Cas d'utilisation de l'IA générative : générer des recommandations de produits personnalisées

Last reviewed 2026-11-11 UTC

Ce document décrit une architecture de haut niveau permettant d'utiliser l'IA pour générer des recommandations de produits personnalisées pour une application de vente au détail dans Google Cloud.

Ce document s'adresse aux architectes, aux développeurs et aux administrateurs qui créent et gèrent des applications d'IA générative dans le cloud pour le secteur du commerce. Ce document suppose que vous disposez de connaissances de base sur l'IA générative.

Architecture

Le schéma suivant illustre une architecture qui utilise un modèle d'IA pour générer des recommandations de produits personnalisées en fonction des insights issus des métriques de parcours de navigation.

Architecture d'utilisation de l'IA pour générer des recommandations de produits personnalisées. Architecture d'utilisation de l'IA pour générer des recommandations de produits personnalisées.

L'architecture présente les flux suivants :

  • Ingérer et traiter les données utilisateur :
    1. Les données de parcours de navigation, telles que les pages vues, les clics et les achats, sont importées dans un pipeline Dataflow.
    2. Dataflow traite les données et en déduit des insights tels que les profils et les préférences des utilisateurs. Dataflow stocke ensuite les données, les insights et les embeddings vectoriels dans BigQuery.
  • Générer et diffuser des recommandations de produits :
    1. Un client visite la vitrine de l'entreprise, qui est un service Cloud Run dans cette architecture.
    2. Le service de vitrine envoie les données du visiteur à un service de recommandation qui s'exécute sur Cloud Run.
    3. Le service de recommandation effectue une recherche de similarité vectorielle dans BigQuery et récupère des données sur le profil et les préférences du visiteur.
    4. Le service de recommandation envoie le profil et les préférences du visiteur à Gemini Enterprise Agent Platform, avec un prompt pour générer des recommandations de produits. Sur Agent Platform, un modèle Gemini génère des recommandations de produits adaptées au visiteur.
    5. Le service de recommandation envoie les recommandations de produits au service de vitrine, qui les affiche ensuite.

Pour optimiser les coûts et les performances, ajoutez un cache entre le service de vitrine et le service de recommandation. Le service de recommandation vérifie si le cache contient des données sur les visiteurs. Si le cache ne contient pas de données pertinentes, le service effectue une recherche de similarité vectorielle dans BigQuery. Pour configurer le cache, vous pouvez utiliser Memorystore ou configurer un équilibreur de charge avec Cloud CDN.

Produits utilisés

Cet exemple d'architecture utilise les produits Google Cloud suivants :

  • Cloud Run : plate-forme de calcul gérée qui vous permet d'exécuter des conteneurs directement sur l'infrastructure évolutive de Google.
  • Gemini Enterprise Agent Platform : plate-forme complète qui vous permet de créer, de faire évoluer, de gérer et d'optimiser des agents IA de niveau entreprise.
  • BigQuery : entrepôt de données d'entreprise qui vous aide à gérer et analyser vos données grâce à des fonctionnalités intégrées telles que le machine learning, l'analyse géospatiale et l'informatique décisionnelle.
  • Dataflow : service qui fournit un traitement unifié des données par flux et par lot à grande échelle.

Considérations de conception

Cette section décrit les facteurs de conception, les bonnes pratiques et les recommandations conformément au Google Cloud Well-Architected Framework. Tenez compte de ces informations lorsque vous utilisez cette architecture de référence pour développer une topologie répondant à vos exigences spécifiques en termes de sécurité, de fiabilité, d'optimisation des coûts, d'efficacité opérationnelle et de performances.

Sécurité, confidentialité et conformité

Pour protéger les données client et répondre à vos exigences de sécurité, de confidentialité et de conformité dans Google Cloud, tenez compte des recommandations suivantes :

  • Pour filtrer les prompts et les réponses de recommandation afin de détecter les injections de prompts, les tentatives de jailbreak et les contenus nuisibles, utilisez Model Armor.
  • Pour inspecter et anonymiser les informations permettant d'identifier personnellement l'utilisateur dans les données de parcours de navigation, les profils utilisateur et les requêtes, utilisez Sensitive Data Protection.

Fiabilité

Pour mettre en mémoire tampon le trafic de flux de clics en rafale et dissocier les producteurs d'événements de la vitrine de votre pipeline Dataflow, ingérez les événements utilisateur via Pub/Sub. La mise en mémoire tampon des événements dans Pub/Sub permet d'éviter la perte de données lors des pics de trafic ou des mises à jour de pipeline.

Optimisation des coûts

Pour réduire les coûts des jetons d'entrée lorsque les requêtes partagent des instructions système ou un contexte de catalogue de produits répétés, utilisez la mise en cache de contexte sur Agent Platform.

Efficacité opérationnelle

Pour réduire les frais généraux d'exploitation lorsque vous créez et gérez votre pipeline de recommandations dans Google Cloud, tenez compte des options suivantes :

  • Si vous préférez un service de recommandations géré pour le commerce plutôt qu'un pipeline personnalisé, envisagez d'utiliser AI Commerce Search dans Gemini Enterprise for Customer Experience. AI Commerce Search entraîne et diffuse des modèles de recommandations personnalisées directement à partir de votre catalogue de produits et des événements de parcours de navigation.
  • Pour générer et actualiser automatiquement des embeddings dans BigQuery lorsque les données sources changent, utilisez la génération d'embeddings autonome.

Optimisation des performances

Pour répondre aux exigences de diffusion à faible latence pour les visiteurs de la vitrine dansGoogle Cloud, tenez compte des recommandations suivantes :

Déploiement

Pour tester des applications d'IA générative dans Google Cloud pour les charges de travail de commerce, utilisez les exemples de code suivants :

Étapes suivantes

Contributeurs

Auteur : Kumar Dhanagopal | Cross-product solution developer

Autres contributeurs :