L'IA révolutionne l'optimisation marketing : l'autorecherche à l'œuvre

L'IA au service de l'optimisation marketing

L'autorecherche : une nouvelle approche pour les campagnes marketing

Dans le monde dynamique du marketing, les idées pour améliorer un produit ou une campagne ne manquent pas. Cependant, le temps et les ressources pour tester chaque idée sont souvent limités. C'est ici qu'intervient l'intelligence artificielle (IA), capable de prendre en charge ces expérimentations. L'IA peut réaliser des dizaines, voire des centaines d'expériences, éliminant celles qui échouent et affinant celles qui réussissent.

L'autorecherche est une méthode qui permet à un modèle de langage (LLM) de fonctionner en boucle continue, testant et mesurant l'impact de chaque expérience. Cette approche a déjà prouvé son efficacité auprès de nombreux professionnels, ce qui m'a incité à l'essayer personnellement.

Origine et développement de l'autorecherche

L'autorecherche a été conceptualisée par Andrej Karpathy. Dans son dépôt, il décrit comment la recherche en IA a évolué. Autrefois, elle était menée par des chercheurs humains, entre des réunions et des pauses. Aujourd'hui, cette tâche est déléguée à des agents IA autonomes, opérant sur des infrastructures de calcul massives.

L'idée est de laisser un LLM opérer de façon autonome, modifiant le code, entraînant le modèle, et évaluant les performances. Chaque changement est soit conservé, soit rejeté, et le processus se répète. L'objectif final est de revenir à un modèle amélioré par rapport à celui de départ.

Cas pratique : optimiser un budget marketing

Pour mettre en pratique l'autorecherche, j'ai choisi d'optimiser un budget marketing avec des contraintes spécifiques. En tant qu'analyste marketing, vous devez planifier les activités pour le mois suivant, avec un budget limité à 30 millions de dollars. L'objectif est de maximiser les revenus.

Chaque campagne marketing potentielle est accompagnée de projections : le pays, le canal marketing, l'investissement requis et le revenu attendu. D'autres données incluent le nombre d'utilisateurs acquis et les interactions avec le support client. Ces informations permettent d'itérer sur la tâche initiale, ajoutant progressivement des contraintes supplémentaires.

Une approche de base pour l'optimisation

Pour guider l'agent IA, il est utile de commencer par une approche de base. Une solution simple consiste à cibler les segments les plus rentables, en termes de revenu par dollar dépensé. Les campagnes sont triées selon ce critère, et celles respectant le budget sont sélectionnées. Bien que cette méthode soit rudimentaire, elle offre un bon point de départ.

import pandas as pd
df = pd.read_csv('marketing_campaign_estimations.csv', sep='\t')
# --- Baseline: greedy by revenue-per-dollar ---
df['revenue_per_spend'] = df.revenue / df.marketing_spending
df = df.sort_values('revenue_per_spend', ascending=False)
df['spend_cumulative'] = df.marketing_spending.cumsum()
selected_df = df[df.spend_cumulative <= 30_000_000]
total_spend = selected_df.marketing_spending.sum()
revenue_millions = selected_df.revenue.sum() / 1_000_000
assert total_spend <= 30_000_000, f"Budget violated: {total_spend}"
print(f"METRIC revenue_millions={revenue_millions:.4f}")
print(f"Segments={len(selected_df)} spend={total_spend/1e6:.2f}M")

Mise en place de pi_autoresearch

Avant de lancer l'expérimentation, il est nécessaire d'installer pi_autoresearch. La configuration de pi s'effectue via les instructions de pi.dev, et l'installation se fait en une seule commande, rendant l'environnement de codage pi opérationnel localement.

npm install -g @mariozechner/pi-coding-agent # installer pi
/login  # sélectionner le fournisseur et spécifier l'APIKey

Ensuite, l'extension pi-autoresearch est installée.

pi install https://github.com/davebcn87/pi-autoresearch

Pour contrôler le nombre d'itérations et gérer les coûts, un fichier autoresearch.config.json est créé à la racine du dépôt.

"maxIterations": 30

Début de l'expérimentation

L'expérimentation peut alors commencer. J'ai lancé l'autorecherche en appelant la compétence dédiée.

/skill:autoresearch-create

L'autorecherche a ensuite tenté de déterminer l'objectif d'optimisation. Elle a analysé le code dans optimise.py et généré un fichier autoresearch.md résumant la tâche :

"Améliorer optimise.py afin de sélectionner un ensemble de segments de campagne avec un revenu total maximum tout en respectant le budget marketing fixe de 30,000,000."

L'agent a alors démarré son cycle d'expérimentation, offrant une transparence sur son raisonnement et ses résultats.