Vie privée et suggestions sensibles
- Leçon 29
- 40 min
- Module 9 : L'exploiter en production
Où nous en sommes
Dans les deux dernières leçons, nous avons mis en service le système de recommandation et l'avons gardé à jour. Mais chaque liste repose sur les actions des clients, qui sont des données personnelles. Dans cette leçon, nous gardons seulement les données nécessaires et respectons les refus des suggestions personnelles. Nous appliquons les demandes de suppression jusqu'au modèle. Nous excluons aussi les produits sensibles des suggestions et des courriels familiaux partagés.
Leçon 29 sur 29 · Recommandation et personnalisation : montrer à chacun ce qui compteVie privée et suggestions sensibles
1. Le problème de la recommandation
2. Les données, la rétroaction implicite et un découpage honnête
3. Mesurer les recommandations hors ligne
4. Les voisins et le filtrage collaboratif
5. La factorisation matricielle pour la rétroaction implicite
6. Le contenu, les hybrides et le démarrage à froid
7. Deux étapes : les candidats et le classement
8. Des scores hors ligne au vrai magasin
9. L'exploiter en production
Ce que vous saurez faire
Utilisez les données personnelles dans un système de recommandation comme le ferait un magasin prudent. Gardez seulement ce dont les listes ont besoin. Respectez les clients qui refusent les suggestions personnelles. Faites en sorte qu’une demande de suppression atteigne le modèle, pas seulement les données. Et excluez les produits sensibles des endroits où la mauvaise personne pourrait les voir.
Carnet JupyterFaites cette leçon dans un carnet Jupyter
Le carnet (notebook) Jupyter répertorie les données personnelles du journal du magasin et trouve une colonne qu’aucune méthode n’utilise. Il entraîne un petit modèle article-article, retire un client, l’entraîne de nouveau et compte les produits dont les voisins changent. Ensuite, il exclut les produits sensibles d’un courriel destiné à une boîte de réception familiale partagée. Ses cellules de préparation téléchargent environ 8 Mo. Environ 15 minutes.
Le carnet est en anglais. Colab et Kaggle ouvrent votre propre copie. Il faut un compte Google ou Kaggle gratuit. Vous êtes bloqué ? Consultez le carnet de solution.
Avant de commencerCe qu’il faut savoir et avoir sous la main
Ce que vous devez savoir
- Le service, le traitement en lot et la solution de repli, dans En lot ou en temps réel.
- Les règles d’affaires, y compris les produits sensibles et soumis à une restriction d’âge, dans Règles d’affaires et reclassement.
- Les voisins article-article, dans Filtrage collaboratif article-article.
Ce qu’il vous faut sur votre ordinateur (seulement pour les étapes du projet)
- Votre projet
larkfield-recsaprès la dernière leçon, avec son environnement virtuel actif. - Les fichiers d’exercice dans
../nextia-learning-labs, à côté du dossier du projet. Vous copiez une commande et un fichier de tests depuis son instantanéend-of-m09.
Testé sur macOS avec Python 3.12. Les commandes Windows (PowerShell) n’ont pas été exécutées.
Une pharmacienne qui en sait beaucoup
Section intitulée « Une pharmacienne qui en sait beaucoup »Pensez à une bonne pharmacienne dans une petite ville. Elle se souvient de vos ordonnances. Quand vous arrivez, elle dit : « Votre commande habituelle est prête », et suggère la bonne crème pour l’hiver. C’est utile.
Elle est aussi prudente. Elle ne crie jamais dans un magasin plein : « Vos protections pour l’incontinence sont prêtes! » Quand votre fils adolescent vient chercher quelque chose pour la famille, elle ne mentionne pas votre test de grossesse. Si vous déménagez et lui demandez de vous oublier, elle déchiquette votre fiche. Elle cesse aussi de dire aux autres clients « Les gens comme vous achètent souvent… » en se basant sur vos achats.
Un système de recommandation en sait autant que cette pharmacienne, sur beaucoup plus de personnes. Il doit être tout aussi prudent.
Le problème : trois façons dont un bon système de recommandation nuit aux gens
Section intitulée « Le problème : trois façons dont un bon système de recommandation nuit aux gens »Voici trois échecs réels observés dans les données et le projet de Larkfield. Le journal du magasin est synthétique, mais chaque échec est mesuré.
Des produits sensibles partout. Larkfield vend des produits de santé dans trois groupes sensibles : aides à la mobilité, soins de l’incontinence, grossesse et fertilité. Sans règles d’affaires, ces produits occupaient 5,7 % des cases dans les listes en deux étapes. Les clients achètent régulièrement des soins de l’incontinence, qui sont donc populaires. Ils arrivent au rang 4 de la liste des produits populaires depuis le début. Même une liste identique pour tous les affiche donc.
Une boîte de réception familiale. 3 178 des 40 000 clients de Larkfield partagent une adresse courriel avec leur famille. Le client C100081 en fait partie. Supposons que le magasin autorise les produits de santé sur les pages personnelles du client. La liste de sa page d’accueil commence alors par un bâton d’habillage, une trottinette pour genou et une canne. Envoyée par courriel, la même liste révèle un problème de santé à toute la famille.
Une suppression qui n’atteint pas le modèle. Le client C100123 demande à Larkfield de supprimer ses données. Le magasin supprime ses 22 événements. Mais ces événements ont servi à entraîner le modèle article-article. Entraîné de nouveau sans eux, le modèle change pour 394 produits. Jusqu’au réentraînement, l’ancien modèle utilise encore les actions de C100123. Et un service encore en cours d’exécution garde la liste enregistrée de C100123 en mémoire. L’équipe du cours l’a vérifié : il a fourni sa liste personnelle après la suppression.
L’idée : quatre habitudes
Section intitulée « L’idée : quatre habitudes »Les données personnelles sont toutes les données sur une personne identifiable. Par exemple, un identifiant de client lié à ses achats. Un système de recommandation prudent adopte quatre habitudes.
- Minimisation des données : recueillir et garder seulement les données personnelles nécessaires à l’objectif.
- Refus des suggestions personnelles : un client peut dire « pas de suggestions personnelles ». Il reçoit alors la même liste que tout le monde, la solution de repli.
- Suppression qui atteint le modèle : une demande de suppression retire les données du client. Ensuite, on reconstruit chaque modèle et chaque liste enregistrée qui reposent sur ces données.
- Catégories toujours exclues : certains produits n’apparaissent jamais dans les suggestions ou les courriels. Pour d’autres, l’emplacement compte. Un produit acceptable sur la page personnelle du client peut être inapproprié dans une boîte de réception partagée.
Le service applique ces vérifications à chaque requête, dans cet ordre :
Description textuelle du diagramme
L’image montre les vérifications de protection de la vie privée du service de Larkfield. Une requête pour un client arrive à une première question : a-t-il demandé de supprimer ses données? Si oui, le service utilise la liste de repli, donc aucune donnée personnelle. Sinon, une deuxième question : a-t-il refusé les suggestions personnelles? Si oui, encore la liste de repli. Sinon, sa liste personnelle. Ensuite, une troisième question pour les deux listes : est-ce un courriel à une adresse partagée par une famille? Si oui, le service retire les produits de santé sensibles. Puis il répond.
Les règles d’affaires du module 7 s’ajoutent à ces vérifications. Par défaut, elles retirent les produits sensibles et soumis à une restriction d’âge de chaque liste, sur chaque page.
Minimisation des données chez Larkfield
Section intitulée « Minimisation des données chez Larkfield »Quelles données personnelles les méthodes de Larkfield utilisent-elles? Voici les colonnes des deux fichiers qui concernent les personnes :
| Fichier | Colonne | Utilisée par le projet? |
|---|---|---|
events.csv.gz |
customer_id, product_id, event, timestamp |
Oui : toutes les méthodes |
events.csv.gz |
session_id |
Oui : comptage des commandes pour les segments et suggestions de session |
events.csv.gz |
quantity, price |
Lues, pour les commandes et le revenu |
customers.csv |
shared_email, opted_out |
Oui : vérifications du service |
customers.csv |
region, first_seen |
Aucune méthode du projet ne les utilise |
Le journal ne contient ni noms, ni adresses courriel, ni renseignements de paiement. Le système de recommandation n’en a pas besoin, donc on ne les a jamais ajoutés. Et aucune méthode du projet n’utilise region et first_seen. (Démarrage à froid a testé une fois une liste de tendances régionales, sans amélioration.) Pour cet objectif, vous pourriez cesser de conserver ces données.
La minimisation concerne aussi le temps. La méthode de tendances utilise les 28 derniers jours; ALS et item-cf utilisent tout le journal. Le magasin et son équipe de protection de la vie privée décident de la durée de conservation des anciens événements. Cette décision ne revient pas au modèle seul. Le cours Sécurité de l’IA, vie privée et conception responsable aborde ce sujet dans Inventaire des données et Réduire et conserver de façon réfléchie.
Un petit exemple : pourquoi il faut réentraîner le modèle
Section intitulée « Un petit exemple : pourquoi il faut réentraîner le modèle »Voici un magasin construit pour l’exemple, avec trois clients et trois produits :
| Client | Truelle | Gants | Plateau de semis |
|---|---|---|---|
| A | acheté | acheté | |
| B | acheté | acheté | |
| C | acheté | acheté |
Un modèle article-article compte les clients qui ont acheté les deux produits. Truelle et gants : 2 (A et B). Truelle et plateau de semis : 1 (C). La page produit du plateau de semis affiche donc la truelle sous « les clients ont aussi acheté ».
Maintenant, C demande la suppression de ses données. Vous supprimez la ligne de C. Mais le modèle a été calculé avant et indique encore « truelle et plateau de semis : 1 ». La page du plateau de semis affiche encore la truelle, uniquement à cause de C. C’est seulement en recomptant sans C que la paire passe à 0. Le modèle conserve donc les actions de C jusqu’au réentraînement.
Description textuelle du diagramme
L’image montre comment une demande de suppression atteint le modèle et le service de Larkfield. La demande de C100123 ajoute son identifiant au fichier outputs/deleted.txt. Dès lors, le projet lit le journal sans ses 22 événements. Le modèle est réentraîné : le modèle article-article change pour 394 produits. Le lot est reconstruit, sans liste pour C100123. Le service répond alors à ses requêtes avec la solution de repli et le motif « deleted » (supprimé). Une note en pointillé indique l’étape du réentraînement : jusque-là, l’ancien modèle et les listes conservent encore ses actions.
Exercice guidé : appliquer une demande de suppression
Section intitulée « Exercice guidé : appliquer une demande de suppression »recs forget effectue chaque étape de l’image. Il retire le client des données lues par le projet, mesure les changements du modèle article-article et reconstruit le lot. Par défaut, il reconstruit avec item-cf, car cela prend deux secondes. Ajoutez --method two-stage pour reconstruire plutôt les listes en deux étapes (environ deux minutes).
-
Dans votre dossier
larkfield-recs, avec l’environnement virtuel actif, copiez la commande et les tests de ce module :Fenêtre de terminal S=../nextia-learning-labs/C37/snapshots/end-of-m09cp $S/larkfield_recs/commands/forget.py larkfield_recs/commands/cp $S/tests/test_m09.py tests/Fenêtre de terminal $S = "..\nextia-learning-labs\C37\snapshots\end-of-m09"Copy-Item "$S\larkfield_recs\commands\forget.py" larkfield_recs\commands\Copy-Item "$S\tests\test_m09.py" tests\ -
Appliquez la demande de suppression de C100123 :
Fenêtre de terminal recs forget C100123C100123: 22 events before; 0 left in the data the project reads (outputs/deleted.txt)The item-item model changes for 394 products when it is trained again without this customer: a model trained before the request still holds their data until it is retrained.Batch rebuilt (item-cf); C100123 is in the lists: False; their suggestions now come from: fallback (deleted) -
Démarrez le service, comme dans la première leçon de ce module :
recs serve --port 8037. Dans un deuxième terminal, demandez les suggestions de C100123. Sur Windows, écrivezcurl.exe:Fenêtre de terminal curl -s "http://127.0.0.1:8037/recommend/C100123?k=3"{"customer_id":"C100123","surface":"home","source":"fallback","reason":"deleted","products":[{"product_id":"P11118","title":"Lumi Green Nordic Coffee Table","price":174.99},{"product_id":"P10614","title":"Bramble Terracotta Mosaic Side Table","price":241.99},{"product_id":"P10219","title":"Navy Nitrile-Grip Garden Gloves","price":7.99}],"ms":0.119}Son historique n’influence plus ses suggestions : il reçoit la liste de tendances, comme un nouveau visiteur.
-
Demandez une liste pour courriel pour C100019, un client qui a refusé les suggestions personnelles :
Fenêtre de terminal curl -s "http://127.0.0.1:8037/recommend/C100019?k=3&surface=email"La réponse contient
"source":"fallback"(source : solution de repli) et"reason":"opted out of personal suggestions"(motif : refus des suggestions personnelles). -
Arrêtez le service avec Ctrl+C. Exécutez les tests :
Fenêtre de terminal python -m pytest -qVous voyez
33 passed, 1 warning(33 tests réussis, 1 avertissement). L’avertissement est leStarletteDeprecationWarning, sans danger. Les nouveaux tests vérifient la solution de repli sans modèle et avec un fichier de lot défectueux. Ils vérifient aussi la boîte de réception partagée et qu’une suppression atteint les listes.
recs forget écrit les identifiants supprimés dans outputs/deleted.txt. Dans un vrai magasin, une suppression n’est jamais annulée. Dans ce cours, recs reset supprime le dossier outputs, et C100123 revient pour les autres leçons.
Produits sensibles et boîte de réception partagée
Section intitulée « Produits sensibles et boîte de réception partagée »Par défaut, les règles de Larkfield retirent les produits sensibles de chaque liste. Hana propose un changement : afficher les produits de santé sur les pages personnelles du client. Un client qui achète des soins de l’incontinence chaque mois pourrait vouloir un rappel. Rafael, responsable des courriels, accepte seulement si une boîte de réception familiale partagée n’en reçoit jamais.
Vous pouvez essayer le changement de Hana sans modifier rules.toml. Le projet lit un autre fichier de règles quand vous définissez LARKFIELD_RULES avec son chemin.
-
Dans le dossier du projet, créez un fichier
rules-site.tomlavec ce texte. C’est le fichierrules.tomldu cours avec un seul changement :remove_sensitive = false.[rules]remove_out_of_stock = trueremove_age_restricted = trueremove_already_bought = trueremove_sensitive = false # Hana: health products may show on the customer's own pagesmin_margin = 0.0max_per_subcategory = 3 -
Démarrez le service avec ce fichier de règles :
Fenêtre de terminal LARKFIELD_RULES=rules-site.toml recs serve --port 8037Fenêtre de terminal $env:LARKFIELD_RULES = "rules-site.toml"recs serve --port 8037 -
Dans un deuxième terminal, demandez la liste de la page d’accueil et la liste pour courriel de C100081 :
Fenêtre de terminal curl -s "http://127.0.0.1:8037/recommend/C100081?k=3"curl -s "http://127.0.0.1:8037/recommend/C100081?k=3&surface=email"{"customer_id":"C100081","surface":"home","source":"model","reason":null,"products":[{"product_id":"P12612","title":"Natural Wood Dressing Stick","price":32.99},{"product_id":"P11414","title":"Grey Knee Scooter","price":55.99},{"product_id":"P10437","title":"Oak Wooden Walking Cane","price":67.99}],"ms":5.181}{"customer_id":"C100081","surface":"email","source":"model","reason":null,"products":[{"product_id":"P12024","title":"Charcoal Coastal Stemmed Dessert Glass","price":17.99},{"product_id":"P12540","title":"Mono Black Martini Glass","price":30.99},{"product_id":"P12010","title":"Sage Green Ribbed Rocks Glass","price":26.99}],"ms":0.142} -
Arrêtez le service avec Ctrl+C. Sur Windows, exécutez aussi
Remove-Item Env:LARKFIELD_RULES, pour que le prochain service utilise de nouveau les règles du cours.
Les deux réponses viennent du modèle. La page d’accueil affiche trois aides à la mobilité. Le courriel exclut chaque produit sensible et commence par des lunettes, les produits suivants dans la liste de C100081.
L’équipe du cours a mesuré l’effet global avec les règles de Hana et les listes item-cf. 2 899 des 40 000 clients avaient au moins un produit sensible parmi leurs 10 premiers produits sur la page d’accueil. Parmi les 3 178 clients ayant une boîte de réception partagée, 225 en avaient. Dans leurs courriels : 0.
Le changement de Hana est donc possible, mais il déplace le risque vers chaque emplacement où une liste s’affiche. Une liste sur une tablette partagée par la famille pose le même problème que le courriel. Larkfield garde remove_sensitive = true dans ses règles pour le moment.
Catégories toujours exclues
Section intitulée « Catégories toujours exclues »Certains produits ne devraient jamais être suggérés, quelle que soit la page. Les règles de Larkfield retirent toujours deux groupes :
- Produits soumis à une restriction d’âge (58 vins et spiritueux) : le magasin ne connaît pas l’âge du client. Sans cette règle, l’alcool occupait 0,8 % des cases des listes en deux étapes.
- Produits de santé sensibles (49 produits) : aides à la mobilité (18), soins de l’incontinence (18), grossesse et fertilité (13). Sans cette règle, 5,7 % des cases.
Les règles retirent ces produits des listes. Mais les modèles apprennent encore à partir de ces achats. Par exemple, les commandes de soins de l’incontinence d’un client influencent encore ses autres suggestions. Une conception plus stricte retire aussi ces événements des données d’entraînement. Cela réduit un peu l’exactitude pour ces clients; le cours n’a pas mesuré de combien.
Une étape avec un LLM exige la même prudence. Dans Sessions, séquences et LLM, en bref, le filtre de contenu du fournisseur a refusé 3 requêtes enregistrées. Cela représente 2 requêtes sur 100 pour le reclassement et 1 sur 30 en forme libre. Les 3 concernaient des produits de santé. Cette étape a donc aussi besoin d’une solution de repli. Et envoyer l’historique d’un client à un modèle externe constitue en soi une décision concernant les données personnelles.
À votre tour : une deuxième demande de suppression
Section intitulée « À votre tour : une deuxième demande de suppression »Le client C100032 demande aussi la suppression de ses données. Il partage une adresse courriel avec sa famille.
- Prédisez : combien de ses événements seront retirés? Le modèle article-article changera-t-il pour plus ou moins de produits que pour C100123?
- Exécutez
recs forget C100032. - Démarrez le service et vérifiez que C100123 et C100032 reçoivent tous deux la solution de repli avec le motif
deleted(supprimé).
Afficher la réponse
L’exécution de l’équipe du cours, après la demande de C100123 :
C100032: 18 events before; 0 left in the data the project reads (outputs/deleted.txt)The item-item model changes for 324 products when it is trained again without this customer: a model trained before the request still holds their data until it is retrained.Batch rebuilt (item-cf); C100032 is in the lists: False; their suggestions now come from: fallback (deleted)18 événements changent 324 produits. Un client ayant moins d’événements touche habituellement moins de produits, donc moins de listes de voisins changent. outputs/deleted.txt contient maintenant les deux identifiants, et les deux clients reçoivent la solution de repli. Les courriels de C100032 étaient déjà sans produits sensibles. Maintenant, ils ne sont plus du tout personnels.
Quand appliquer chaque habitude et à quel coût
Section intitulée « Quand appliquer chaque habitude et à quel coût »- Minimisez avant de construire. Une colonne qui n’entre jamais dans le journal ne peut pas fuiter et n’exige aucune suppression plus tard.
- Le refus des suggestions personnelles coûte une vérification par requête. Le client reçoit la solution de repli : dans ce cours, la liste de tendances, qui est une bonne liste.
- Les demandes de suppression coûtent un réentraînement. Pour Larkfield, cela prend 2 secondes pour item-cf et environ 2 minutes pour le lot en deux étapes. Le magasin peut donc traiter les demandes du jour avec le lot nocturne. N’oubliez pas les autres copies. Les anciens fichiers de lots conservés pour un retour en arrière contiennent aussi les données du client. C’est aussi le cas des sauvegardes et des journaux de réponses.
- Les catégories sensibles coûtent un peu d’exactitude : toutes les règles d’affaires réunies coûtent 0,019 de rappel à 10 (recall@10) au système en deux étapes. Ce prix permet de gagner la confiance des clients.
Erreurs fréquentes
Section intitulée « Erreurs fréquentes »Erreur courante
Le client supprimé reçoit encore sa liste personnelle
Symptôme : après recs forget C100123, le service en cours d’exécution répond encore (la ligne est abrégée ici) :
{"customer_id":"C100123","surface":"home","source":"model","reason":null,"products":[{"product_id":"P10065","title":"Silver Lamb's Ear Perennial","price":20.99},...Cause : le service a lu les listes et deleted.txt au démarrage. Il les garde en mémoire. Cette réponse vient d’un service démarré avant la suppression.
Solution : redémarrez le service après chaque reconstruction du lot. La réponse contient alors "source":"fallback","reason":"deleted" (source : solution de repli, motif : supprimé). Un vrai service recharge ses fichiers après chaque tâche nocturne.
Erreur courante
Aucun client C999999.
Symptôme : recs forget C999999 affiche No customer C999999. (aucun client C999999) et ne change rien.
Cause : l’identifiant n’est pas dans le journal du magasin. Souvent, c’est une faute de frappe dans la demande.
Solution : vérifiez l’identifiant avec la personne qui a envoyé la demande. Ne marquez pas une demande comme terminée avant que recs forget affiche 0 left (0 restant).
Vérification des connaissances
Section intitulée « Vérification des connaissances »Vérifiez votre compréhension
Larkfield supprime les 22 événements de C100123 des données. Pourquoi la suppression n'est-elle pas encore terminée?
Afficher la réponse
Les modèles et les listes enregistrées ont été créés à partir de ces événements avant la suppression. Le modèle article-article réentraîné sans ces événements diffère pour 394 produits. L’ancien modèle utilise donc encore les actions de C100123. Sa liste enregistrée reste aussi dans les fichiers de traitement en lot et dans la mémoire du service en cours d’exécution. La suppression n’est terminée qu’après quatre autres étapes. Réentraînez le modèle, reconstruisez les listes en lot, redémarrez le service et gérez les anciennes copies, comme les fichiers de retour en arrière.
Votre réponse contient-elle les points principaux de la nôtre ?
Connectez-vous et inscrivez-vous au cours pour enregistrer vos réponses. Chaque vérification compte pour le certificat.
Vérifiez votre compréhension
Hana veut des produits de santé sur les pages personnelles des clients. Pourquoi Rafael demande-t-il une règle distincte pour les courriels? Qu'a montré l'exécution de l'équipe du cours?
Afficher la réponse
D’autres personnes peuvent lire un courriel envoyé à une adresse partagée par une famille. Un produit de santé dans ce courriel leur révèle donc une information privée. Avec les règles de Hana, 225 des 3 178 clients partageant une boîte de réception avaient un produit sensible parmi leurs 10 suggestions d’accueil. Leurs listes de courriel n’en avaient aucun grâce à la vérification des boîtes de réception partagées du service. La page d’accueil de C100081 commençait par des aides à la mobilité; le courriel commençait par des lunettes.
Votre réponse contient-elle les points principaux de la nôtre ?
Connectez-vous et inscrivez-vous au cours pour enregistrer vos réponses. Chaque vérification compte pour le certificat.
Vérifiez votre compréhension
Dans votre projet, exécutez recs forget C100123, démarrez le service et demandez /recommend/C100123. Qu'est-ce qui montre que son historique n'influence plus ses suggestions?
Afficher la réponse
recs forget affiche 0 left in the data the project reads (aucun événement restant dans les données lues par le projet) et C100123 is in the lists: False (C100123 n’est pas dans les listes). Le service répond avec "source":"fallback" (source : solution de repli) et "reason":"deleted" (raison : supprimé). Les produits viennent de la liste des tendances (P11118, P10614, P10219…), comme pour un client que le magasin n’a jamais vu. Le test test_forget_reaches_the_model vérifie la même chose sur le petit magasin fictif.
Votre réponse contient-elle les points principaux de la nôtre ?
Connectez-vous et inscrivez-vous au cours pour enregistrer vos réponses. Chaque vérification compte pour le certificat.
Récapitulatif
- Minimisation des données : le journal de Larkfield ne contient ni noms, ni courriels, ni paiements. Aucune méthode n’utilise
regionoufirst_seen. - Refus des suggestions personnelles : un client qui refuse les suggestions personnelles reçoit la solution de repli, avec la raison dans la réponse.
- Suppression qui atteint le modèle : supprimer les 22 événements de C100123 modifie le modèle article-article pour 394 produits.
recs forgetsupprime les données, réentraîne le modèle et reconstruit les listes en lot; redémarrez ensuite le service. - Catégories sensibles : les règles retirent partout les produits sensibles et ceux soumis à une restriction d’âge (sans elles, 0,8 % et 5,7 % des cases). Une boîte de réception familiale partagée ne reçoit jamais de produits sensibles, même si le site en affiche.
- Cette leçon porte sur l’ingénierie, pas sur les conseils juridiques : demandez à votre équipe de protection de la vie privée quelles règles s’appliquent.
Dans ce cours, vous avez construit le système de recommandation de Larkfield à partir d’une liste de popularité. Vous en avez fait un système accessible par un service, surveillé et prudent. Mais Larkfield est notre propre magasin synthétique. Vous appliquerez ensuite les mêmes étapes aux données de commandes réelles d’un détaillant en ligne. Vous utiliserez un découpage temporel, des segments de clients et le tableau comparatif.
Leçon suivante : Recommander des produits pour un détaillant en ligne