Amazon: ИИ подбирает упаковку для товаров, вес на отправление ниже на 36%

Каталог Amazon насчитывает сотни миллионов товаров, и для каждого нужно выбрать упаковку, которая защитит товар и не добавит лишнего материала. Ручная проверка на таком масштабе невозможна, а общие правила упаковки не учитывают особенности отдельных позиций. По словам менеджера по исследованиям Мэттью Бейлса, в 2017 году в компании было много физических испытаний товаров, но не было масштабируемого механизма оценки сотен миллионов позиций. Статистические тесты работали только для товаров, уже отправлявшихся в разных типах упаковки. Требовалось предсказывать, как товар перенесёт более лёгкую и экологичную упаковку.

Команда Customer Packaging Experience построила модель машинного обучения, которая предсказывает, можно ли безопасно отправить товар в данном типе упаковки. Сначала модель опиралась на текстовые данные каталога: название, описание, цену, размеры упаковки. Затем её дообучили на стандартизированных изображениях товаров с камер в конвейерных туннелях фулфилмент-центров, то есть сделали мультимодальной. Модель определяет края упаковки, перфорацию, пакет вокруг товара, просвечивание стеклянной бутылки. Добавление изображений улучшило качество модели до 30% по сравнению с моделью только на тексте. Когда модель уверена в выборе, она автоматически сертифицирует товар для типа упаковки; в сомнительных случаях товар передаётся на проверку человеку.

Модель обучали на миллионах примеров товаров, доставленных в разных типах упаковки, и на примерах повреждённых отправлений: обратная связь клиентов поступает через Online Returns Center, отзывы и другие каналы. Из-за дисбаланса классов (для некоторых типов упаковки лишь около 1% примеров были неудачными) команда сравнила шесть подходов и выбрала двухфазное обучение со случайным понижением выборки. По состоянию на январь 2022 года технология применяется к товарным линиям в Северной Америке, Европе и Японии. Команда планировала научить модель понимать языки всех клиентов Amazon и учитывать особенности фулфилмента в каждой стране. За шесть лет инструменты машинного обучения помогли снизить вес упаковки на одно отправление на 36% и устранить более миллиона тонн упаковки.