E-Commerce AI Sandbox
Bac à sable e-commerce combinant Vertex AI Search et un pipeline Gemini qui enrichit et alimente l'index de recherche produit.
- État
- prototype
- Année
- 2025
- Stack
- GCP Vertex AI, Vertex AI Search, Gemini
Pourquoi ce projet
La recherche par mots-clés d’un catalogue e-commerce classique échoue dès que la requête est formulée en langage naturel ou contient une faute. Ce bac à sable teste jusqu’où Vertex AI Search, combiné à un pipeline Gemini pour enrichir les fiches produit en amont, peut rapprocher la recherche interne d’un moteur qui comprend l’intention plutôt que le seul texte.
Cas d’usage
- Recherche en langage naturel sur un catalogue produit
- Enrichissement des fiches produit par Gemini avant indexation (attributs manquants, reformulations, synonymes métier)
- Suggestions de produits similaires par proximité sémantique plutôt que par tags manuels
Comment ça marche
Un pipeline Gemini traite chaque fiche produit pour l’enrichir (attributs, synonymes, reformulations) avant qu’elle n’alimente l’index Vertex AI Search (VAIS). La recherche utilisateur passe ensuite directement par VAIS, qui bénéficie de ce travail d’enrichissement en amont plutôt que de tout faire reposer sur le moteur de recherche seul.
Ce que j’en retire
La qualité d’une recherche sémantique tient autant à la préparation des données en amont (l’enrichissement Gemini) qu’au moteur de recherche lui-même : un index mal alimenté donne de mauvais résultats, même avec un moteur performant comme VAIS.