Oplossingen voor classificatie
Omdat er zoveel verschillende producten zijn en de regels vaak veranderen, kan dit ingewikkeld worden. Mensen, zelfs experts, krijgen de code slechts ongeveer 7 keer op de 10 goed, en handmatige productclassificatie is een extra werklast.
Een andere oplossing is om een computerprogramma te schrijven met al de regels. Industrie-experts classify producten en software-engineers voegen de regels toe die de experts volgen. Een dergelijk systeem kan de juiste code ongeveer 9 keer op de 10 krijgen. Ik weet dit omdat ons team bij Zonos dit heeft gedaan. De regels die we creëren letten op het volgende:
- De manier waarop een product wordt beschreven
- Welke afbeelding wordt gebruikt om het product te adverteren
- Wie het product verkoopt
- De kosten van het product
Aandacht voor deze factoren resulteert in maximale classificatienauwkeurigheid.
Een nauwkeurigheid van 9/10 bij het classificeren van items is ongelooflijk, maar we zijn nog niet klaar. Dat ene verkeerd geclassificeerde item is waardevol voor ons omdat we het gebruiken als gegevens om moeilijke patronen te identificeren om onze nauwkeurigheid en resultaten te verbeteren. Bijvoorbeeld, ik zag onlangs een product in een online winkel dat werd beschreven als sokken die "goed passen bij een op maat gemaakt pak en de perfecte aanvulling zouden zijn op een duur paar nette schoenen," wat moeilijk te classify zou kunnen zijn. Mensen weten dat het product voor sokken is, maar de beschrijving kan ook over pakken of schoenen gaan.
Om te voorkomen dat de computer in de war raakt, worden de regels steeds ingewikkelder. U kunt zich voorstellen dat dit nog moeilijker wordt wanneer alleen een merknaam wordt gebruikt, een woord verkeerd gespeld is, of de afbeelding voor een product meerdere items bevat.
Met al deze bestaande factoren die problemen veroorzaken, gebruiken we machine learning om de classificatie in ieder geval 99 keer op de 100 goed te krijgen. Machine learning zegt dat we gaan stoppen met het vertellen aan de computer van elk klein detail dat belangrijk kan zijn en de computer vragen om zelf te leren wat belangrijk is. We hebben nog steeds experts en regels, maar de computer heeft een veel grotere taak en kan vaak veel betere resultaten behalen dan mensen.
Machine learning: Patronen herkennen
Een manier waarop we de computer vragen om dit probleem voor ons op te lossen, is door het productafbeeldingen te geven en de computer te vragen om patronen in die afbeeldingen te vinden. Zodra het klaar is, kan de computer verschillen identificeren die mensen misschien missen.
Hier is een voorbeeld van autokoplampen. Gegeven duizenden foto's van autokoplampen, vroeg ik de computer om ze te organiseren op basis van hoe verschillend de afbeeldingen van elkaar zijn. Ik vertelde de computer niets over de afbeeldingen. Toen het dit deed, besloot de computer dat er drie of vier verschillende soorten afbeeldingen waren die vaak worden gebruikt om een autokoplamp te verkopen. Voorbeelden van elk type productafbeelding zien er als volgt uit:
In deze afbeeldingen zijn er twee vormen van autokoplampen en één die op een auto staat. Als ik naar andere afbeeldingen in elke groep kijk, zie ik dat elke groep gevuld is met afbeeldingen die vergelijkbaar zijn. Als auto-onderdelenwinkels beginnen met het verkopen van autokoplampen met foto's van de doos, zouden machine learning-tools dit opmerken en zich automatisch aanpassen. Ik gebruik deze informatie voor duizenden verschillende productcategorieën over miljoenen producten.
Vaak kunnen de machine learning-tools patronen opmerken die mensen missen. Bijvoorbeeld, een motorfiets koplamp ziet er iets anders uit dan een autokoplamp; of, een schoonheidsproduct wordt vaak verkocht met een vrouw die het item dicht bij haar gezicht houdt, of een duur kledingstuk wordt vaak op een model geplaatst en een goedkoper kledingstuk wordt vaak op een mannequin geplaatst of gewoon op een tafel gevouwen. Deze lijken gemakkelijk te herkennen patronen en details zodra ik ze opmerk, maar ze zijn eigenlijk vrij gemakkelijk te missen.
De machines kunnen ook gezond verstand leren. Als een winkel zich richt op gezondheids- en schoonheidsproducten, weten we dat de bloemen en druiven die in sommige productafbeeldingen staan niet te koop zijn; ze zijn gewoon decoratief. Of als een vrachtwagen wordt verkocht voor $24,99, is het waarschijnlijk een speelgoedtruck of een t-shirt. Deze veelvoorkomende bronnen van verwarring worden door de machine min of meer op dezelfde manier behandeld als jij of ik ze zouden behandelen. Hoe meer het systeem wordt gebruikt, hoe meer het verbetert.
We kunnen machines leren om van onze fouten te leren. Nadat een classificatie de druiven of de bloemen in de afbeelding de eerste keer in de war heeft gebracht, kan het worden geleerd om deze irrelevante, decoratieve items te negeren en zich te concentreren op de tubus van schoonheidscrème in het midden van de afbeelding. Dit komt vaak voor wanneer iets nieuw is. We kunnen altijd een menselijke classifier inschakelen om naar moeilijke of nieuwe problemen te kijken.
De computer patronen te laten zoeken en een expert die die patronen beoordeelt, is een geweldige manier om meer producten met minder problemen te verzenden. Aan het einde van de dag creëert dit vertrouwen. Het verzenden van een product over grenzen zou niet vereisen dat je alles weet wat in de inspanning gaat; maar wetende dat het werk is gedaan, kun je erop vertrouwen dat ons classificatiesysteem een belangrijk hulpmiddel is om je bedrijf te laten groeien.
HS-tariefcode classificatie ontmoet machine learning
Bij Zonos werkt ons team van industrie- en software-experts voortdurend aan manieren om grensoverschrijdende handel te vereenvoudigen. Een aspect hiervan is ervoor te zorgen dat elk bedrijf dat producten over de grens verplaatst, deze items correct classificeert. Alle landen gebruiken hetzelfde systeem om de producten die u verkoopt te beschrijven, genaamd het Harmonized Code-systeem. Het correct classificeren van uw producten met behulp van HS- of HTS-codes helpt ervoor te zorgen dat er consistentie is wanneer uw pakketten aan de grens worden gecontroleerd.
Er zijn veel complexiteiten als het gaat om het verzenden van producten over de grens; maar als het gaat om HS-codes, kunnen nauwkeurige geautomatiseerde classificaties dienen als een cruciaal hulpmiddel om uw bedrijf te laten groeien. Hoewel nauwkeurige productclassificatie in het verleden een moeizaam en kostbaar proces is geweest, lossen wij dat op. Zonos heeft een baanbrekend hulpmiddel genaamd Classify dat een Harmonized Code toekent aan productbeschrijvingen.
Als zowel een industriespecialist als software-engineer kan ik uitleggen hoe dit werkt vanuit een uniek perspectief. Laten we bekijken hoe HS-classificatie voor grensoverschrijdende handel machine learning ontmoet.
Als u een product verkoopt dat "Heren Gold Toe Windsor Wol (12 Paar) Zwart" heet, kan ons systeem een code aan dit product toekennen, 6115.94. De douanebeambte die de items inspecteert die naar het land worden verzonden, kan naar de code kijken, begrijpen wat er in het pakket zit en het item zonder vertraging doorsturen.
De eerste twee cijfers, 61, vertellen de beambte dat het item gebreide of gehaakte kleding is, in plaats van 62 voor niet-gebreide items. De tweede twee cijfers, 15, geven aan dat dit sokken zijn. De laatste twee cijfers, 94, onthullen dat dit lange sokken zijn.
Het lijkt misschien voor de hand liggend dat een product met een naam als "Heren Gold Toe Windsor Wol (12 Paar) Zwart" zou passen bij de beschrijving 6115.94, maar er zijn veel vergelijkbare codes die gekozen hadden kunnen worden, afhankelijk van de draaddikte of andere overwegingen. Onze classificatietool moet een code aan een product koppelen en de beste beschikbare match vinden.
Dit wordt ingewikkelder zodra we weten waar het item naartoe wordt verzonden. Elk land kent aanvullende codes toe. Bijvoorbeeld, de extra 00 aan het einde van 6115.94.00 vertelt een Canadese douanebeambte dat dit een wollen sok is en 6115.94.0000 biedt nog meer details, zodat ze weten dat de belastingen op het item veel hoger zijn dan voor een gewone wollen sok. Ik kon geen uitleg vinden waarom dit anders is, wat de reden is dat juiste classificatie zo belangrijk is; het is zo gemakkelijk om een fout te maken bij het classificeren van producten.
De beschrijving 6115.94.0000 is identiek aan de beschrijving 6115.94.00, maar die twee extra 0's kunnen de douanetarief rate verhogen. Onze tools moeten niet alleen de meest correcte classificatie begrijpen, maar ook begrijpen hoe onze beslissingen onze klanten beïnvloeden.