Varför vi byggde om en modell som redan låg i täten
Våra tidigare modeller var hårt optimerade för e-handel, och den optimeringen fungerade.
Det som hela tiden återkom, både på e-handels- och postsidan, är hur lite vi ofta har att arbeta med. En e-handelsannons kan komma med en beskrivande titel, en kategori och något om vad varan är tillverkad av. Många gör det. Ännu fler består av ett varumärke och ett produktnamn, och en annons som heter Summit Ridge Mid säger inte om det är en vandringskänga, en ryggsäck eller en jacka, än mindre vad den är tillverkad av.
Det är inom post som det blir som svårast. Zonos hanterar den stora majoriteten av alla postförsändelser som kommer in i USA, och ett paket där beskrivs ofta med två eller tre ord, inskrivna på en tulldeklaration av den person som packade lådan, och det finns inget annat bakom.
Det är vad vi byggde om för: varorna där beskrivningen inte säger särskilt mycket, oavsett vilken kanal de kommer genom.
"T-shirt" kan betyda vilken som helst av 16+ HS-koder - men vilken?
Säg att en deklaration lyder t-shirt och inget annat. Det kan vara vilken som helst av 16+ HS-koder. Den rätta beror på vad tröjan är tillverkad av, vem den är skuren för och hur den är stickad, och tullen som ska betalas ändras med vart och ett av de svaren. Bomull och syntetfiber hamnar redan de i olika undernummer med väsentligt olika tullsatser.
Multiplicera det med en hel katalog. Kid-Silk Mohair 25g är den sortens titel vi ser hela dagarna, och den måste ändå landa på en enda rad i tulltaxan.
Det är de knepigare fallen vi har fokuserat på den här gången. De välbeskrivna varorna får samma uppmärksamhet, de är bara mindre benägna att få en klassificerare att snubbla.
Hur vi mätte det
Vi mätte den nya modellen så som vi själva skulle vilja att en leverantör mätte åt oss: på verklig trafik, inte på en testmängd som vi valt ut själva. Vi använde två veckors klassificeringsförfrågningar som kom genom vår plattform, vilket innebär de titlar och beskrivningar som våra kunder faktiskt skickar, inklusive de som knappt är en beskrivning alls.
I den trafiken gör den nya modellen 29,4 % färre fel än modellen den ersätter.
Det här är en ny modell, inte en omjusterad version av den gamla. Vi byggde om korpusen den lär sig från och tränade den på officiella tullbesked tillsammans med miljontals av de ofullständigt beskrivna annonser som vår klassificerare ser varje dag.
Mot en konkurrent, på samma försändelser
Att jämföra en modell med sin egen äldre modell säger bara så mycket. Vi tog 1 000 verkliga försändelser och körde dem genom tre system: en ledande konkurrents klassificerare, modellen som Classify Zonos AI använder i dag och den nya. Varje försändelse bedömdes på samma sätt.
Modellen som Classify Zonos AI använder i dag gjorde redan 33 % färre fel än konkurrenten. Den nya gör 70 % färre.
Vissa misstag kostar mer än andra
Alla klassificeringsfel har inte samma prislapp. Om ett par strumpor klassificeras ett undernummer bort från där de hör hemma ligger tullen oftast nära, och ingen märker något. Om samma strumpor hamnar i ett helt annat kapitel i tulltaxan, registrerade som något de inte är, ligger tullen inte alls nära. Det är de fallen som senare blir en oväntad räkning, och de är en stor del av varför vi byggde om modellen.
Vad det här innebär för er
- Rätt kod oftare. 29,4 % färre fel än modellen den ersätter, mätt på verklig gränsöverskridande trafik.
- Byggd för tunna produktdata. Vi riktade ombyggnaden mot korta, ofullständiga beskrivningar, vilket är det mesta av vad en postförsändelse erbjuder och en större del av en e-handelskatalog än de flesta handlare förväntar sig.
- Färre överraskningar vid gränsen. Färre felaktiga koder innebär färre försändelser som anländer med en tullräkning som ingen väntade sig.
- Inget att ändra hos er. Den nya modellen levererar redan klassificeringar. Om ni anropar Classify Zonos AI i dag förblir er förfrågan och svaret ni får tillbaka desamma, så det finns inget integrationsarbete att göra och ingen inställning att slå på.
Mätt på två veckor av verklig gränsöverskridande trafik och en jämförelse av 1 000 försändelser mot en ledande konkurrent. Klassificeringsnoggrannheten varierar beroende på produktkategori och hur mycket detaljer varubeskrivningen innehåller.
Zonos nya Classify-modell gör 29,4 % färre klassificeringsfel
Varje paket som passerar en gräns behöver en HS-kod, och den koden avgör vad försändelsen ska betala och hur smidigt den tar sig fram. Zonos har arbetat med det problemet i mer än 16 år, och Zonos Classify Zonos AI löser det med egenutvecklade AI-modeller som vi bygger själva.
Vi tränar våra modeller på gränsöverskridande data som vi ser på nära håll och vi testar dem själva, i stället för att köra en allmän modell med en tullprompt påskruvad.
Det arbetet har hållit oss i täten. Mot en ledande konkurrents klassificerare, på samma 1 000 försändelser, gör modellen som Classify Zonos AI använder i dag 33 % färre fel.
Nu har vi byggt om den för att bli ännu bättre. Under två veckor av verklig gränsöverskridande trafik gör den nya modellen 29,4 % färre klassificeringsfel än modellen den ersätter. Den är i drift nu.