Phân loại mã tariff HS kết hợp machine learning

Giải pháp phân loại 

Bởi vì có quá nhiều sản phẩm khác nhau và những quy tắc thay đổi thường xuyên, điều này có thể trở nên phức tạp. Con người, thậm chí những chuyên gia, chỉ có thể gán mã đúng khoảng 7 lần trên 10, và phân loại sản phẩm thủ công là một công việc bổ sung.

Một giải pháp khác là viết một chương trình máy tính với tất cả các quy tắc. Các chuyên gia ngành phân loại sản phẩm và các kỹ sư phần mềm thêm các quy tắc mà các chuyên gia tuân theo. Một hệ thống như vậy có thể có được mã đúng khoảng 9 lần trên 10. Tôi biết điều này vì đội ngũ của chúng tôi tại Zonos đã làm điều này. Các quy tắc chúng tôi tạo ra chú ý đến những điều sau đây:

• Cách mô tả sản phẩm
• Hình ảnh nào được sử dụng để quảng cáo sản phẩm
• Ai đang bán sản phẩm
• Chi phí của sản phẩm

Chú ý đến những yếu tố này dẫn đến độ chính xác phân loại tối đa.

Có độ chính xác phân loại mặt hàng 9/10 là tuyệt vời, nhưng chúng tôi chưa dừng lại. Mặt hàng được phân loại sai đó rất quý báu đối với chúng tôi vì chúng tôi sử dụng nó làm dữ liệu để xác định các mẫu khó để cải thiện độ chính xác và kết quả của chúng tôi. Ví dụ, gần đây tôi thấy một sản phẩm trong một cửa hàng trực tuyến được mô tả là tất có "nhìn đẹp trong một bộ vest may đo và sẽ là sự bổ sung hoàn hảo cho một đôi giày tuxedo đắt tiền", điều này có thể khó phân loại. Con người biết sản phẩm là dành cho tất, nhưng mô tả có thể là về bộ vest hoặc giày.

Để ngăn máy tính bị nhầm lẫn, các quy tắc trở nên phức tạp hơn và hơn nữa. Bạn có thể tưởng tượng rằng nó trở nên thậm chí còn khó khăn hơn khi chỉ có một tên nhãn hiệu được sử dụng, một từ bị viết sai, hoặc hình ảnh cho một sản phẩm bao gồm nhiều mặt hàng.

Với tất cả những yếu tố gây vấn đề hiện có này, để có được phân loại đúng ít nhất 99 lần trên 100, chúng tôi sử dụng machine learning. Machine learning nói rằng chúng tôi sẽ dừng việc bảo máy tính mọi chi tiết nhỏ có thể quan trọng và yêu cầu máy tính tự học những gì quan trọng. Chúng tôi vẫn có các chuyên gia và quy tắc, nhưng máy tính có một công việc lớn hơn nhiều và thường có thể đạt được kết quả tốt hơn con người.

Machine learning: Nhận diện các mẫu 

Một cách chúng tôi yêu cầu máy tính giải quyết vấn đề này cho chúng tôi là cấp cho nó các hình ảnh sản phẩm và yêu cầu máy tính tìm các mẫu trong những hình ảnh đó. Khi nó sẵn sàng, máy tính có thể xác định những khác biệt mà con người có thể bỏ lỡ.

Đây là một ví dụ về đèn pha ô tô. Khi được cho hàng nghìn bức ảnh đèn pha ô tô, tôi yêu cầu máy tính sắp xếp chúng theo mức độ khác biệt của hình ảnh với nhau. Tôi không nói với máy tính điều gì về những hình ảnh. Khi nó làm điều này, máy tính quyết định rằng có ba hoặc bốn loại hình ảnh khác nhau thường được sử dụng để bán đèn pha ô tô. Ví dụ về từng loại hình ảnh sản phẩm trông như thế này:

Trong những hình ảnh này, có hai hình dạng của đèn pha ô tô và một cái nằm trên một chiếc ô tô. Nếu tôi xem các hình ảnh khác trong mỗi nhóm, tôi sẽ thấy rằng mỗi nhóm được lấp đầy bằng các hình ảnh tương tự. Nếu các cửa hàng phụ tùng ô tô bắt đầu bán đèn pha ô tô với các bức ảnh của hộp, các công cụ machine learning sẽ nhận thấy và thích ứng tự động. Tôi sử dụng thông tin này cho hàng nghìn danh mục sản phẩm khác nhau trên hàng triệu sản phẩm.

Thường xuyên các công cụ machine learning có thể nhận thấy các mẫu mà con người bỏ lỡ. Ví dụ, đèn pha xe máy trông hơi khác so với đèn pha ô tô; hoặc, một sản phẩm làm đẹp thường được bán với một phụ nữ cầm vật này gần mặt của cô ấy, hoặc một mặt hàng quần áo đắt tiền thường được đặt trên một người mẫu và một mặt hàng quần áo rẻ tiền thường được đặt trên một hình nộm hoặc chỉ là gấp gọn trên một bàn. Những điều này có vẻ giống như các mẫu dễ dàng và chi tiết để nhận thấy khi tôi nhận thấy chúng, nhưng chúng thực sự khá dễ bỏ lỡ.

Máy móc cũng có thể học lẽ thường. Nếu một cửa hàng tập trung vào các sản phẩm sức khỏe và làm đẹp, chúng tôi biết những bông hoa và nho trong một số hình ảnh sản phẩm không được bán; chúng chỉ là trang trí. Hoặc nếu một chiếc xe tải bán tải đang được bán với giá $24,99, nó có thể là một chiếc xe tải đồ chơi hoặc áo phông. Những nguồn nhầm lẫn phổ biến này được máy xử lý gần giống như cách bạn hoặc tôi sẽ xử lý chúng. Hệ thống được sử dụng càng nhiều, nó càng được cải thiện.

Chúng tôi có thể dạy máy học từ những sai lầm của chúng tôi. Sau khi một phân loại làm nhầm lẫn những bông hoa hoặc những bông hoa trong hình ảnh lần đầu tiên, nó có thể được dạy để bỏ qua những mục trang trí không liên quan này và tập trung vào lọ kem làm đẹp ở giữa hình ảnh. Điều này thường xảy ra khi có cái gì đó mới. Chúng tôi luôn có thể đưa một người phân loại con người vào để xem những vấn đề khó khăn hoặc mới.

Việc có máy tính tìm kiếm các mẫu và một chuyên gia xem xét những mẫu đó là một cách tuyệt vời để vận chuyển nhiều sản phẩm hơn với ít rắc rối hơn. Cuối cùng, điều này tạo ra sự tự tin. Vận chuyển một sản phẩm qua biên giới không nên yêu cầu bạn biết mọi thứ mà nó liên quan đến nỗ lực; nhưng biết rằng công việc đã được hoàn thành, bạn có thể tin tưởng rằng hệ thống phân loại của chúng tôi là một công cụ quan trọng để phát triển doanh nghiệp của bạn.