Dans un monde où les applications mobiles dominent notre quotidien, la manière dont nous découvrons et téléchargeons ces applications peut faire toute la différence. Une récente étude menée par des chercheurs d’Apple a mis en lumière comment l’intelligence artificielle peut améliorer le classement des applications sur l’App Store. Examinons les résultats de cette recherche qui pourrait influencer la manière dont les utilisateurs interagissent avec leurs applications préférées.
L’amélioration des résultats de recherche grâce à l’IA
La recherche, intitulée « Scaling Search Relevance: Augmenting App Store Ranking with LLM-Generated Judgments », s’est intéressée à l’impact potentiel des modèles de langage en grande taille (LLM) sur les résultats de recherche de l’App Store. Les chercheurs ont cherché à déterminer si ces modèles pouvaient générer des étiquettes de pertinence nécessaires à l’entraînement du système de classement.
La pertinence est un élément crucial permettant aux utilisateurs de dénicher les applications dont ils ont besoin. Bien que plusieurs indicateurs puissent influencer le classement des recherches, l’étude s’est concentrée sur deux aspects principaux :
- Pertinence comportementale, qui observe comment les utilisateurs interagissent avec les résultats, par exemple en téléchargeant une application.
- Pertinence textuelle, qui évalue dans quelle mesure les métadonnées d’une application (comme son nom, sa description et ses mots-clés) correspondent sémantiquement aux requêtes des utilisateurs.
Les chercheurs ont constaté que si des données sur la pertinence comportementale sont abondantes, il en va autrement pour la pertinence textuelle. Il existe en effet une pénurie d’étiquettes de pertinence textuelle générées par des juges humains, ce qui pose un défi majeur. Comme ils l’affirment :
« Les étiquettes de pertinence comportementale sont abondantes, tandis que les étiquettes de pertinence textuelle sont rares et coûteuses à produire, entraînant un bottleneck (goulots d’étranglement) de la scalabilité. »
L’apport déterminant de l’intelligence artificielle
Pour surmonter ce problème, les chercheurs ont affiné un modèle LLM de 3 milliards de paramètres pour qu’il puisse apprendre à attribuer des étiquettes de pertinence en fonction des requêtes des utilisateurs et des métadonnées des applications. Ils ont ensuite généré des millions de nouvelles étiquettes de pertinence, puis réentraîné le système de classement de l’App Store avec ces nouvelles données.
Une fois ce travail effectué, ils ont réalisé une évaluation hors ligne suivie d’un test A/B à l’échelle mondiale sur le trafic de l’App Store. Les résultats sont prometteurs :
« (…) le modèle augmenté par LLM a montré une amélioration statistiquement significative de +0,24 % de notre taux de conversion, défini comme la proportion de sessions de recherche aboutissant à au moins un téléchargement d’application. »
Ce chiffre, bien que modeste en apparence, représente une avancée significative pour un système de classement déjà mature. À l’échelle mondiale, l’impact pourrait se traduire par des millions de téléchargements supplémentaires, un résultat que les développeurs accueilleraient sans doute avec enthousiasme.
En prenant en compte les estimations qui prévoient environ 38 milliards de téléchargements sur l’App Store d’ici 2025, même une légère augmentation de 0,24 % pourrait générer un flux considérable de nouvelles opportunités pour les développeurs.