분류 솔루션
상품이 매우 다양하고 규칙이 자주 변경되므로 복잡해질 수 있습니다. 인간, 심지어 전문가도 10번 중 약 7번만 올바른 코드를 맞추며, 수동 상품 분류는 추가 업무 부담입니다.
또 다른 솔루션은 모든 규칙을 포함하는 컴퓨터 프로그램을 작성하는 것입니다. 업계 전문가가 상품을 분류하고 소프트웨어 엔지니어가 전문가가 따르는 규칙을 추가합니다. 그러한 시스템은 10번 중 약 9번 올바른 코드를 맞출 수 있습니다. Zonos 팀이 이를 구현했기 때문에 알고 있습니다. 생성하는 규칙은 다음에 주의합니다.
- 상품 설명 방식
- 상품 광고에 사용된 이미지
- 상품을 판매하는 주체
- 상품 가격
이러한 요인에 주의하면 분류 정확도를 극대화할 수 있습니다.
9/10 품목 분류 정확도는 놀랍지만, 아직 끝이 아닙니다. 잘못 분류된 한 품목은 어려운 패턴을 식별하여 정확도와 결과를 개선하는 데이터로 사용됩니다. 예를 들어 최근 온라인 스토어에서 „맞춤 정장에 잘 어울리고 비싼 구두와 완벽한 조합“이라고 설명된 양말 상품을 봤는데, 분류하기 어려울 수 있습니다. 인간은 양말 상품임을 알지만, 설명은 정장이나 구두에 관한 것일 수 있습니다.
컴퓨터가 혼동하지 않도록 규칙은 점점 더 복잡해집니다. 브랜드명만 사용하거나, 단어가 오타이거나, 상품 이미지에 여러 품목이 포함된 경우 더욱 어려워집니다.
이러한 기존 문제 요인과 함께 100번 중 최소 99번 올바른 분류를 위해 머신러닝을 사용합니다. 머신러닝은 컴퓨터에게 중요할 수 있는 모든 세부 사항을 일일이 알려주는 것을 중단하고, 컴퓨터가 스스로 무엇이 중요한지 학습하도록 요청합니다. 여전히 전문가와 규칙이 있지만, 컴퓨터는 훨씬 더 큰 역할을 하며 종종 인간보다 훨씬 나은 결과를 얻을 수 있습니다.
머신러닝: 패턴 인식
컴퓨터에게 이 문제를 해결하도록 요청하는 한 가지 방법은 상품 이미지를 제공하고 이미지에서 패턴을 찾도록 하는 것입니다. 준비가 되면 컴퓨터는 인간이 놓칠 수 있는 차이를 식별할 수 있습니다.
자동차 헤드라이트 예시입니다. 수천 장의 자동차 헤드라이트 이미지를 주고 이미지가 서로 얼마나 다른지에 따라 정리하도록 요청했습니다. 이미지에 대해 아무것도 알려주지 않았습니다. 컴퓨터는 자동차 헤드라이트 판매에 일반적으로 사용되는 세 가지 또는 네 가지 종류의 이미지가 있다고 판단했습니다. 각 유형의 예는 다음과 같습니다.
이 이미지에는 두 가지 형태의 자동차 헤드라이트와 차량에 장착된 하나가 있습니다. 각 그룹의 다른 이미지를 보면 각 그룹이 유사한 이미지로 채워져 있음을 알 수 있습니다. 자동차 부품점이 박스 이미지로 헤드라이트를 판매하기 시작하면 머신러닝 도구가 이를 자동으로 감지하고 적응합니다. 수백만 개 상품의 수천 가지 제품 카테고리에 이 정보를 사용합니다.
머신러닝 도구는 종종 인간이 놓치는 패턴을 발견합니다. 예를 들어 오토바이 헤드라이트는 자동차 헤드라이트와 약간 다르게 보이거나, 뷰티 제품은 종종 여성이 얼굴 가까이에 들고 있는 이미지로 판매되며, 고가 의류는 종종 모델에게 입히고 저가 품목은 마네킹에 입히거나 테이블에 접어 놓습니다. 한번 알아차리면 쉬운 패턴과 세부 사항처럼 보이지만, 실제로는 놓치기 쉽습니다.
기계는 상식도 학습할 수 있습니다. 건강 및 뷰티 제품에 집중하는 스토어라면, 일부 상품 이미지의 꽃과 포도는 판매 대상이 아니라 장식용임을 알 수 있습니다. 또는 반 트럭이 $24.99에 판매된다면 아마 장난감 트럭이거나 티셔츠일 것입니다. 이러한 흔한 혼동 원인은 당신이나 내가 다루는 것과 거의 동일하게 기계에 의해 처리됩니다. 시스템이 더 많이 사용될수록 더 개선됩니다.
기계에게 실수로부터 학습하도록 가르칠 수 있습니다. 분류가 처음에 이미지의 포도나 꽃을 혼동한 후, 이러한 무관한 장식 품목을 무시하고 이미지 중앙의 뷰티 크림 용기에 집중하도록 가르칠 수 있습니다. 새로운 것이 나올 때 자주 발생합니다. 어렵거나 새로운 문제에 대해서는 항상 인간 분류자를 투입할 수 있습니다.
컴퓨터가 패턴을 찾고 전문가가 그 패턴을 검토하는 것은 더 적은 문제로 더 많은 상품을 배송하는 훌륭한 방법입니다. 결국 이는 신뢰를 만듭니다. 국경을 넘어 상품을 보낼 때 그 노력의 모든 것을 알 필요는 없지만, 작업이 완료되었다는 것을 알 수 있으며, 분류 시스템이 비즈니스 성장에 중요한 도구라고 신뢰할 수 있습니다.
HS 관세 코드 분류와 머신러닝의 만남
Zonos에서 업계 및 소프트웨어 전문가 팀은 항상 국경 간 무역을 단순화하는 방법을 연구하고 있습니다. 이 중 한 가지는 국경을 넘어 상품을 이동하는 모든 비즈니스가 해당 품목을 올바르게 분류하도록 하는 것입니다. 모든 국가는 판매하는 상품을 설명하는 데 동일한 시스템인 Harmonized Code system을 사용합니다. HS 또는 HTS 코드를 사용하여 상품을 올바르게 분류하면 국경에서 소포를 검사할 때 일관성을 확보하는 데 도움이 됩니다.
국경을 넘어 상품을 배송할 때 복잡한 요소가 많지만, HS 코드와 관련해서는 정확한 자동 분류가 비즈니스 성장에 중요한 도구가 될 수 있습니다. 정확한 상품 분류는 과거에 번거롭고 비용이 많이 드는 과정이었지만, 우리는 이를 해결하고 있습니다. Zonos에는 상품 설명에 Harmonized Code를 할당하는 업계를 변화시키는 도구 Classify가 있습니다.
업계 전문가이자 소프트웨어 엔지니어로서, 독특한 관점에서 작동 방식을 설명할 수 있습니다. 국경 간 무역을 위한 HS 분류가 머신러닝과 만나는 과정을 살펴보겠습니다.
„Men's Gold Toe Windsor Wool (12 Pairs) Black“이라는 상품을 판매하는 경우, 시스템은 6115.94 코드를 할당할 수 있습니다. 해당 국가로 배송되는 품목을 검사하는 세관 관계자는 코드를 보고 소포 내용을 이해하고 지체 없이 처리할 수 있습니다.
처음 두 자리 61은 품목이 62(비편직)가 아닌 편직 또는 코바늘 편직 의류임을 알려줍니다. 다음 두 자리 15는 양말임을 나타냅니다. 마지막 두 자리 94는 전장 양말임을 보여줍니다.
„Men's Gold Toe Windsor Wool (12 Pairs) Black“이라는 이름의 상품이 6115.94 설명에 맞는 것은 명백해 보이지만, 실의 두께나 기타 고려 사항에 따라 선택될 수 있는 유사 코드가 많습니다. 분류 도구는 코드를 상품에 매칭하고 사용 가능한 최상의 일치를 찾아야 합니다.
배송 목적지를 알면 더욱 복잡해집니다. 각 국가는 추가 코드를 할당합니다. 예를 들어 6115.94.00 끝의 추가 00은 캐나다 세관 관계자에게 이것이 양모 양말임을 알려주고, 6115.94.0000은 단순 양모 양말보다 훨씬 높은 세금이 부과된다는 더 자세한 정보를 제공합니다. 왜 다른지에 대한 설명을 찾을 수 없었으며, 이것이 올바른 분류가 왜 그렇게 중요한지를 보여줍니다. 상품 분류 시 실수하기 쉽기 때문입니다.
6115.94.0000 설명은 6115.94.00 설명과 동일하지만, 추가 0 두 개가 관세율을 높일 수 있습니다. 도구는 가장 정확한 분류를 이해할 뿐만 아니라 결정이 고객에 미치는 영향도 이해해야 합니다.