Die richtige Verpackung für den Versand eines Artikels zu finden, ist nicht immer leicht. Bei Amazon ist dies durch einen sich ständig ändernden Katalog mit Hunderten von Millionen Artikeln eine Herausforderung. Deshalb brauchen wir einen hochmodernen, intelligenten und automatisierten Mechanismus, der sich im Handumdrehen an veränderte Umstände anpassen kann.
Glücklicherweise verbessern sich die Ansätze des maschinellen Lernens bei grossen Datenmengen enorm – insbesondere im Bereich Deep Learning. Eine bahnbrechende Kombination aus natürlicher Sprachverarbeitung und Computer Vision ermöglicht es Amazon, die richtige Menge an Verpackungen zu verwenden. Dies hat Amazon in den letzten Jahren geholfen, das Gewicht der Versandverpackungen pro Sendung seit 2015 um 41% zu reduzieren und mehr als 2 Million Tonnen Verpackungsmaterial einzusparen.
«Als ich 2017 bei Amazon anfing, hatten wir viele physische Artikeltests. Wir hatten aber keinen skalierbaren Mechanismus, der Millionen Artikel bewerten konnte, um so die optimale Verpackungsart für jeden Artikel zu ermitteln», sagt Matthew Bales, Research Science Manager. Bales, der auch Physiker ist, leitet das maschinelle Lernen im Amazon Customer Packaging Experience Team. «Statistische Tests waren der erste Teil. Sie sind aber im Grunde nur nützlich, wenn Artikel bereits in mehr als einer Verpackungsart versandt wurden. Wir wollten die Möglichkeit haben, vorherzusagen, wie es einem Artikel in einer weniger schützenden, leichteren und nachhaltigeren Verpackung ergehen würde. Sobald man sich in diesen Bereich der Vorhersage begibt, braucht man maschinelles Lernen», erklärt Bales.
Die Macht des Kundenfeedbacks
«Das Kundenfeedback ist von grösster Bedeutung, denn es ist die Grundlage für alle unsere statistischen Tests.»
Um eine Vorhersage darüber treffen zu können, ob ein bestimmter Artikel in einer bestimmten Verpackungsart sicher versendet werden kann, haben Bales und seine Kolleg:innen ein Machine-Learning-Modell entwickelt. Dieses Modell basiert weitgehend auf den textbasierten Daten, die Kund:innen bei Amazon finden – Artikelname, Produktbeschreibung, Preis, Verpackungsmasse und so weiter. Das Modell wurde mit Millionen Beispielen trainiert, bei denen Artikel erfolgreich in verschiedenen Verpackungsarten versendet wurden – aber manche auch beschädigt ankamen. Kund:innen geben uns Rückmeldung, wenn ein Artikel nicht ausreichend durch die Verpackung geschützt ist – zum Beispiel über das Online-Retouren-Center oder über Produktrezensionen. «Das Feedback der Kund:innen ist von grösster Bedeutung», sagt Bales. «Es ist die Grundlage für alle unsere statistischen Tests.»
Das Modell lernte, dass bestimmte Schlüsselwörter bei der Entscheidung für die passende Verpackung besonders wichtig sind. Beispielsweise weisen Schlüsselwörter wie «Keramik», «Lebensmittel», «Becher» und «Glas» darauf hin, dass eine gepolsterte Versandtasche als Verpackung ungeeignet ist. Diese Artikel sollten besser in einem Karton versandt werden. Das automatische Erkennen des Artikels und dessen Abmessungen sind ein zentraler Schritt – aber nur die halbe Miete. Ebenso wichtig ist, wie Lieferanten den Artikel verpacken, bevor sie ihn an ein Logistikzentrum schicken. Eine Keramiktasse kann zum Beispiel in einer durchsichtigen Plastiktüte oder in einem stabilen Karton verpackt sein.
Dieser Inhalt wird von einem Drittanbieter (www.youtube.com) bereitgestellt.
Damit der Inhalt angezeigt wird, ist deine Zustimmung zur Verwendung von Cookies notwendig. Klicke dazu im Pop-up-Fenster auf Alle akzeptieren oder wähle im unteren Website-Bereich Cookie Einstellungen aus. Anschließend auf Funktionelle Cookies, Leistungs-Cookies and Werbe-Cookies klicken und Ein auswählen.
Um Artikelverpackungen in grossem Umfang zu identifizieren, nutzt Bales‘ Team Maschinelles Sehen (Computer Vision). Dem Team war klar, dass Artikelbilder aus dem Amazon Store bei der Verpackungswahl nicht hilfreich sind. Sie nutzen stattdessen Amazons eigene Bilddaten. Wenn Artikeln ein Logistikzentrun erreichen, werden viele über ein Förderband mit einem speziellen Computer-Vision-Tunnel geschickt. Kameras nehmen hierbei aus verschiedenen Perspektiven Bilder der Artikel auf. Diese Tunnel werden unter anderem zur Ermittlung der Artikelabmessungen und zum Aufspüren von Mängeln verwendet.
«Die Literatur zum maschinellen Lernen in Bezug auf Verpackungen ist ziemlich spärlich. Nicht viele Leute beschäftigen sich mit der Art von Datensätzen, mit denen wir im Verpackungsbereich zu tun haben.»
Prasanth Meiyappan, Applied Scientist bei Amazon, erweiterte das Training des Machine-Learning-Modells um diese standardisierten Artikelbilder und ergänzt damit die Texte aus dem Katalog. «Unser Modell erkennt die Kanten der Verpackung und bestimmt so die Form, erkennt Perforationen, Verpackungen oder Licht, das durch eine Glasflasche scheint» erklärt Meiyappan.
Die Einbeziehung sowohl textbasierter als auch visueller Daten verbesserte die Leistung des Machine-Learning-Modells um bis zu 30% im Vergleich zur alleinigen Verwendung textbasierter Daten. Bales und Meiyappan haben ein Positionspapier erstellt, in dem sie ihre Arbeit beschreiben. «Wenn das Modell sich sicher ist, welche Verpackungsart für einen bestimmten Artikel am besten geeignet ist, lassen wir es automatisch für diese Verpackungsart zertifizieren», sagt Bales. «Wenn das Modell unsicher ist, markiert es einen Artikel und seine Verpackung zur Prüfung durch einen Menschen. Die Technologie wird derzeit bei Artikeln in Nordamerika und Europa angewandt. Sie reduziert automatisch und in einem wachsenden Umfang den Verpackungsmüll. Das ist ein dreifacher Gewinn», so Bales. «Weniger Abfall, höhere Kundenzufriedenheit und niedrigere Kosten.»
Was kommt als Nächstes?
Das Team möchte die Nutzung des Tools erweitern, indem es das Modell so schult, dass es alle Sprachen der Kund:innen versteht und gleichzeitig die besonderen Aspekte der Auftragsabwicklung in jedem Land berücksichtigt.
