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

Last reviewed 2025-12-15 UTC

Ce document décrit une architecture générale 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 de la vente au détail. Il 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 flux de clics.

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 :

  • Ingestion et traitement des données utilisateur:
    1. Les données de flux de clics, 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.
  • Génération et diffusion 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 les données de profil et de préférences du visiteur à l'API Gemini, avec une requête pour générer des recommandations de produits. 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 le visiteur. 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

Cette architecture d'exemple utilise les Google Cloud produits 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 : une plate-forme complète qui vous permet de créer, de faire évoluer, de gérer et d'optimiser des agents IA professionnels.
  • 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.

Déploiement

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

Étape suivante

  • Découvrez d'autres guides d'architecture d'IA générative.
  • Pour obtenir une présentation des principes et recommandations d'architecture spécifiques aux charges de travail d'IA et de ML dans Google Cloud, consultez la section « IA et ML » du Well-Architected Framework.
  • Pour découvrir d'autres architectures de référence, schémas et bonnes pratiques, explorez le Cloud Architecture Center.

Contributeurs

Auteur : Kumar Dhanagopal | Cross-product solution developer

Autres contributeurs :