L’Oréal x Converteo : l’intelligence artificielle au service de l’analyse et de la classification des contenus à grande échelle

Contexte

Le parcours des consommateurs de cosmétiques s’est considérablement fragmenté. Il passe désormais par les réseaux sociaux et les plateformes conversationnelles, éloignant les marques des moteurs de recherche traditionnels. Pour rester compétitif, un industriel de la beauté doit aujourd’hui maîtriser le langage des machines.

En tant que quatrième annonceur mondial, L’Oréal produit des volumes colossaux d’actifs créatifs (vidéos d’influenceurs, visuels sociaux, audios) stockés à l’échelle du pétaoctet. Cette explosion des contenus, dictée par un besoin d’hyperpersonnalisation, a créé un besoin critique de gouvernance. L’enjeu n’est plus seulement de générer du contenu, mais de le lire, de le classifier et d’en comprendre la performance pour alimenter les futures stratégies marketing.

Objectifs

Converteo a accompagné les équipes L’Oréal, en partenariat avec Google Cloud, dans la conception et l’industrialisation d’une solution d’IA générative (LLM) permettant de :

• Faire des actifs créatifs de la marque une source de données fiable, structurée et interopérable.
• Déployer une architecture cloud agnostique et automatisée, capable de traiter des millions de médias.
• Résoudre le défi de la taxonomie (projet Taxofix) pour attribuer automatiquement la bonne franchise et sous-franchise à chaque campagne publicitaire.
• Optimiser les coûts d’infrastructure (FinOps) en adaptant les prompts à la logique cognitive des modèles.

Étapes de la mission

Cadrage stratégique et architecture cloud

• Choix de l’interopérabilité :

  Construction d’une architecture ouverte (passerelle API, gestion des modèles) pour ne pas s’enfermer dans un écosystème fermé et garder la maîtrise de la feuille de route technologique.

  Résultat : un socle technologique pérenne, indépendant des fluctuations du marché de l’IA.

• Mise en place d’un pipeline managé :

  Déploiement de tâches conteneurisées (Cloud Run) déclenchées sur événement. L’ajout d’un actif dans un espace de stockage déclenche automatiquement l’analyse via l’API Gemini et alimente directement les tables BigQuery.

  Résultat : une autonomie totale pour les équipes métiers, qui consomment la donnée sans avoir à maîtriser la complexité de l’infrastructure sous-jacente.

Le projet Taxofix : automatisation de la taxonomie par le Deep Learning

• Définition du besoin métier :

  Face à la gestion de plus de 60 000 campagnes digitales, les agences médias peinaient à renseigner manuellement le bon produit parmi un référentiel de 3 000 franchises et 8 000 sous-franchises, rendant le calcul du ROI incertain.

• Analyse multimodale :

  Transmission au modèle Gemini de la vidéo (MP4), de la description du post social et du référentiel strict.

  Résultat : le modèle est capable d’identifier la marque et l’offre spécifique, tout en justifiant son cheminement logique.

Optimisation cognitive et approche FinOps

• Adaptation du prompt au raisonnement algorithmique :

  Analyse des erreurs du modèle (qui fonctionne mieux par élimination que par sélection directe) pour réécrire les instructions dans le « langage » de la machine.

• Réduction des coûts (Tokens) :

  Segmentation du workflow en deux appels distincts. Le modèle utilise d’abord la vidéo pour déduire la marque et la description textuelle, puis n’utilise plus que le texte pour trouver la sous-franchise (évitant de traiter la vidéo deux fois).

  Résultat : une consommation de tokens réduite de 50 % à performance égale, servie par une architecture serverless facturée uniquement à l’usage.

Résultats

• Performance décuplée sur la taxonomie : le taux d’identification correcte de la franchise et sous-franchise est passé de moins de 50 % à plus de 90 % sur les vidéos publicitaires.
• Passage à l’échelle validé : industrialisation réussie sur 2 millions de vidéos, avec un taux de réussite maintenu au-delà de 85 %. Test de charge éprouvé sur 900 000 actifs simultanés.
• Gains de productivité : un ensemble de données non structurées (le patrimoine créatif) est devenu une base de données fiable, réutilisable pour de futurs cas d’usage agentiques et d’optimisation média.