Étude de casRecommencé

Recommenu est une application de découverte culinaire alimentée par l'IA, conçue pour aller au-delà des recherches de restaurants génériques en recommandant à la fois où manger et quoi commander. L'application crée un profil gustatif personnalisé pour chaque individu, en apprenant ses préférences de saveurs et en prédisant dans quelle mesure il pourrait aimer un plat particulier. Les recommandations ne se limitent pas aux individus : Recommenu répond également au défi courant des repas en groupe en analysant plusieurs profils gustatifs (par exemple, des amis, des collègues ou des équipes) et en suggérant des restaurants proposant des plats qui maximisent la satisfaction collective. L'objectif était de créer une solution fluide et optimisée par les données qui personnalise les expériences culinaires tant au niveau individuel qu'au niveau du groupe.

Le projet nécessitait une solution capable de collecter et d'analyser les données de préférences gustatives des utilisateurs à partir de diverses sources, de concevoir un moteur de recommandation robuste en mesure de prédire les préférences en matière de restaurants et de menus, et de faciliter les sorties de groupe en fusionnant plusieurs profils pour générer des résultats optimisés. De plus, il était essentiel d'automatiser la collecte à grande échelle des données sur les restaurants et les menus, de s'appuyer sur des technologies avancées d'IA et d'apprentissage automatique pour garantir la précision, et de déployer le tout au sein d'une structure d'application évolutive et conviviale.

Pour répondre à ces besoins, nous avons développé un écosystème de recommandation complet, propulsé par l'IA et l'apprentissage automatique modernes. Nous avons commencé par mettre en œuvre le scraping web avec ScraperAI et ScraperAPI afin de collecter à grande échelle des données sur les restaurants et leurs menus. Les données brutes ont ensuite été structurées et enrichies à l'aide de ChatGPT, qui a également servi de couche logique de recommandation alternative lorsque des analyses complémentaires étaient nécessaires. Au cœur de la plateforme, nous avons conçu un moteur de recommandation sophistiqué en Python, combinant plusieurs technologies pour garantir précision et évolutivité. Pinecone a été intégré en tant que base de données vectorielle pour gérer les recherches par similarité et le rapprochement des profils utilisateurs, tandis que Google Vertex AI a fourni l'infrastructure nécessaire à l'entraînement et au déploiement des modèles de machine learning. Pour une personnalisation et une prédiction avancées, nous avons utilisé Google Gemini AI, permettant au système de s'adapter de manière dynamique à l'évolution des préférences des utilisateurs. Cette approche intégrée nous a permis de créer un système de recommandation personnalisé, intelligent et évolutif qui offre des suggestions de restaurants et de menus hautement pertinentes, tout en optimisant les choix de repas en groupe. Le résultat est une plateforme qui transforme les décisions culinaires du quotidien en expériences guidées par les données, adaptées aux goûts individuels et collectifs.