Un système de recommandation multimodal entraîné sur le catalogue Amazon Office ne voit jamais 674 de ses 2 420 produits. Ils sont écartés avant l’entraînement parce que leurs données de modalité sont incomplètes — c’est l’étape de prétraitement standard dans le domaine. Le modèle est donc noté sur un catalogue édité pour correspondre à ses hypothèses, puis déployé sur un catalogue qui ne l’a pas été.

Les catalogues de mode ne sont jamais édités de cette manière. Ils arrivent incomplets, restent incomplets, et se renouvellent plus vite qu’aucun projet de nettoyage ne pourrait les rattraper. Le même groupe de recherche qui a mesuré ces taux de suppression a demandé, lors de CIKM 2024, si le fait d’écarter ces articles était seulement défendable — et a conclu que non : le préfiltrage, selon eux, est « non seulement inutile, mais aussi préjudiciable à la performance ». Leur propre solution est une imputation par graphe, qui comble le vide à partir des voisins de coachat d’un article plutôt que de supprimer l’article. Cela arrête la mise à l’écart. Cela n’entraîne pas le modèle à fonctionner sans les données dès le départ — ce qui est le problème plus difficile et plus utile qui fait l’objet de cet article.

L’hypothèse qui s’effondre n’est pas que chaque produit a une photo. Sur six catégories Amazon auditées en février, les images sont presque toujours présentes et les descriptions le sont souvent moins : Office ne manque aucune image, contre 674 descriptions manquantes. La photographie est l’actif que quelqu’un a été payé pour photographier, planifier et valider ; la description est le champ qu’un fournisseur a laissé vide un vendredi à dix-huit heures. Sports, la plus grande catégorie examinée, reproduit ce schéma à plus grande échelle, avec 70 images et 2 701 descriptions manquantes. La fusion multimodale suppose que la vision et le texte échouent indépendamment. Dans un catalogue réel, ils échouent à des taux qui diffèrent d’un ordre de grandeur, et presque toujours du même côté.

Cette publication est déjà parvenue deux fois à la conclusion inverse, et il vaut la peine de préciser où elle s’est trompée. En couvrant Tstars-Tryon en mai et les jeux de données de génération de tenues deux jours plus tard, nous avions affirmé que la qualité des modèles était un problème résolu et que le goulot d’étranglement s’était déplacé vers les métadonnées du catalogue. L’observation tient toujours ; le remède implicite, non. « Le goulot d’étranglement, c’est votre catalogue » autorise un projet de nettoyage avec une date d’achèvement, et la littérature sur les modalités manquantes est précisément la preuve qu’aucune date de ce genre n’existe.

Un catalogue n’est pas un stock que l’on peut compléter ; c’est un flux qui est toujours incomplet en amont.

Les articles les plus susceptibles d’être incomplets sont ceux dont l’entreprise a le plus besoin qu’ils soient recommandés. Une nouveauté entre dans le système avec une image héroïque tirée du shooting de campagne et une description qui sera rédigée quand quelqu’un aura le temps, ce qui signifie que le produit portant la marge la plus élevée et l’historique comportemental le plus faible est aussi celui que le système de recommandation comprend le moins bien. Les consignes de Google aux marchands sont sans détour sur la conséquence, à l’autre bout de la chaîne : un produit « aura généralement une qualité de données plus faible si ses attributs requis sont absents de vos données produit », ce qui « peut entraîner une baisse de performance de votre offre dans les résultats de recherche ». Le vide qui fait chuter une fiche dans Shopping affame également le système de recommandation sur site. Les distributeurs traitent le premier comme un problème de flux de données et le second comme un problème de modèle. Ce sont pourtant la même phrase manquante.


Entraîner pour l’absence surpasse reconstruire pour la présence, et l’écart se mesure. I³-MRec, accepté à ACM Multimedia 2025, simule des conditions de modalité manquante pendant l’entraînement plutôt que de les ignorer par hypothèse. MoDiCF, une méthode par diffusion qui reconstruit les caractéristiques absentes, conserve 98 % de sa performance en modalité complète lorsque seul un dixième du catalogue est incomplet. C’est le cas facile — et le moins susceptible de décrire un flux retail réel ; à mesure que l’écart se creuse, MoDiCF perd près d’un cinquième de son rappel. I³-MRec, qui traite chaque modalité comme son propre environnement d’entraînement et limite sa dépendance à l’une d’elles en particulier, cède bien moins dans les mêmes conditions extrêmes. La méthode qui reconstruit les données manquantes perd davantage que la méthode qui apprend à s’en passer.

La version architecturale de cet argument est plus étroite et plus dommageable. La plupart des systèmes de recommandation multimodaux utilisent une fusion tardive : encoder chaque modalité séparément, aligner les représentations, puis les combiner. EFMRec, présenté à WSDM 2026, soutient que l’alignement est l’étape fragile, car une modalité absente n’a aucune représentation à aligner, et le mécanisme conçu pour concilier deux vues n’a alors plus rien à concilier. Son alternative projette les modalités disponibles, quelles qu’elles soient, dans un espace sémantique partagé et les agrège en amont, en utilisant ce qui est présent et en ignorant ce qui ne l’est pas. Aucune reconstruction, aucune perte auxiliaire, aucune étape d’imputation à calibrer. La décision qui détermine si un système de recommandation survit à un catalogue incomplet est prise avant même que la moindre donnée n’arrive.

L’objection la plus solide est que ce problème a une date de péremption. Un modèle vision-langage peut lire la photographie d’un produit et rédiger la description manquante — c’est précisément ce que vendent aujourd’hui les fournisseurs d’enrichissement de catalogue ; si les descriptions peuvent être générées plus vite que les produits ne sont intégrés, la recherche sur la robustesse n’est qu’un contournement élaboré d’un problème déjà soluble. La condition qui devrait alors être remplie, c’est que la complétude soit un état que le catalogue atteint, plutôt qu’un rythme auquel il tourne. Ce n’est pas le cas, et la description générée aggrave même le problème sous-jacent. Un texte dérivé d’une image n’est pas un signal indépendant ; c’est l’image reformulée, et une couche de fusion conçue pour exploiter le désaccord entre deux vues d’un produit reçoit alors une seule vue, deux fois. Un catalogue enrichi de cette manière apparaît complet tout en réduisant discrètement de moitié l’information que le système de recommandation était censé exploiter.

Si le renouvellement des catalogues continue de devancer leur nettoyage — et rien n’indique l’inverse — les distributeurs qui tireront de la valeur de la recommandation multimodale ne seront pas ceux dont les données sont les plus propres. Ce seront ceux qui auront inscrit dans leurs cahiers des charges que le modèle doit être évalué sur un catalogue incomplet. La question tient en une phrase : quel est votre rappel à 50 % de texte manquant ? Un fournisseur entraîné sur des données complètes n’aura pas ce chiffre. Un fournisseur entraîné pour l’absence l’aura mesuré, car c’est la seule condition pour laquelle son modèle a été conçu. Le choix n’a jamais été entre des données propres et des données sales ; il est entre un système qui suppose que le catalogue sera un jour corrigé, et un système qui suppose qu’il ne le sera pas.