Nombre de personnes partagent les mêmes centres d’intérêt, ont les mêmes goûts, les mêmes envies et recherchent donc, à peu près, les mêmes choses, que ce soit un restaurant, un film ou des informations sur un théorème mathématique. Jusqu’alors, le meilleur moyen pour créer une communauté restait le bouche à oreille. Plus récemment, les moteurs de recherche sur Internet ont permis la création et le partage d’informations. Leur manque de pertinence patent a donné naissance à de nouveaux outils comme le filtrage collaboratif. Développé par le célèbre Media Lab, du MIT, ce système, baptisé ACF (Automate Collaborative Filtering) était destiné, à l’origine, à la recherche par un utilisateur de personnes partageant les mêmes centres d’intérêt, ou d’un expert sur un sujet donné. Mais, très vite, ce type d’automate s’est adapté au e-commerce et a été utilisé pour dresser des profils de clients. À titre d’exemple, le site d’Amazon fut l’un des premiers à implémenter un outil de filtrage.
Mise à jour automatique des profils
Le principe du filtrage collaboratif est des plus simples. On suppose que M. Durand et M. Dupont s’intéressent au même sujet : les relations sino-françaises, par exemple. Ils sont tous deux membres de la même communauté et se connectent sur un serveur identique. Ce dernier, doté d’un outil de filtrage collaboratif, enregistre et identifie chacune de leurs actions en ligne (achat, visite de sites, abonnement à des listes de diffusion) et stocke les données issues de chaque connexion. La plupart du temps, cet outil utilise des cookies. Le profil est mis à jour automatiquement en analysant les actions des connectés. Résultat : si M. Dupont achète un livre sur les élections taïwanaises, alors ce livre sera recommandé à M. Durand. Si demain, M. Dupont ne s’intéresse plus aux relations sino-françaises, mais au développement d’Internet en Chine, le serveur de filtrage détectera automatiquement ce changement. Sur ce point, le filtrage collaboratif se distingue des autres méthodes de personnalisation, qui exigent souvent une intervention manuelle des internautes en cas de changement de centre d’intérêt. Pour réaliser ce type d’opération, les automates de filtrage fonctionnent selon des formules statistiques alliant calcul de distances et probabilités. Une autre technique consiste aussi à recueillir dans une base de données les cotations effectuées par les clients. Ainsi, les produits vendus se verront affecter un certain nombre d’étoiles, au prorata de leur qualité, déterminée par les utilisateurs.
Un outil encore limité
Des experts américains de la personnalisation signalent que le filtrage collaboratif reste cantonné à la suggestion de CD, films ou sites web. Les supports trop généralistes, comme, par exemple, une encyclopédie, se prêtent mal à ce type de technique. Mais la principale difficulté du filtrage collaboratif réside dans l’obtention du premier profil. Sans ce premier pas, impossible de l’employer. Il faut avoir un profil existant pour en recommander d’autres similaires. Et plus il y aura de profils enregistrés, plus le système sera performant. La communauté devra donc atteindre une masse critique avant qu’un serveur de filtrage collaboratif soit installé. Autre limite, dans le cadre du commerce électronique, le filtrage collaboratif ne peut logiquement proposer des documents que personne n’a encore cotés. D’autre part, à l’heure actuelle, la précision des profils reste toute relative. En effet, l’internaute doit choisir des canaux thématiques souvent très généralistes. Mais plus la communauté sera spécialisée, plus les profils seront précis. En France, cette technique peine à décoller. France Télécom a mis sur pied un canal dédié aux enseignants, tandis que l’Inria travaille sur un projet baptisé Pharos (lire l’encadré ci-dessus).
🔴 Pour ne manquer aucune actualité de 01net, suivez-nous sur Google Actualités et WhatsApp.
