Des chercheurs décrivent dans arXiv un Large Behavioral Model (LBM), un modèle de langage pensé pour représenter le comportement d’un client dans le retail. L’objectif est de mieux relier les usages classiques — recommandation, marketing, aide à la décision — à des comportements observés dans des données transactionnelles réelles, plutôt qu’à de simples scores prédictifs ou à des simulations peu ancrées dans les faits.
Le cadre proposé repose sur une formulation unifiée personne-environnement. L’état du client est résumé dans un profil comportemental issu de ses achats passés, tandis que le contexte produit est injecté via une approche de retrieval-augmented generation. Les auteurs indiquent avoir combiné trois étapes d’apprentissage : pré-entraînement continu sur des données comportementales verbalisées, ajustement supervisé pour générer des décisions, puis apprentissage par renforcement avec récompenses vérifiables afin de mieux calibrer les réponses sur des preuves explicites.
L’évaluation couvre plusieurs cas d’usage : prédiction d’achat, discrimination de hard negatives, complétion de panier, réponse à une promotion et utilisation de bons de réduction dans un autre domaine. D’après l’article, le LBM surpasse de grands modèles de langage généralistes sur les tâches retail en environnement connu, tout en montrant de bonnes capacités de transfert, en zéro-shot comme après fine-tuning, entre enseignes et domaines de décision.
Les études d’ablation rapportées attribuent l’essentiel de la généralisation comportementale au pré-entraînement continu. Les auteurs estiment aussi que la récupération d’information est plus efficace lorsqu’elle est utilisée à la fois à l’entraînement et à l’inférence, tandis que l’apprentissage par renforcement réduit la dépendance aux biais génériques des LLM au profit d’indices comportementaux explicites. À ce stade, ces résultats restent ceux d’un article de recherche, mais ils suggèrent une piste crédible pour industrialiser des jumeaux numériques de clients à grande échelle.