Phân loại mã thuế HS gặp gỡ học máy

Giải pháp cho phân loại 

Vì có rất nhiều sản phẩm khác nhau và các quy tắc thường xuyên thay đổi, điều này có thể trở nên phức tạp. Con người, ngay cả những chuyên gia, chỉ đúng mã khoảng 7 lần trong 10 lần, và việc phân loại sản phẩm thủ công là một khối lượng công việc bổ sung.

Một giải pháp khác là viết một chương trình máy tính với tất cả các quy tắc. Các chuyên gia trong ngành classify 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 trong 10 lần. Tôi biết điều này vì đội ngũ của chúng tôi tại Zonos đã làm điều này. Các quy tắc mà chúng tôi tạo ra chú ý đến các yếu tố sau:

• Cách mô tả một sản phẩm
• Hình ảnh nào được sử dụng để quảng cáo sản phẩm
• Ai đang bán sản phẩm
• Giá 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 9/10 sản phẩm là điều tuyệt vời, nhưng chúng tôi vẫn chưa dừng lại. Mặt hàng bị phân loại sai đó có giá trị đối với chúng tôi vì chúng tôi sử dụng nó như dữ liệu để xác định các mẫu khó khăn nhằm cải thiện độ chính xác và kết quả của chúng tôi. Ví dụ, tôi gần đây đã thấy một sản phẩm trong một cửa hàng trực tuyến được mô tả là tất mà “trông đẹp trong một bộ đồ may đo và sẽ là sự bổ sung hoàn hảo cho một đôi giày da đắt tiền,” điều này có thể khó để classify. Con người biết sản phẩm là tất, nhưng mô tả có thể nói về bộ đồ hoặc giày.

Để ngăn máy tính bị nhầm lẫn, các quy tắc ngày càng trở nên phức tạp. Bạn có thể tưởng tượng điều này trở nên khó khăn hơn khi chỉ sử dụng tên thương hiệu, một từ bị đánh vần sai, hoặc hình ảnh cho một sản phẩm bao gồm nhiều mặt hàng.

Với tất cả những yếu tố gây ra vấn đề hiện có, để phân loại đúng ít nhất 99 lần trong 100 lần, chúng tôi sử dụng học máy. Học máy nói rằng chúng tôi sẽ ngừng nói cho máy tính mọi điều nhỏ nhặt có thể quan trọng và yêu cầu máy tính tự học những gì là 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 nhiều so với con người.

Học máy: Nhận diện mẫu 

Một cách mà chúng tôi yêu cầu máy tính giải quyết vấn đề này cho chúng tôi là cung cấp cho nó hình ảnh sản phẩm và yêu cầu máy tính tìm kiếm 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. Với hàng ngàn bức ảnh về đèn pha ô tô, tôi đã yêu cầu máy tính tổ chức chúng theo cách mà các hình ảnh khác nhau với nhau. Tôi không nói cho máy tính biết gì về các hình ảnh. Khi làm điều này, máy tính quyết định rằng có ba hoặc bốn loại hình ảnh khác nhau thường được sử dụng để bán một đèn pha ô tô. Ví dụ về mỗi 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 trên một chiếc xe. Nếu tôi nhìn vào các hình ảnh khác trong mỗi nhóm, tôi thấy rằng mỗi nhóm đều chứa các hình ảnh tương tự. Nếu các cửa hàng phụ tùng ô tô bắt đầu bán đèn pha ô tô với hình ảnh của hộp, các công cụ học máy sẽ nhận ra và tự động thích ứng. Tôi sử dụng thông tin này cho hàng ngàn loại sản phẩm khác nhau trên hàng triệu sản phẩm.

Thường thì các công cụ học máy có thể nhận ra các mẫu mà con người bỏ lỡ. Ví dụ, một đèn pha xe máy trông hơi khác so với một đèn pha ô tô; hoặc, một sản phẩm làm đẹp thường được bán với một người phụ nữ cầm sản phẩm gần mặt, hoặc một món đồ quần áo đắt tiền thường được đặt trên một người mẫu và một món đồ rẻ hơn thường được đặt trên một hình nộm hoặc chỉ gấp trên một cái bàn. Những điều này có vẻ như là những mẫu và chi tiết dễ nhận ra khi tôi nhận ra chúng, nhưng thực tế thì chúng khá dễ bị bỏ lỡ.

Các máy cũng có thể học được lẽ thường. Nếu một cửa hàng tập trung vào các sản phẩm sức khỏe và làm đẹp, chúng tôi biết rằng những bông hoa và nho có trong một số hình ảnh sản phẩm không được bán; chúng chỉ là trang trí. Hoặc nếu một chiếc xe tải bán với giá 24.99 đô la, có lẽ đó là một chiếc xe tải đồ chơi hoặc một chiếc áo phông. Những nguồn gây nhầm lẫn phổ biến này được máy xử lý gần như giống như cách bạn hoặc tôi sẽ xử lý chúng. Càng sử dụng hệ thống, nó càng cải thiện.

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

Việc để máy tính tìm kiếm các mẫu và một chuyên gia xem xét những mẫu đó là một cách tuyệt vời để có nhiều sản phẩm được vận chuyển với ít rắc rối hơn. Cuối cùng, điều này tạo ra sự tự tin. Gửi một sản phẩm qua biên giới không nên yêu cầu bạn biết mọi thứ liên quan đến nỗ lực đó; nhưng biết rằng công việc đã được thực hiện, 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.