April 16, 2021 byDavid Richards

HS 關稅編碼分類遇上機器學習

April 16, 2021
David Richards

在 Zonos,我們的行業和軟件專家團隊一直在尋找簡化跨境貿易的方法。其中一個方面是確保任何跨境經營的企業都能正確對其商品進行分類。所有國家都使用相同的系統來描述您銷售的產品,稱為協調制度編碼。使用 HS 或 HTS 編碼對您的產品進行正確分類,有助於確保您的包裹在邊境被檢查時的一致性。

跨境運送產品涉及許多複雜問題。不過,當涉及 HS 編碼時,準確的自動化分類可以成為幫助您的業務增長的關鍵工具。雖然準確的產品分類在過去一直是一個繁瑣且昂貴的過程,但我們正在改變這一點。Zonos 擁有一個改變行業的工具,叫做 Classify,它可以為產品描述指派協調制度編碼。

作為行業專家和軟件工程師,我可以從獨特的角度解釋這是如何運作的。讓我們分解一下 HS 分類在跨境貿易中如何與機器學習相遇。

My image

如果您銷售一個名為"Men's Gold Toe Windsor Wool (12 Pairs) Black"的產品,我們的系統可能會為其指派編碼 6115.94。檢查運送到該國貨物的海關官員可以查看該編碼,了解包裹中的物品,並立即放行該物品,無需延誤。

前兩位數字 61 告訴官員該物品是針織或鉤編的服裝,而不是 62 代表的非針織物品。第二組兩位數字 15 表示這些是襪子。最後兩位數字 94 表示這些是長筒襪。

看起來很明顯,一個名稱為"Men's Gold Toe Windsor Wool (12 Pairs) Black"的產品會符合 6115.94 的描述,但實際上有很多類似的編碼可能被選擇,具體取決於線的厚度或其他考慮因素。我們的分類工具需要將編碼與產品進行匹配,並找到最佳匹配。

一旦我們知道該物品運往何地,情況就會變得更加複雜。每個國家都會指派額外的編碼。例如,6115.94.00 末尾的額外 00 告訴加拿大海關官員這是一種羊毛襪,而 6115.94.0000 則提供更多細節,讓他們知道該物品的稅務比單純的羊毛襪要高得多。我找不到解釋為什麼會這樣,這就是為什麼正確的分類非常重要;在對產品進行分類時非常容易出錯。

6115.94.0000 的描述與 6115.94.00 的描述相同,但那額外的兩個 0 可以提高關稅率。我們的工具不僅必須了解最正確的分類,還必須了解我們的決定如何影響我們的客戶。

分類的解決方案 

由於產品種類繁多,規則也頻繁變化,這可能會變得複雜。人類,即使是專家,也只能大約 10 次中有 7 次正確分類,而手動產品分類是一項額外的工作量。

另一個解決方案是編寫一個包含所有規則的計算機程序。行業專家對產品進行分類,軟件工程師添加專家遵循的規則。這樣的系統可以大約 10 次中有 9 次正確識別編碼。我知道這一點,因為我們在 Zonos 的團隊已經這樣做了。我們創建的規則關注以下幾點:

  • 產品的描述方式
  • 用於推廣產品的圖像
  • 誰在銷售該產品
  • 產品的成本

關注這些因素會導致最大的分類準確性。

擁有 9/10 的產品分類準確性是不可思議的,但我們還沒有完成。那一個分類錯誤的產品對我們來說很有價值,因為我們使用它作為數據來識別難以分類的模式以提高我們的準確性和結果。例如,我最近看到一個在線商店中描述為襪子,說"看起來很棒搭配剪裁得體的西裝,並且是昂貴正裝皮鞋的完美搭配",這可能很難分類。人類知道該產品是襪子,但描述可能涉及西裝或鞋子。

為了防止計算機感到困惑,規則變得越來越複雜。您可以想象,當只使用品牌名稱、單詞拼寫錯誤或產品圖片包含多個物品時,情況會變得更加困難。

考慮到所有這些現有的問題因素,為了大約 100 次中有 99 次正確地進行分類,我們使用機器學習。機器學習的意思是我們將停止告訴計算機可能重要的每一件小事,並要求計算機自己學習什麼是重要的。我們仍然有專家和規則,但計算機的工作量要大得多,通常可以獲得比人類更好的結果。

機器學習:識別模式 

我們要求計算機為我們解決這個問題的一種方式是給它提供產品圖像,並要求計算機找出這些圖像中的模式。準備好後,計算機可以識別人類可能遺漏的差異。

My image

這是自動頭燈的一個例子。給定數千張自動頭燈的照片,我要求計算機根據圖像彼此的不同程度來組織它們。我沒有告訴計算機任何關於這些圖像的信息。當它這樣做時,計算機決定通常有三到四種不同類型的圖像被用來銷售自動頭燈。每種類型的產品圖像示例看起來像這樣:

My image

在這些圖像中,有兩種形狀的自動頭燈,還有一個在汽車上。如果我查看每個群組中的其他圖像,我會看到每個群組都充滿了相似的圖像。如果汽車零件店開始銷售帶有盒子圖片的自動頭燈,機器學習工具會注意到並自動適應。我在數千個不同的產品類別和數百萬個產品中使用這些信息。

通常,機器學習工具可以注意到人類遺漏的模式。例如,摩托車頭燈看起來與自動頭燈略有不同;或者,美容產品經常與一個女人拿著物品靠近她的臉銷售,或者,昂貴的衣物經常放在模型上,而便宜的衣物經常放在人體模型上或只是折疊放在桌子上。一旦我注意到這些,這些似乎是容易發現的模式和細節,但實際上它們很容易被忽視。

機器也可以學習常識。如果一個店鋪專注於健康和美容產品,我們知道一些產品圖像中的花朵和葡萄不是在銷售;它們只是裝飾性的。或者,如果一輛半卡車被以 $24.99 的價格出售,它可能是一輛玩具卡車或一件 T 恤。這些常見的混淆來源在機器中的處理方式或多或少與您或我處理它們的方式相同。系統使用得越多,改進就越多。

我們可以教機器從我們的錯誤中學習。在分類首次被圖像中的葡萄或花朵混淆後,可以教它忽略這些無關的、裝飾性的物品,並專注於圖像中心的美容霜容器。當有新東西時,這種情況經常出現。我們總是可以帶一個人工分類器來查看困難的或新的問題。

讓計算機尋找模式,而專家審視這些模式,是更好地運送更多產品並減少麻煩的好方法。歸根結底,這建立了信心。跨境運送產品不應該要求您了解該工作涉及的所有內容;但知道工作已經完成,您可以相信我們的分類系統是幫助您業務增長的重要工具。

Author
David Richards
Published: April 16, 2021
Share