Zonos 全新 Classify 模型分類錯誤減少 29.4%

為什麼要重建一個早已領先的模型 

我們先前的模型針對電商做了深度調校，而這些調校確實奏效。

然而，無論在電商端還是郵政端，我們反覆看到的問題是：可用的資訊往往少之又少。電商商品刊登可能附有具描述性的標題、類別，以及商品材質等資訊，許多刊登確實如此。但還有更多刊登只有品牌名稱和產品名稱，像 Summit Ridge Mid 這樣的刊登，根本無法告訴你它是登山靴、背包還是外套，更別說它的材質了。

郵政領域的難度最高。進入美國的郵政貨件中，絕大多數都由 Zonos 處理，而這些包裹往往只有兩、三個字的描述，由打包的人隨手填在海關申報單上，背後沒有任何其他資訊。

這正是我們重建模型的目標：無論透過哪個管道進來，都要能處理描述資訊不足的商品。

「T 恤」可能對應 16 個以上的 HS 編碼，但究竟是哪一個？ 

假設一份申報單上只寫著 t-shirt，別無其他。這可能對應 16 個以上的 HS 編碼。正確的編碼取決於這件襯衫的材質、剪裁對象以及針織方式，而應繳稅額也會隨著每個答案而改變。光是棉質與人造纖維，就分屬不同的子目，稅率差異相當顯著。

再把這個問題乘上整份商品目錄。Kid-Silk Mohair 25g 是我們每天都會看到的那種標題，但它最終仍必須對應到關稅稅則中的某一列。

這一輪我們聚焦的正是這些棘手的商品。描述完整的商品同樣受到重視，只是它們比較不容易讓分類器出錯。

我們如何衡量 

我們以希望供應商為我們衡量的方式來評估新模型：使用實際流量，而非自行挑選的測試集。我們採用了平台上兩週內收到的分類請求，也就是客戶實際送出的標題與描述，其中也包括那些幾乎稱不上描述的內容。

在這些流量中，新模型的錯誤比所取代的模型減少 29.4%。

這是一個全新的模型，而不是舊模型的重新調校版本。我們重建了它的學習語料庫，以官方海關裁定，加上分類器每天接觸的數百萬筆描述不完整的商品刊登進行訓練。

在相同貨件上與競爭對手比較 

拿模型與自家的舊模型比較，能說明的有限。我們選取 1,000 筆真實貨件，分別交由三套系統處理：一家領先競爭對手的分類器、Classify Zonos AI 目前使用的模型，以及新模型。每一筆貨件都以相同方式評分。

Classify Zonos AI 目前使用的模型，錯誤已比競爭對手少 33%。新模型則減少了 70%。

有些錯誤的代價更高 

並非每一個分類錯誤的代價都相同。如果一雙襪子被歸到與正確位置只差一個子目的編碼，應繳稅額通常相去不遠，也沒有人會注意到。但如果同一雙襪子被歸入關稅稅則中完全不同的章，被申報成它根本不是的商品，稅額就會相差甚遠。這類錯誤日後會變成意料之外的帳單，也是我們重建模型的重要原因之一。

這對您代表什麼 

• 更常取得正確編碼。 以實際跨境流量衡量，錯誤比所取代的模型減少 29.4%。
• 專為資訊不足的產品資料打造。 我們將重建重點放在簡短、不完整的描述上，這正是郵政貨件所提供資訊的主要型態，在電商商品目錄中的比例也比多數商家預期的更高。
• 減少邊境上的意外。 錯誤編碼越少，抵達時帶著意外稅費帳單的貨件就越少。
• 您無需做任何變更。 新模型已在提供分類服務。如果您目前正在呼叫 Classify Zonos AI，您的請求與收到的回應都維持不變，因此無需任何整合工作，也不必開啟任何設定。

以上數據依據兩週的實際跨境流量，以及與一家領先競爭對手進行的 1,000 筆貨件比較。分類準確度會因產品類別及商品描述的詳細程度而有所不同。