Soluzioni alla classificazione
Poiché esistono così tanti prodotti diversi e regole in continua evoluzione, la situazione può diventare complicata. Gli esseri umani, anche gli esperti, azzeccano il codice solo circa 7 volte su 10, e la classificazione manuale dei prodotti rappresenta un carico di lavoro aggiuntivo.
Un'altra soluzione è scrivere un programma informatico con tutte le regole. Gli esperti del settore classificano i prodotti e gli ingegneri del software aggiungono le regole seguite dagli esperti. Un sistema del genere può ottenere il codice corretto circa 9 volte su 10. Lo so perché il nostro team in Zonos l'ha fatto. Le regole che creiamo tengono conto di quanto segue:
- Il modo in cui un prodotto è descritto
- Quale immagine viene usata per pubblicizzare il prodotto
- Chi vende il prodotto
- Il costo del prodotto
Prestare attenzione a questi fattori produce la massima accuratezza di classificazione.
Avere un'accuratezza di classificazione del 9/10 è incredibile, ma non abbiamo ancora finito. Quell'articolo classificato in modo errato è prezioso per noi perché lo usiamo come dato per identificare schemi difficili e migliorare la nostra accuratezza e i risultati. Ad esempio, di recente ho visto un prodotto in un negozio online descritto come calzini che «stanno bene con un abito su misura e sarebbero il complemento perfetto per un paio costoso di scarpe eleganti», che potrebbe essere difficile da classificare. Gli esseri umani sanno che il prodotto riguarda calzini, ma la descrizione potrebbe riguardare abiti o scarpe.
Per evitare che il computer si confonda, le regole diventano sempre più complicate. Può immaginare che diventa ancora più difficile quando viene usato solo un nome di brand, una parola è scritta in modo errato o l'immagine di un prodotto include diversi articoli.
Con tutti questi fattori che causano problemi, per ottenere la classificazione corretta almeno 99 volte su 100, usiamo il machine learning. Il machine learning dice che smetteremo di dire al computer ogni piccolo dettaglio che potrebbe essere importante e chiederemo al computer di imparare da solo cosa è importante. Abbiamo ancora esperti e regole, ma il computer ha un compito molto più ampio e spesso può ottenere risultati molto migliori degli esseri umani.
Machine learning: riconoscere schemi
Un modo in cui chiediamo al computer di risolvere questo problema per noi è fornirgli le immagini dei prodotti e chiedergli di trovare schemi in quelle immagini. Una volta pronto, il computer può identificare differenze che gli esseri umani potrebbero non notare.
Ecco un esempio di fari per auto. Date migliaia di immagini di fari per auto, ho chiesto al computer di organizzarle in base a quanto le immagini differiscono l'una dall'altra. Non ho detto nulla al computer sulle immagini. Quando l'ha fatto, il computer ha deciso che esistevano tre o quattro tipi diversi di immagini comunemente usate per vendere un faro per auto. Esempi di ciascun tipo di immagine del prodotto appaiono così:
In queste immagini, ci sono due forme di fari per auto e una su un'auto. Se guardo altre immagini in ciascun gruppo, vedo che ogni gruppo è pieno di immagini simili. Se i negozi di ricambi auto iniziassero a vendere fari con immagini della confezione, gli strumenti di machine learning lo noterebbero e si adatterebbero automaticamente. Uso queste informazioni per migliaia di categorie di prodotti diverse su milioni di prodotti.
Spesso gli strumenti di machine learning possono notare schemi che gli esseri umani non vedono. Ad esempio, un faro per moto appare leggermente diverso da un faro per auto; oppure, un prodotto di bellezza viene spesso venduto con una donna che tiene l'articolo vicino al viso, o un capo costoso viene spesso posizionato su un modello e un articolo più economico viene spesso posizionato su un manichino o semplicemente piegato su un tavolo. Questi sembrano schemi e dettagli facili da notare una volta osservati, ma in realtà sono piuttosto facili da perdere.
Le macchine possono imparare il buon senso. Se un negozio si concentra su prodotti per salute e bellezza, sappiamo che i fiori e l'uva presenti in alcune immagini dei prodotti non vengono venduti; sono solo decorativi. Oppure se un camion semirimorchio viene venduto a 24,99 USD, probabilmente è un camion giocattolo o una maglietta. Queste fonti comuni di confusione vengono trattate dalla macchina più o meno come le tratterebbe lei o io. Più il sistema viene usato, più migliora.
Possiamo insegnare alle macchine a imparare dai nostri errori. Dopo che una classificazione confonde l'uva o i fiori nell'immagine la prima volta, può essere istruita a ignorare questi articoli decorativi irrilevanti e concentrarsi sulla confezione di crema per il viso al centro dell'immagine. Questo accade spesso quando qualcosa è nuovo. Possiamo sempre coinvolgere un classificatore umano per esaminare problemi difficili o nuovi.
Far cercare schemi al computer e far revisionare tali schemi da un esperto è un ottimo modo per spedire più prodotti con meno problemi. Alla fine della giornata, questo crea fiducia. Inviare un prodotto oltre confine non dovrebbe richiedere che conosca tutto ciò che comporta l'operazione; ma sapendo che il lavoro è stato svolto, può fidarsi che il nostro sistema di classificazione sia uno strumento importante per far crescere la sua attività.
La classificazione dei codici tariffari HS incontra il machine learning
In Zonos, il nostro team di esperti del settore e del software lavora costantemente per semplificare il commercio transfrontaliero. Un aspetto di ciò è garantire che qualsiasi azienda che sposta prodotti oltre confine classifichi correttamente tali articoli. Tutti i Paesi utilizzano lo stesso sistema per descrivere i prodotti che vende, chiamato sistema Harmonized Code. Classificare correttamente i prodotti usando codici HS o HTS aiuta a garantire coerenza quando i suoi pacchi vengono esaminati alla frontiera.
Esistono molte complessità quando si tratta di spedire prodotti transfrontalieri; ma per quanto riguarda i codici HS, classificazioni automatizzate accurate possono essere uno strumento fondamentale per far crescere la sua attività. Sebbene la classificazione accurata dei prodotti sia stata in passato un processo tedioso e costoso, stiamo risolvendo questo problema. Zonos dispone di uno strumento rivoluzionario per il settore chiamato Classify che assegna un Harmonized Code alle descrizioni dei prodotti.
Sia come specialista del settore sia come ingegnere del software, posso spiegare come funziona da una prospettiva unica. Analizziamo come la classificazione HS per il commercio transfrontaliero incontra il machine learning.
Se vende un prodotto chiamato «Men's Gold Toe Windsor Wool (12 Pairs) Black», il nostro sistema potrebbe assegnargli un codice, 6115.94. L'ufficiale doganale che ispeziona gli articoli spediti nel Paese può guardare il codice, capire cosa c'è nel pacco e far proseguire l'articolo senza ritardi.
Le prime due cifre, 61, indicano all'ufficiale che l'articolo è un capo di abbigliamento a maglia o all'uncinetto, anziché 62 per articoli non a maglia. Le seconde due cifre, 15, indicano che si tratta di calzini. Le ultime due cifre, 94, rivelano che sono calzini a lunghezza intera.
Potrebbe sembrare ovvio che un prodotto con un nome come «Men's Gold Toe Windsor Wool (12 Pairs) Black» corrisponda alla descrizione 6115.94, ma esistono molti codici simili che avrebbero potuto essere scelti a seconda dello spessore del filo o di altre considerazioni. Il nostro strumento di classificazione deve abbinare un codice a un prodotto e trovare la migliore corrispondenza disponibile.
La situazione si complica ulteriormente una volta che sappiamo dove viene spedito l'articolo. Ogni Paese assegna codici aggiuntivi. Ad esempio, lo 00 aggiuntivo alla fine di 6115.94.00 indica a un ufficiale doganale canadese che si tratta di un calzino di lana e 6115.94.0000 fornisce ancora più dettagli, facendo sapere che le imposte dovute sull'articolo sono considerevolmente più alte rispetto a un semplice calzino di lana. Non sono riuscito a trovare una spiegazione del perché sia diverso, ed è per questo che la classificazione corretta è così importante; è così facile commettere un errore nella classificazione dei prodotti.
La descrizione 6115.94.0000 è identica alla descrizione 6115.94.00, eppure quei due 0 aggiuntivi possono aumentare l'aliquota di dazio. I nostri strumenti devono non solo comprendere la classificazione più corretta, ma anche capire come le nostre decisioni influenzano i nostri clienti.