Solutions de classification
Parce qu'il existe tant de produits différents et que les règles changent fréquemment, cela peut devenir compliqué. Les humains, même les experts, n'obtiennent le bon code qu'environ 7 fois sur 10, et la classification manuelle des produits représente une charge de travail supplémentaire.
Une autre solution consiste à écrire un programme informatique avec toutes les règles. Les experts du secteur classifient les produits et les ingénieurs logiciels ajoutent les règles que suivent les experts. Un système de ce type obtient le bon code environ 9 fois sur 10. Je le sais parce que notre équipe chez Zonos l'a fait. Les règles que nous créons tiennent compte des éléments suivants :
- La façon dont un produit est décrit
- L'image utilisée pour annoncer le produit
- Qui vend le produit
- Le coût du produit
Tenir compte de ces facteurs permet d'obtenir une précision de classification maximale.
Obtenir une précision de classification de 9/10 est remarquable, mais nous n'avons pas terminé. Cet article mal classé a de la valeur pour nous, car nous l'utilisons comme donnée pour identifier des schémas difficiles et améliorer notre précision et nos résultats. Par exemple, j'ai récemment vu un produit dans une boutique en ligne décrit comme des chaussettes qui « se portent bien avec un costume sur mesure et seraient le complément parfait d'une paire de chaussures habillées coûteuses », ce qui pourrait être difficile à classifier. Les humains savent que le produit concerne des chaussettes, mais la description pourrait porter sur des costumes ou des chaussures.
Pour éviter que l'ordinateur ne se trompe, les règles deviennent de plus en plus compliquées. Vous pouvez imaginer que cela devient encore plus difficile lorsque seul un nom de marque est utilisé, qu'un mot est mal orthographié ou que l'image d'un produit inclut plusieurs articles.
Avec tous ces facteurs sources de problèmes existants, pour obtenir la classification correcte au moins 99 fois sur 100, nous utilisons le machine learning. Le machine learning signifie que nous allons cesser de dire à l'ordinateur chaque petit détail qui pourrait être important et lui demander d'apprendre par lui-même ce qui compte. Nous avons toujours des experts et des règles, mais l'ordinateur a un rôle beaucoup plus important et peut souvent obtenir de bien meilleurs résultats que les humains.
Machine learning : reconnaître les schémas
L'une des façons dont nous demandons à l'ordinateur de résoudre ce problème pour nous consiste à lui fournir les images des produits et à lui demander de trouver des schémas dans ces images. Une fois prêt, l'ordinateur peut identifier des différences que les humains pourraient manquer.
Voici un exemple de phares automobiles. Avec des milliers d'images de phares automobiles, j'ai demandé à l'ordinateur de les organiser selon la différence entre les images. Je n'ai rien dit à l'ordinateur sur les images. Lorsqu'il l'a fait, l'ordinateur a décidé qu'il existait trois ou quatre types d'images couramment utilisées pour vendre un phare automobile. Des exemples de chaque type d'image de produit ressemblent à ceci :
Dans ces images, il y a deux formes de phares automobiles et un phare monté sur une voiture. Si je regarde d'autres images de chaque groupe, je vois que chaque groupe est rempli d'images similaires. Si les magasins de pièces automobiles commençaient à vendre des phares avec des images de la boîte, les outils de machine learning le remarqueraient et s'adapteraient automatiquement. J'utilise ces informations pour des milliers de catégories de produits différentes sur des millions de produits.
Souvent, les outils de machine learning peuvent remarquer des schémas que les humains manquent. Par exemple, un phare de moto a un aspect légèrement différent d'un phare automobile ; ou, un produit de beauté est souvent vendu avec une femme tenant l'article près de son visage, ou un vêtement coûteux est souvent posé sur un mannequin et un article moins cher est souvent posé sur un mannequin de vitrine ou simplement plié sur une table. Ces schémas et détails semblent faciles à remarquer une fois qu'on les voit, mais ils sont en fait assez faciles à manquer.
Les machines peuvent aussi apprendre le bon sens. Si une boutique se concentre sur les produits de santé et de beauté, nous savons que les fleurs et les raisins présents sur certaines images de produits ne sont pas vendus ; ils sont simplement décoratifs. Ou si un semi-remorque est vendu 24,99 $, c'est probablement un camion jouet ou un t-shirt. Ces sources courantes de confusion sont traitées par la machine plus ou moins comme vous ou moi les traiterions. Plus le système est utilisé, plus il s'améliore.
Nous pouvons apprendre aux machines à apprendre de nos erreurs. Après qu'une classification confond les raisins ou les fleurs de l'image la première fois, elle peut être enseignée à ignorer ces éléments décoratifs non pertinents et à se concentrer sur le pot de crème de beauté au centre de l'image. Cela se produit souvent lorsque quelque chose est nouveau. Nous pouvons toujours faire intervenir un classificateur humain pour examiner les problèmes difficiles ou nouveaux.
Faire chercher des schémas à l'ordinateur et faire examiner ces schémas par un expert est un excellent moyen d'expédier plus de produits avec moins de difficultés. Au final, cela crée de la confiance. Envoyer un produit à travers les frontières ne devrait pas exiger que vous connaissiez tout ce qui entre dans l'effort ; mais sachant que le travail a été fait, vous pouvez faire confiance à notre système de classification comme outil important pour développer votre entreprise.
La classification tarifaire HS rencontre le machine learning
Chez Zonos, notre équipe d'experts du secteur et du logiciel travaille constamment à simplifier le commerce transfrontalier. L'un des aspects consiste à garantir que toute entreprise déplaçant des produits à travers les frontières les classifie correctement. Tous les pays utilisent le même système pour décrire les produits que vous vendez, appelé le système de codes harmonisés. Classifier correctement vos produits à l'aide de codes HS ou HTS contribue à assurer la cohérence lorsque vos colis sont examinés à la frontière.
Le commerce transfrontalier comporte de nombreuses complexités ; mais en matière de codes HS, une classification automatisée précise peut constituer un outil essentiel pour développer votre entreprise. Bien que la classification précise des produits ait été un processus fastidieux et coûteux par le passé, nous changeons cela. Zonos propose un outil qui transforme le secteur, appelé Classify, qui attribue un code harmonisé aux descriptions de produits.
En tant que spécialiste du secteur et ingénieur logiciel, je peux expliquer comment cela fonctionne sous un angle unique. Voyons comment la classification HS pour le commerce transfrontalier rencontre le machine learning.
Si vous vendez un produit appelé « Men's Gold Toe Windsor Wool (12 Pairs) Black », notre système pourrait lui attribuer le code 6115.94. L'agent des douanes inspectant les articles expédiés vers le pays peut consulter le code, comprendre ce que contient le colis et faire avancer l'article sans retard.
Les deux premiers chiffres, 61, indiquent à l'agent que l'article est un vêtement tricoté ou crocheté, plutôt que 62 pour les articles non tricotés. Les deux chiffres suivants, 15, indiquent qu'il s'agit de chaussettes. Les deux derniers chiffres, 94, révèlent qu'il s'agit de chaussettes longues.
Il peut sembler évident qu'un produit portant un nom comme « Men's Gold Toe Windsor Wool (12 Pairs) Black » corresponde à la description 6115.94, mais de nombreux codes similaires auraient pu être choisis selon l'épaisseur du fil ou d'autres considérations. Notre outil de classification doit associer un code à un produit et trouver la meilleure correspondance disponible.
Cela se complique davantage une fois que nous savons où l'article est expédié. Chaque pays attribue des codes supplémentaires. Par exemple, le 00 supplémentaire à la fin de 6115.94.00 indique à un agent des douanes canadien qu'il s'agit d'une chaussette en laine, et 6115.94.0000 fournit encore plus de détails, indiquant que les taxes dues sur l'article sont bien plus élevées que pour une simple chaussette en laine. Je n'ai pas trouvé d'explication sur cette différence, ce qui montre à quel point une classification correcte est importante ; il est si facile de commettre une erreur lors de la classification des produits.
La description 6115.94.0000 est identique à la description 6115.94.00, pourtant ces deux 0 supplémentaires peuvent augmenter le taux de droit. Nos outils doivent non seulement comprendre la classification la plus correcte, mais aussi comprendre comment nos décisions affectent nos clients.