"Etsy utilise des grands modèles de langage (LLM) pour créer des profils d'acheteurs détaillés et anonymes, basés sur l'historique de navigation et d'achat. Ces profils capturent des intérêts nuancés et des missions d'achat, améliorant ainsi la personnalisation pour près de 90 millions d'acheteurs sur la plateforme. L'implémentation technique consiste à récupérer les données d'activité de l'utilisateur, puis à solliciter un LLM pour interpréter ces données en vue de la génération du profil. Pour rendre ce processus évolutif et rentable, Etsy a optimisé les sources de données, réduit le volume de tokens d'entrée, augmenté les tailles de lots et utilisé le traitement parallèle. Ces optimisations ont considérablement réduit le temps et les coûts de génération des profils d'acheteurs. Les profils d'acheteurs générés sont ensuite appliqués pour personnaliser l'expérience de recherche grâce à la réécriture de requêtes et aux filtres de raffinement. La réécriture de requêtes enrichit les recherches des utilisateurs avec des intérêts prédits, tandis que les filtres de raffinement offrent des filtres cliquables basés sur les préférences de l'utilisateur. Etsy mesure le succès de cette personnalisation à travers des métriques telles que l'augmentation du taux de clics et du taux de conversion. Ils maintiennent également la précision des profils en les actualisant dynamiquement en fonction de l'activité de l'utilisateur et en détectant les dérives d'intérêts. Les travaux futurs incluent la résolution du problème du "démarrage à froid" pour les nouveaux utilisateurs en expérimentant avec des profils d'héritage. En fin de compte, Etsy vise à améliorer la découverte et à créer des expériences de recherche plus intuitives pour chaque acheteur."