Publié le 1 septembre 2026 à 11:00 · Publication originale
Spotify réalise pendant 21 jours une expérience représentant environ 20 millions d'impressions par cellule expérimentale sur sa page d'accueil.
Résultat: +14,3% de découverte de nouvelles émissions de podcasts et +5,4% d'écoute hors habitudes.
Mais le chiffre le plus intéressant n'est pas celui-là.
Edoardo D'Amico, Marco De Nadai, Mounia Lalmas et leurs collègues ont mis en production GLIDE, un modèle de langage d'un milliard de paramètres auquel Spotify peut préciser quel type de découverte rechercher.
Le même modèle peut privilégier des contenus familiers ou, en changeant son instruction, partir chercher des émissions étrangères aux habitudes de l'auditeur.
Sans entraîner un autre modèle.
C'est une rupture avec l'image habituelle de la recommandation. Nous pensons qu'un algorithme observe nos écoutes puis calcule ce qui ressemble le plus à nos goûts. Ici, l'objectif lui-même devient une donnée fournie à la machine.
Pour y parvenir, les ingénieurs ont dû résoudre un problème rarement visible.
Un modèle de langage peut inventer un excellent titre de podcast qui n'existe pas. Spotify doit recommander un épisode réel, disponible dans votre pays et compatible avec les contraintes du produit.
Le catalogue est donc traduit dans une autre langue.
Chaque contenu reçoit des "Semantic IDs", de courtes séquences de tokens dérivées de son contenu. Des épisodes sémantiquement proches obtiennent des séquences proches. Le modèle apprend ainsi à manipuler des millions d'objets réels presque comme un modèle de langage manipule des mots.
GLIDE reçoit aussi l'historique récent de l'auditeur. Ses préférences plus anciennes sont condensées dans un embedding utilisateur, projeté dans l'espace interne du modèle sous forme de "soft tokens". Il n'est donc pas nécessaire d'insérer des années d'écoute dans le prompt.
Puis GLIDE génère des candidats. Ils sont vérifiés, ramenés vers de vrais épisodes et injectés dans le ranking classique de Spotify. Pour le décodage, les ingénieurs ont retenu le beam search: les méthodes plus rapides dégradaient nettement la précision de récupération.
Voilà ce qui change.
Un système de recommandation n'est plus seulement une machine qui tente de prédire "ce que vous aimerez ensuite". Il devient un système dont on peut orienter l'exploration au moment de l'inférence.
La prochaine fois qu'un podcast totalement inattendu apparaîtra sur Spotify, le souvenir utile ne sera donc pas "l'algorithme me connaît".
Ce sera une autre question:
"Quelle consigne cherchait-il à exécuter?"
PAPAGENO
Connaître nos habitudes donne une carte. Choisir où nous conduire avec cette carte donne un pouvoir différent.
Sources
Spotify Research, D'Amico, De Nadai, Lalmas et al., KDD 2026
Spotify Research, NEO & GLIDE, 3 août 2026
#VOCEASSOCIATION #ALGORITHMES #SPOTIFY #MACHINELEARNING #RECOMMANDATION #TECHNOLOGIE