DeepSeek et d’autres modèles à poids ouverts, tels que Llama de Meta, Qwen d’Alibaba et les versions ouvertes de Mistral, sont de grands modèles de langage dont les poids entraînés sont publiés afin que quiconque puisse les télécharger et les exécuter. Pour les marques de commerce électronique, cela signifie que les tâches d’IA telles que les descriptions de produits, l’étiquetage de catalogues et les brouillons de support peuvent être exécutées sur l’infrastructure choisie par la marque, souvent à un coût par tâche inférieur.
DeepSeek a attiré une large attention début 2025 lorsque son modèle de raisonnement R1 a obtenu des performances proches de celles des principaux modèles fermés sur plusieurs benchmarks publics, tout en étant publié avec des poids ouverts. Cela a montré que les modèles performants n’étaient plus limités à quelques grands laboratoires américains.
Que signifie réellement « poids ouverts » ?
« Poids ouverts » n’est pas la même chose que « open source » au sens strict. Les poids sont publics, mais les données d’entraînement et le code d’entraînement complet ne le sont généralement pas, et les licences varient. Certaines autorisent une large utilisation commerciale, d’autres comportent des conditions, telles que des limites d’utilisation pour les très grandes entreprises ou des politiques d’utilisation acceptable.
- Poids : téléchargeables, afin que vous puissiez exécuter le modèle sur vos propres serveurs ou chez un fournisseur cloud.
- Licence : lisez-la avant toute utilisation commerciale ; les conditions diffèrent entre les versions Llama, Qwen, Mistral et DeepSeek.
- Hébergement : auto-hébergé sur GPU, ou via des fournisseurs qui servent des modèles ouverts via API.
- Personnalisation : vous pouvez affiner le modèle avec vos propres données, ce que les API fermées restreignent ou facturent.
Quelles tâches de commerce électronique conviennent aux modèles à poids ouverts ?
Les meilleures options sont les tâches à haut volume et bien définies où vous pouvez vérifier la qualité de la sortie. Une boutique avec 20 000 produits n’a pas besoin du modèle le plus performant au monde pour écrire des balises d’attributs cohérentes. Elle en a besoin d’un fiable et bon marché.
Travail de catalogue
- Extraction d’attributs tels que le matériau, la couleur et la taille à partir des descriptions des fournisseurs.
- Rédaction de premiers brouillons de descriptions de produits dans un modèle fixe pour examen par les éditeurs.
- Normalisation des noms de catégories entre les fournisseurs en une seule taxonomie.
- Traduction des titres et descriptions, avec révision humaine pour les marchés clés.
Travail client et opérationnel
- Rédaction de réponses aux e-mails de support courants, tels que le statut de la commande ou les étapes de retour.
- Classification des avis par sujet et sentiment pour l’équipe de merchandising.
- Résumé des raisons de retour pour repérer les problèmes de produit ou de taille.
- Génération de synonymes de recherche pour que la recherche sur site trouve « baskets » lorsque les utilisateurs tapent « sneakers ».
Par exemple, une boutique de mode de taille moyenne pourrait exécuter un petit modèle ouvert sur chaque nouveau flux de fournisseur chaque nuit, étiquetant le tissu et la coupe, puis marquer les articles incertains pour une personne. Le modèle fait gagner du temps sur les 80 pour cent faciles et achemine le reste.
Pourquoi choisir des poids ouverts plutôt qu’une API fermée ?
Trois raisons reviennent le plus souvent. Le coût en volume, car un modèle que vous hébergez peut traiter des millions de tâches courtes sans tarification par jeton d’un fournisseur premium. Le contrôle, car les données n’ont pas besoin de quitter l’environnement que vous avez choisi. Et la personnalisation, car vous pouvez affiner un modèle plus petit avec vos propres données produit jusqu’à ce qu’il corresponde à votre style.
Il existe également de bonnes raisons de ne pas le faire. Les modèles de frontière fermés ont toujours tendance à mener en matière de raisonnement complexe, de longs documents et de nuances multilingues. Héberger votre propre modèle nécessite des compétences en ingénierie, une surveillance et des coûts de GPU que les petites équipes sous-estiment souvent.
Quels risques sont spécifiquement liés à DeepSeek ?
L’application et l’API hébergées de DeepSeek sont exploitées par une entreprise basée en Chine, et plusieurs gouvernements et régulateurs ont soulevé des préoccupations concernant la protection des données à leur sujet, certains restreignant leur utilisation sur les appareils officiels. L’utilisation du service hébergé signifie l’envoi de données à ce fournisseur selon ses conditions.
Exécuter les poids ouverts de DeepSeek sur votre propre infrastructure ou celle d’un fournisseur de confiance est une situation différente : les données restent là où vous les hébergez. Même ainsi, testez soigneusement les sorties. Des rapports ont noté que certains modèles reflètent des restrictions de contenu issues de leur entraînement, qui peuvent apparaître dans les réponses sur certains sujets. Pour l’étiquetage des produits, cela importe rarement ; pour le chat orienté client, cela pourrait être le cas.
- Décidez si vous utilisez l’API hébergée ou les poids auto-hébergés, et documentez pourquoi.
- Vérifiez la licence et la politique d’utilisation acceptable pour chaque version du modèle.
- Gardez les données personnelles des clients hors des invites à moins que votre base juridique ne le couvre.
- Exécutez un ensemble de test d’entrées délicates, y compris d’autres langues, avant de passer en direct.
Les choix d’hébergement méritent le même soin que les choix de modèle. Plusieurs fournisseurs cloud et entreprises spécialisées dans l’inférence servent des modèles à poids ouverts populaires via une API, ce qui supprime la gestion des GPU tout en gardant le choix du modèle entre vos mains. Vérifiez la région où chaque fournisseur traite les données, ses conditions de conservation et s’il propose la version exacte du modèle que vous avez testée, car une variante quantifiée ou mise à jour peut se comporter différemment avec les mêmes invites.
Comment comparer les modèles équitablement ?
Les classements publics mesurent les compétences générales. Votre boutique a besoin de compétences spécifiques. Construisez un ensemble de test de 100 à 200 exemples réels, tels que des descriptions de fournisseurs avec les balises correctes, et notez chaque modèle candidat dessus. Incluez le turc ou d’autres langues dans lesquelles vous vendez.
Mesurez le coût par mille tâches et la vitesse en plus de la précision. Un modèle qui est deux points moins précis mais cinq fois moins cher peut être le bon choix pour l’étiquetage, tandis que les brouillons de support pourraient justifier un modèle plus fort et plus cher.
Comment Alien Road applique les modèles à poids ouverts pour les clients du commerce électronique
Un engagement typique commence par la découverte des tâches : nous listons les tâches de catalogue et de support par volume et par difficulté, puis nous en choisissons une avec une réponse correcte claire, généralement l’extraction d’attributs ou les brouillons de description. Nous construisons l’ensemble de test à partir des propres produits du client avec son équipe de merchandising.
La configuration compare deux ou trois modèles, souvent un modèle à poids ouverts servi par un fournisseur d’hébergement et une API fermée, sur cet ensemble de test. Le modèle choisi s’exécute au sein d’un pipeline avec des contrôles de confiance et une file d’attente de révision. La mesure suit la précision sur un échantillon hebdomadaire, le temps gagné par l’éditeur et le coût par mille articles, et le rapport mensuel montre les trois avec des exemples d’erreurs détectées.
Par où commencer cette semaine
Exportez 100 produits avec des attributs complets et corrects. Supprimez les attributs, gardez les descriptions brutes et vous avez un ensemble de test qui vous en dit plus que n’importe quel benchmark.
- Choisissez une tâche de catalogue répétitive.
- Construisez un ensemble de test de 100 éléments avec des réponses correctes.
- Essayez un modèle à poids ouverts via un fournisseur d’hébergement et un modèle fermé.
- Notez la précision, le coût et la vitesse côte à côte.
- Décidez en fonction des chiffres, pas de la réputation du modèle.
Si aucun modèle n’est assez précis, la tâche peut nécessiter des règles plus claires avant qu’une IA puisse aider.
Continuer la lecture : Optimisation par IA · Optimisation par IA