatifs.
Écrivez des définitions claires dans le prompt avec l'équipe métier. L'équipe merchandising de Wayfair définit ce qui compte comme hauteur, largeur ou profondeur pour les formes inhabituelles.
Validez par phases : un jeu de test étiqueté, une revue interne des éléments signalés, puis un pilote où les personnes concernées vérifient les résultats.
Réserves
- Tous les chiffres viennent de Wayfair, dans un seul article du blog technique de l'entreprise. Aucun tiers ne les confirme.
- La précision et le rappel sont présentés comme des seuils que le modèle a atteints de façon constante, et non comme une valeur mesurée unique, et l'article n'indique pas quelle phase a produit chacun.
- L'article ne donne aucune date de mise en service. Il dit que les résultats ont convaincu Wayfair que le modèle était prêt pour une mise en production complète et que les nouveaux produits arrivent désormais avec des dimensions exactes. La date de déploiement affichée est celle de l'article.
- Ce sont les fournisseurs, et non Wayfair, qui font les corrections. L'article ne donne ni le nombre d'erreurs corrigées, ni les retours évités, ni l'argent économisé.
- L'argument de coût (moins cher que d'embaucher des personnes pour relire les données) est avancé sans chiffre. Wayfair cite aussi le coût par usage comme une préoccupation persistante.
Sources
- How We Validate Product Dimensions at Scale with Multimodal GenAI
Wayfair Tech Blog · 2026-01-15 · Blog de l’entreprise · aboutwayfair.com
Résumé dans nos propres mots à partir des sources ci-dessus. Une erreur ? Consultez les corrections.