Решения для классификации
Поскольку существует так много различных продуктов и часто меняющихся правил, это может усложниться. Люди, даже эксперты, правильно определяют код только в 7 из 10 случаев, а ручная классификация продуктов является дополнительной нагрузкой.
Еще одно решение — написать компьютерную программу со всеми правилами. Эксперты отрасли classify продукты, а инженеры-программисты добавляют правила, которым следуют эксперты. Такая система может получить правильный код примерно в 9 из 10 случаев. Я знаю это, потому что наша команда в Zonos сделала это. Правила, которые мы создаем, учитывают следующее:
- Как описан продукт
- Какое изображение используется для рекламы продукта
- Кто продает продукт
- Стоимость продукта
Учитывая эти факторы, мы достигаем максимальной точности классификации.
Достижение точности классификации 9/10 товаров — это невероятно, но мы еще не закончили. Этот один неправильно классифицированный товар ценен для нас, потому что мы используем его как данные для выявления сложных паттернов, чтобы улучшить нашу точность и результаты. Например, я недавно видел продукт в интернет-магазине, описанный как носки, которые «хорошо смотрятся в классическом костюме и будут идеальным дополнением к дорогой паре обуви», что может быть сложно classify. Люди знают, что продукт предназначен для носков, но описание может касаться костюмов или обуви.
Чтобы предотвратить путаницу компьютера, правила становятся все более сложными. Вы можете представить, что это становится еще сложнее, когда используется только название бренда, слово написано с ошибкой или изображение продукта включает несколько предметов.
С учетом всех этих факторов, вызывающих проблемы, чтобы правильно классифицировать как минимум 99 раз из 100, мы используем машинное обучение. Машинное обучение говорит, что мы перестанем сообщать компьютеру каждую мелочь, которая может быть важной, и попросим компьютер научиться определять, что важно для него самого. У нас все еще есть эксперты и правила, но у компьютера гораздо больше работы, и он часто может получать гораздо лучшие результаты, чем люди.
Машинное обучение: Распознавание паттернов
Один из способов, которым мы просим компьютер решить эту задачу за нас, заключается в том, чтобы предоставить ему изображения продуктов и попросить компьютер найти паттерны на этих изображениях. Как только он будет готов, компьютер сможет выявлять различия, которые могут ускользнуть от человеческого внимания.
Вот пример автомобильных фар. Учитывая тысячи фотографий автомобильных фар, я попросил компьютер организовать их по тому, насколько изображения отличаются друг от друга. Я не говорил компьютеру ничего о изображениях. Когда он это сделал, компьютер решил, что существует три или четыре разных типа изображений, которые обычно используются для продажи автомобильной фары. Примеры каждого типа изображения продукта выглядят так:
На этих изображениях представлены две формы автомобильных фар и одна, которая находится на автомобиле. Если я посмотрю на другие изображения в каждой группе, я увижу, что каждая группа заполнена похожими изображениями. Если магазины автозапчастей начнут продавать автомобильные фары с изображениями коробки, инструменты машинного обучения заметят это и автоматически адаптируются. Я использую эту информацию для тысяч различных категорий продуктов по миллионам товаров.
Часто инструменты машинного обучения могут замечать паттерны, которые ускользают от человеческого внимания. Например, фара мотоцикла выглядит немного иначе, чем автомобильная фара; или косметический продукт часто продается с женщиной, держащей предмет рядом с лицом, или дорогой предмет одежды часто размещается на модели, а более дешевый предмет часто ставится на манекен или просто складывается на столе. Эти детали кажутся простыми для заметки, когда я их замечаю, но на самом деле их довольно легко пропустить.
Машины также могут учиться здравому смыслу. Если магазин сосредоточен на товарах для здоровья и красоты, мы знаем, что цветы и виноград, которые есть на некоторых изображениях продуктов, не продаются; они просто декоративные. Или если полуприцеп продается за $24.99, это, вероятно, игрушечный грузовик или футболка. Эти общие источники путаницы обрабатываются машиной более или менее так же, как вы или я бы их обрабатывали. Чем больше система используется, тем больше она улучшается.
Мы можем научить машины учиться на наших ошибках. После того как классификация запутала виноград или цветы на изображении в первый раз, ее можно научить игнорировать эти неуместные, декоративные предметы и сосредоточиться на банке крема для красоты в центре изображения. Это часто возникает, когда что-то новое. Мы всегда можем привлечь человека-классификатора, чтобы рассмотреть сложные или новые проблемы.
Заставить компьютер искать паттерны и эксперта проверять эти паттерны — отличный способ отправить больше продуктов с меньшими проблемами. В конце концов, это создает уверенность. Отправка продукта через границы не должна требовать от вас знания всего, что входит в это усилие; но зная, что работа была выполнена, вы можете доверять тому, что наша система классификации является важным инструментом для роста вашего бизнеса.
Классификация тарифных кодов HS встречает машинное обучение
В Zonos наша команда экспертов в области и программного обеспечения всегда работает над тем, чтобы упростить трансграничную торговлю. Один из аспектов этого — обеспечение правильной классификации товаров, перемещаемых через границы. Все страны используют одну и ту же систему для описания продуктов, которые вы продаете, называемую системой Гармонизированного кода. Правильная классификация ваших товаров с использованием кодов HS или HTS помогает обеспечить согласованность при проверке ваших посылок на границе.
Существует множество сложностей, связанных с отправкой товаров через границу; но когда дело доходит до кодов HS, точные автоматизированные классификации могут служить критически важным инструментом для роста вашего бизнеса. Хотя точная классификация продуктов в прошлом была утомительным и дорогим процессом, мы это исправляем. Zonos имеет революционный инструмент под названием Classify, который присваивает Гармонизированный код описаниям продуктов.
Как специалист в отрасли и инженер-программист, я могу объяснить, как это работает с уникальной точки зрения. Давайте разберем, как классификация HS для трансграничной торговли встречает машинное обучение.
Если вы продаете продукт под названием «Мужские носки Gold Toe Windsor Wool (12 пар) черные», наша система может присвоить ему код 6115.94. Таможенный офицер, проверяющий товары, отправленные в страну, может посмотреть на код, понять, что находится в упаковке, и без задержек отправить товар дальше.
Первые два числа, 61, сообщают офицеру, что товар — это трикотажная или вязаная одежда, а не 62 для не вязаных товаров. Вторые два числа, 15, указывают, что это носки. Последние два числа, 94, показывают, что это носки полной длины.
Может показаться очевидным, что продукт с названием «Мужские носки Gold Toe Windsor Wool (12 пар) черные» соответствует описанию 6115.94, но существует множество похожих кодов, которые могли бы быть выбраны в зависимости от толщины нити или других факторов. Наш инструмент классификации должен сопоставить код с продуктом и найти наилучшее соответствие.
Это становится более сложным, когда мы знаем, куда отправляется товар. Каждая страна присваивает дополнительные коды. Например, дополнительные 00 в конце 6115.94.00 сообщают канадскому таможенному офицеру, что это шершавая носка, а 6115.94.0000 предоставляет еще больше деталей, сообщая им, что налоги на этот товар значительно выше, чем на обычные шершащие носки. Я не смог найти объяснение, почему это отличается, и именно поэтому правильная классификация так важна; так легко ошибиться при классификации продуктов.
Описание 6115.94.0000 идентично описанию 6115.94.00, но эти два дополнительных 0 могут увеличить ставку rate. Наши инструменты должны не только понимать наиболее правильную классификацию, но и осознавать, как наши решения влияют на наших клиентов.