Le 22 octobre, NVIDIA a détaillé des projets européens d’IA dans le commerce de détail impliquant les coûts de service des modèles, la découverte de produits et la planification des entrepôts. Le benchmark interne de Shopify a montré une réduction de 90 % des coûts de service pour un modèle personnalisé, tandis que le groupe Otto a étendu son initiative d’entrepôt basée sur la simulation à son plus grand centre de distribution en Allemagne.

Points clés

  • Shopify a rapporté une précision plus élevée, 90 % de coûts de service inférieurs et des réponses sept fois plus rapides pour un modèle post-entraîné sur son benchmark interne.
  • Les applications commerciales vont d’un prototype de recherche Zooplus à l’édition d’images déployée et à l’essai virtuel basé sur la physique.
  • Otto Group a étendu ses capacités de simulation d’entrepôt, tandis que trois plans de vente de détail NVIDIA restent en accès anticipé.

Table des matières

L’IA du commerce de détail européen met en œuvre des modèles personnalisés

Les résultats de Shopify reposent sur un sous-agent GraphQL au sein de Sidekick, son assistant IA pour les commerçants. La société a post-entraîné NVIDIA Nemotron 3.5 Lightning en utilisant des outils tels que Megatron Bridge et NeMo RL. Le sous-agent récupère des données de stockage pour des fonctionnalités telles que Sidekick Pulse, qui étudie l’activité d’un commerçant et recommande des améliorations.

Sur le benchmark interne de Shopify, le modèle personnalisé a dépassé un modèle frontière de premier plan non nommé en termes de précision, a réduit les coûts de service de 90 % et a répondu sept fois plus rapidement, a indiqué NVIDIA. Ces résultats s’appliquent au benchmark plutôt qu’à établir la performance dans toutes les tâches des commerçants.

Par un autre côté, le logiciel d’optimisation d’inférence vLLM de NVIDIA CCluster a permis à Shopify d’obtenir des performances 4,5 fois plus rapides et jusqu’à 12 fois plus bas en coûts d’inférence sur cinq autres usages : enrichissement du catalogue, assistance aux commerçants, simulation d’achat, classification des produits et recommandations.

La recherche et les images produit montrent différents stades de déploiement

Zooplus a collaboré avec Infosys et NVIDIA technologies pour reconstruire la découverte de produits. Un prototype prêt à la production, déployé dans l’environnement Amazon Web Services du détaillant pour animaux, a atteint une précision de recherche de 86 %. Il utilise la bibliothèque Nemotron Retriever pour la recherche sémantique et le plan d’enrichissement du catalogue retail de NVIDIA pour générer des attributs produits consultables.

Chez Vestiaire Collective, l’API d’édition d’images de Photoroom standardise désormais chaque image primaire de listage, en traitant environ 40 000 par jour dans 70 pays. NVIDIA a rapporté que les annonces traitées avaient un taux de liquidité supérieur de 5 % et de 3 % à 7 % de vues de pages uniques en plus. Le pipeline fonctionne sur des GPU NVIDIA utilisant TensorRT et Triton Inference Server.

Omi a lancé ProductDrop pour lier les images générées aux jumeaux numériques approuvés et éviter les erreurs de produit entre catalogues. L’Oréal utilise cette approche dans son programme CreAItech. La génération d’assets 3D TRELLIS d’Omi fonctionne sur des GPU RTX PRO 6000 Blackwell Server Edition, avec une inférence dix fois plus rapide rapportée et une réduction de la latence du pipeline par quatre.

Le traitement par catalogue et la recherche sur les ingrédients élargissent l’adoption

Le Transformer de catalogue de Mirakl a intégré plus de 70 millions de produits, combinant des modèles ouverts affinés avec des services propriétaires pour organiser les données des fournisseurs. Mirakl fait tourner des modèles sur des GPU NVIDIA sur sa propre infrastructure et via des fournisseurs cloud européens tels que Scaleway.

L’Oréal intègre également NVIDIA ALCHEMI dans la recherche sur les ingrédients, avec un passage rapporté de plusieurs mois d’expérimentation à des heures de criblage computationnel. Elle teste une approche connexe via CurieOS d’Orbital Industries en utilisant le modèle de simulation moléculaire open source OrbMol-v2.

Intégré à la boîte à outils ALCHEMI, OrbMol-v2 fonctionnerait cinq fois plus vite que les modèles comparables, avec une erreur inférieure de 21 % par rapport au modèle suivant de son genre. Le flux de travail identifie des combinaisons prometteuses d’ingrédients pour solubiliser les filtres UV avant les tests en laboratoire.

La simulation atteint les entrepôts et l’ajustement virtuel

Otto Group a fait progresser son initiative d’entrepôt autonome supervisé par un humain vers son plus grand centre de distribution à Haldensleben, en Allemagne. Construit avec Reply utilisant les bibliothèques NVIDIA Omniverse et fonctionnant sur Google Cloud, le système permet aux équipes logistiques de concevoir, tester et optimiser les opérations en simulation avant la mise en œuvre physique.

ALLSIDES a lancé une usine automatisée de jumeaux numériques 3D qui transforme des objets physiques en actifs prêts à la simulation en quelques minutes. L’entreprise rapporte une précision géométrique submillimétrique, des propriétés physiques mesurées et des matériaux réallumables. Sa plateforme dessert déjà des marques telles que adidas, Amazon, Nike, Zalando et Zara.

En essayage virtuel, CATCHES a rapporté que son déploiement de RealFit avec AMIRI a augmenté la conversion de 55 %, l’activité d’ajout au panier de 80 % et les ventes brutes de 56 %, après ajustement saisonnier par rapport aux modèles comparables. CATCHES a également lancé PredictiveFit pour les détaillants et CASI, un agent de mode WhatsApp dédié au shopping, au stylisme et aux tailles.

Trois plans de vente au détail restent en accès anticipé

Chez GTC Berlin, Nebius présente trois plans commerciaux NVIDIA fonctionnant sur son infrastructure. Tous sont disponibles en accès anticipé, plutôt qu’en produits généralement disponibles.

Agent Harness for Employee Productivity combine planification, gestion des tâches, alertes d’inventaire et insights opérationnels. Inventory Simulation and Optimization modélise les stratégies de demande et de réapprovisionnement avant les engagements réels. Agentic Finetuning Flywheel relie la génération de données de formation, l’ajustement fin des modèles open source et les retours de performance réels.

Lire plus de nouvelles

Plus FinanceVelix nouvelles

Avertissement

Cet article FinanceVelix fournit des informations générales, pas des conseils financiers, d’investissement, juridiques ou fiscaux personnalisés. Les prix du marché, les taux d’intérêt et les conditions économiques peuvent évoluer ; les investissements comportent un risque de perte. Les faits reflètent le contenu disponible lors de la publication et peuvent changer. Vérifiez les informations importantes de manière indépendante et consultez un professionnel qualifié lorsque nécessaire. Mentionner un actif, une entreprise ou un service n’est pas une recommandation.