Yousinsa - Recueil de chaussures, photos et vidéos de mode sur YouTube - un POC de service de recommandations mode avec vidéos à l’appui

J’ai essayé d’organiser des recommandations mode de YouTube de façon fondée sur des preuves

Quand on regarde des chaînes YouTube de mode, on entend souvent des recommandations du type « ce t-shirt est bien », « cette marque a un bon rapport qualité-prix » ou « la coupe de celui-ci est réussie ».

Mais quand vient le moment d’acheter quelque chose plus tard, on ne s’en souvient plus très bien. Et il est difficile de retrouver quel youtubeur l’a recommandé, dans quelle vidéo, et pour quelle raison.

C’est pour ça que j’ai créé un petit POC appelé Yousinsa.

C’est un service qui extrait, à partir de vidéos de créateurs mode sur YouTube, la marque, le produit, la catégorie et la raison de la recommandation par segment horodaté, puis qui recommande des marques et des produits en s’appuyant sur ces éléments quand l’utilisateur pose une question.

Par exemple, cela fonctionne de cette manière. Les questions ci-dessous sont des exemples réellement testés, avec des résultats satisfaisants.

• « Je suis un homme dans la trentaine et je cherche des t-shirts basiques blancs/noirs. Je voudrais qu’ils ne soient pas trop fins et que la coupe soit élégante, avec un budget inférieur à 50 000 wons. Le style Uniqlo me convient, mais je préfère éviter quelque chose de trop courant. »
• « Recommande-moi des sneakers du quotidien que je peux porter à la fois pour aller au travail et le week-end. J’ai le pied un peu large et je n’aime pas les logos trop voyants. Idéalement, elles iraient aussi bien avec un jean qu’avec un pantalon habillé. »
• « Je cherche une tenue de bureau féminine et soignée. Je préfère des marques monochromes, pas trop voyantes, avec un budget du niveau de la marque Draw Fit. »
• « Montre-moi les marques de t-shirts souvent recommandées par les youtubeurs mode, avec les vidéos qui servent de preuve. Je préfère des t-shirts basiques faciles à acheter en pratique, plutôt que des marques trop chères. »

Plutôt que de répondre comme un chatbot classique « cette marque est bien », l’objectif est de permettre de voir immédiatement quel youtubeur / dans quelle vidéo / à quel moment / pour quelle raison a fait cette recommandation.

La base de données contient actuellement à peu près ceci.

• evidence item : 29 044
• vidéos YouTube : 3 011
• créateurs : 1 788
• marques : 7 507
• items avec image produit : 26 206

À ce stade, voici ce qui fonctionne.

• extraction des marques / produits / catégories / raisons de recommandation depuis des vidéos mode sur YouTube
• enregistrement de liens horodatés dans les vidéos
• affichage de regroupements de recommandations par marque / catégorie
• vue en tableau basée sur les images produit
• génération de recommandations à partir de préférences / budget / situation en langage naturel
• consultation, dans les résultats, des vidéos justificatives et de liens de recherche produit

La stack technique est simple. L’analyse vidéo est faite avec Gemini CLI, puis un script Python effectue le post-traitement avant l’enregistrement dans SQLite. Le web repose sur du HTML/JS statique et un serveur Python léger.

• service : https://labs.foldalpha.com/fashion/
• code / rapport : https://github.com/sbyoun/yousinsa
• rapport PDF : https://github.com/sbyoun/yousinsa/blob/main/paper/yousinsa-paper.pdf

Ces derniers temps, j’ai souvent l’impression qu’on vit à une époque où, dès qu’on a besoin de quelque chose, on peut simplement le fabriquer et l’utiliser soi-même plus facilement qu’on ne l’imagine. Avant, créer un service à lui seul représentait déjà un gros chantier ; aujourd’hui, on peut prototyper un petit POC bien plus rapidement.

En revanche, c’est justement ce qui rend la différenciation plus difficile. L’UI et les fonctionnalités se copient vite, mais pour produire des recommandations réellement utiles, il faut accumuler et structurer de façon continue les données qui servent de fondement. Cela demande forcément du temps, et je me dis qu’au final, cette accumulation de données peut devenir le vrai facteur différenciant.

Je continue à tester différentes pistes. Les retours sont les bienvenus.