# Chausseur artisanal : un petit modèle IA recommande une pointure > Un fabricant de chaussures artisanales entraîne un petit modèle de recommandation de pointure à partir de ses propres retours clients, sans faire appel à un LLM générique. - Auteur : WordPress Développement - Publié le : 2024-02-17 - Mis à jour le : 2024-02-17 - Catégorie : IA & MCP - URL : https://www.wpmoderne.fr/ia-mcp/chausseur-artisanal-modele-recommande-pointure/ ## L’essentiel - Un LLM généraliste ne connaît pas les particularités de coupe de l'atelier - Le modèle a été entraîné sur les retours clients accumulés - Le taux de retour pour mauvaise pointure a nettement baissé Un modèle de langage généraliste, aussi performant soit-il en conversation, sait-il qu'une paire de derbies d'un atelier de cordonnerie artisanale taille systématiquement un demi-point en dessous de la pointure habituelle du client sur un certain type de cuir ? Non, et c'est exactement pourquoi un fabricant de chaussures artisanales a choisi, début 2024, de ne pas se tourner vers un LLM générique pour aider ses clients à choisir leur pointure sur sa boutique WordPress, mais d'entraîner un petit modèle de recommandation à partir de ses propres données. Ce choix, à contre-courant de la tendance à utiliser un modèle de langage générique pour toute tâche liée à du texte ou à de la recommandation, s'explique par la nature très spécifique du problème à résoudre. ## Le problème que ne résout pas un LLM générique La recommandation de pointure sur une chaussure artisanale dépend de facteurs propres à chaque modèle et à chaque matière : un cuir souple qui se détend avec le temps, une forme de bout plus ou moins large, une hauteur de cambrure spécifique à l'atelier. Aucune de ces informations n'existe dans les données d'entraînement d'un modèle de langage généraliste, qui ne connaît ni les habitudes de coupe de cet atelier précis ni son historique de retours clients. Un LLM générique, interrogé sur ce sujet, produirait une réponse plausible mais générique, du type « prenez votre pointure habituelle », sans aucune valeur ajoutée par rapport à l'absence totale de conseil. ## La solution retenue : un modèle entraîné sur mesure L'atelier a constitué, sur plusieurs années de vente en ligne, une base de données de retours clients associant la pointure habituelle déclarée à l'achat, le modèle de chaussure commandé, et le retour effectif du client sur la taille (trop petite, trop grande, correcte). Cette base, modeste en volume mais précise, a servi à entraîner un modèle léger de classification, bien plus simple qu'un grand modèle de langage, dédié à une seule tâche : prédire, pour un modèle et une pointure habituelle donnés, la taille effectivement recommandée. > L'essentiel à retenir : Un LLM généraliste ne connaît pas les particularités de coupe de l'atelier ; Le modèle a été entraîné sur les retours clients accumulés ; Le taux de retour pour mauvaise pointure a nettement baissé ## Ce que le modèle a permis de corriger - Une paire de mocassins en cuir souple, systématiquement recommandée une demi-taille en dessous de la pointure habituelle déclarée, un ajustement que l'équipe artisanale connaissait de manière empirique mais n'avait jamais formalisé sur la boutique en ligne. - Une paire de bottines à semelle rigide, pour laquelle le modèle recommande au contraire de conserver la pointure habituelle, contrairement à une intuition initiale de l'équipe qui pensait devoir également ajuster à la baisse. - Une amélioration progressive du modèle à chaque nouveau retour client intégré, sans nécessiter de réentraînement complet à chaque fois. ### Les résultats mesurés après six mois Le taux de retours pour mauvaise pointure, qui atteignait environ dix-huit pour cent des commandes avant la mise en place du modèle, est descendu à un niveau nettement plus bas sur les modèles de chaussures couverts par la recommandation, l'atelier continuant d'affiner la base de données à chaque nouveau retour client reçu. > Le constat que l'artisan tire de cette expérience : un problème de recommandation très spécifique se résout souvent mieux par un petit modèle entraîné sur ses propres données que par un grand modèle générique, aussi impressionnant soit-il par ailleurs. ## Notre verdict Ce cas rappelle qu'un modèle de langage généraliste n'est pas la réponse universelle à tout problème impliquant de la prédiction ou de la recommandation. Pour une tâche étroite, disposant de données propres suffisamment riches, un modèle plus modeste, entraîné spécifiquement, peut surpasser largement un LLM générique sur la précision du résultat, tout en coûtant beaucoup moins cher à exploiter au quotidien. Le développeur qui a accompagné l'atelier dans ce projet souligne un point technique important : l'hébergement de ce petit modèle ne nécessite aucune infrastructure lourde, contrairement à ce qu'imagine souvent un artisan peu familier des sujets d'intelligence artificielle. Le modèle tourne sur un serveur mutualisé classique, la prédiction elle-même consommant des ressources bien moindres que l'entraînement, effectué ponctuellement en local sur un ordinateur de bureau à chaque mise à jour de la base de retours clients. Cette simplicité d'exploitation constitue, selon lui, un argument aussi important que la précision du résultat lui-même pour convaincre une petite structure artisanale de se lancer : pas d'abonnement mensuel à un fournisseur d'API externe, pas de dépendance à la disponibilité d'un service tiers, seulement un petit programme entraîné une fois par trimestre sur les données accumulées depuis la dernière mise à jour. L'atelier envisage désormais d'appliquer le même principe à une autre question récurrente de sa clientèle, la largeur de chausse, qui pose des difficultés de recommandation tout aussi spécifiques que la pointure elle-même.