Oplossingen voor classificatie
Omdat er zoveel verschillende producten en frequent wijzigende regels zijn, kan dit ingewikkeld worden. Mensen, zelfs experts, krijgen de code ongeveer 7 van de 10 keer goed, en handmatige productclassificatie is extra werk.
Een andere oplossing is een computerprogramma schrijven met al de regels. Branche-experts classificeren producten en software-engineers voegen de regels toe die experts volgen. Zo'n systeem krijgt de correcte code ongeveer 9 van de 10 keer. Ik weet dit omdat ons team bij Zonos dit heeft gedaan. De regels die we maken 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
Letten op deze factoren levert maximale classificatienauwkeurig op.
9/10 artikelclassificatienauwkeurigheid is ongelofelijk, maar we zijn nog niet klaar. Dat ene verkeerd geclassificeerde artikel is waardevol voor ons omdat we het als data gebruiken om moeilijke patronen te identificeren en onze nauwkeurigheid en resultaten te verbeteren. Ik zag bijvoorbeeld recent een product in een online winkel beschreven als sokken die „er goed uitzien in een op maat gemaakt pak en het perfecte complement zouden zijn voor een duur paar nette schoenen," wat moeilijk te classificeren kan zijn. Mensen weten dat het product sokken zijn, maar de beschrijving zou over pakken of schoenen kunnen 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 is gespeld, of de afbeelding voor een product meerdere artikelen bevat.
Met al deze bestaande problematische factoren, om de classificatie minstens 99 van de 100 keer goed te krijgen, gebruiken we machine learning. Machine learning zegt dat we stoppen met de computer elk klein detail te vertellen dat belangrijk kan zijn en de computer vragen 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 krijgen dan mensen.
Machine learning: patronen herkennen
Een manier waarop we de computer vragen dit probleem voor ons op te lossen, is door productafbeeldingen te geven en de computer te vragen patronen in die afbeeldingen te vinden. Zodra het klaar is, kan de computer verschillen identificeren die mensen missen.
Hier is een voorbeeld van autokoplampen. Gegeven duizenden afbeeldingen van autokoplampen, vroeg ik de computer ze te ordenen op hoe verschillend de afbeeldingen van elkaar zijn. Ik vertelde de computer niets over de afbeeldingen. Toen deed de computer dit, besloot hij dat er drie of vier verschillende soorten afbeeldingen zijn die veel worden gebruikt om een autokoplamp te verkopen. Voorbeelden van elk type productafbeelding zien er zo uit:
In deze afbeeldingen zijn er twee vormen autokoplampen en één op een auto. Als ik naar andere afbeeldingen in elke groep kijk, zie ik dat elke groep gevuld is met vergelijkbare afbeeldingen. Als autodeelwinkels autokoplampen beginnen verkopen met afbeeldingen van de doos, zouden machine learning-tools dit opmerken en automatisch aanpassen. Ik gebruik deze informatie voor duizenden verschillende productcategorieën over miljoenen producten.
Vaak kunnen machine learning-tools patronen opmerken die mensen missen. Een motorfietskoplamp ziet er bijvoorbeeld iets anders uit dan een autokoplamp; of een beautyproduct wordt vaak verkocht met een vrouw die het artikel bij haar gezicht houdt, of een duur kledingstuk staat vaak op een model en een goedkoper artikel op een mannequin of gevouwen op een tafel. Dit lijken makkelijke 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 beautyproducten, weten we dat de bloemen en druiven in sommige productafbeeldingen niet worden verkocht; ze zijn alleen decoratief. Of als een vrachtwagen wordt verkocht voor $24,99, is het waarschijnlijk een speelgoedvrachtwagen of een t-shirt. Deze veelvoorkomende bronnen van verwarring worden door de machine min of meer hetzelfde behandeld als u of ik. Hoe meer het systeem wordt gebruikt, hoe meer het verbetert.
We kunnen machines leren van onze fouten. Nadat een classificatie de druiven of bloemen in de afbeelding de eerste keer verwart, kan het worden geleerd deze irrelevante, decoratieve artikelen te negeren en te focussen op de kuip beautycreme in het midden van de afbeelding. Dit komt vaak voor wanneer iets nieuw is. We kunnen altijd een menselijke classificator inschakelen voor moeilijke of nieuwe problemen.
De computer patronen laten zoeken en een expert die patronen beoordeelt, is een geweldige manier om meer producten te verzenden met minder problemen. Uiteindelijk creëert dit vertrouwen. Een product over grenzen sturen zou niet moeten vereisen dat u alles kent wat in de inspanning gaat; maar wetende dat het werk is gedaan, kunt u vertrouwen dat ons classificatiesysteem een belangrijk instrument is om uw bedrijf te laten groeien.
HS-tariefcodeclassificatie ontmoet machine learning
Bij Zonos werkt ons team van branche- en software-experts altijd aan manieren om cross-border handel te vereenvoudigen. Een aspect daarvan is ervoor zorgen dat elk bedrijf dat producten over grenzen verplaatst, die artikelen correct classificeert. Alle landen gebruiken hetzelfde systeem om de producten die u verkoopt te beschrijven, het Harmonized Code-systeem. Uw producten correct classificeren met HS- of HTS-codes helpt consistentie te garanderen wanneer uw pakketten aan de grens worden gecontroleerd.
Er zijn veel complexiteiten bij cross-border productverzending; maar als het om HS-codes gaat, kunnen nauwkeurige geautomatiseerde classificaties een cruciaal instrument zijn om uw bedrijf te laten groeien. Hoewel nauwkeurige productclassificatie in het verleden een omslachtig, duur proces was, lossen we dat op. Zonos heeft een brancheveranderende tool genaamd Classify die een Harmonized Code toewijst aan productbeschrijvingen.
Als zowel branche-specialist als software-engineer kan ik uitleggen hoe dit werkt vanuit een uniek perspectief. Laten we uiteenzetten hoe HS-classificatie voor cross-border handel machine learning ontmoet.
Als u een product verkoopt genaamd „Men's Gold Toe Windsor Wool (12 Pairs) Black," kan ons systeem er bijvoorbeeld code 6115.94 aan toewijzen. De douaneambtenaar die artikelen inspecteert die naar het land worden verzonden, kan naar de code kijken, begrijpen wat in het pakket zit en het artikel zonder vertraging doorlaten.
De eerste twee cijfers, 61, vertellen de ambtenaar dat het artikel gebreide of gehaakte kleding is, in plaats van 62 voor niet-gebreide artikelen. De tweede twee cijfers, 15, geven aan dat het sokken zijn. De laatste twee cijfers, 94, onthullen dat het kniehoogte sokken zijn.
Het lijkt misschien voor de hand liggend dat een product met een naam als „Men's Gold Toe Windsor Wool (12 Pairs) Black" past bij beschrijving 6115.94, maar er zijn veel vergelijkbare codes die gekozen hadden kunnen worden afhankelijk van draaddikte of andere overwegingen. Onze classificatietool moet een code aan een product koppelen en de best beschikbare match vinden.
Dit wordt complexer zodra we weten waar het artikel naartoe wordt verzonden. Elk land wijst extra codes toe. Bijvoorbeeld de extra 00 aan het einde van 6115.94.00 vertelt een Canadees douaneambtenaar dat dit een wollen sok is en 6115.94.0000 geeft nog meer detail waardoor ze weten dat de verschuldigde belastingen aanzienlijk hoger zijn dan voor een gewone wollen sok. Ik kon geen uitleg vinden waarom dit anders is, daarom is correcte classificatie zo belangrijk; het is zo gemakkelijk een fout te maken bij het classificeren van producten.
De beschrijving 6115.94.0000 is identiek aan 6115.94.00, maar die twee extra 0'en kunnen het invoerrechtstarief verhogen. Onze tools moeten niet alleen de meest correcte classificatie begrijpen, maar ook hoe onze beslissingen onze klanten beïnvloeden.