小売 / 電子商取引
Amazon：商品属性の標準化と誤りの修正
- 企業
- Amazon
- 国
- 米国
- 導入状況
- 運用中
- 資料公開
- 日付の基準
- 資料が公開された時点。導入を開始した日とは異なる場合がある。
- 根拠の確認方法
- 検索ツールの本文抜粋で確認
業務課題
Amazonのカタログには数億個の商品があり、毎日数百万件の商品情報が新しく載るか直される。同社は商品の範疇ごとに別々に作ったmachine learningのモデルで品質を守ってきた。この方式は、皿のように大きさと形、色、材質で説明される商品にはよく合った。属性が複雑だったり微妙だったりする商品は、別に学習したモデルか人の検収が必要だった。
使った技術とデータ
Amazonはここに大型の言語モデルを付けた。まずカタログの全体を商品の種類と属性の値で束ね、各値がどれだけ頻繁に、どこに出るかの統計を作る。無線ヘッドホンのBluetooth、BT、BT 5.1といった表記のうち、統計が最も良いと示す候補を選んでモデルに知らせる。統計だけでは解けない細やかさはprompt tuningで扱う。stainless steelと440 stainless steelのように、より具体的な値を消さないよう、候補の一覧の細かさに合わせよという指示をプロンプトに入れる。こうして調整したモデルが、カタログの全体で標準の属性の値の認識、同じ意味の違う表記の収集、誤っていたり意味をなさなかったりする入力の検出という三つの仕事をする。
成果
Amazonは、新しい方式で販売者が載せた最新の値が数日のうちにカタログに反映されると述べた。人の検収も数千時間を節約すると説明した。監視して更新できる言語の数も増やしたとした。以前の方式では費用が大きすぎて手を付けられなかったカタログの隅まで、品質の管理を広げたと述べた。
限界と残る課題
数千時間の節約の基準の期間と計算の方法は公開していない。この記事には購入や売上の変化についての数値がない。
出典
- Using LLMs to improve Amazon product listings - Amazon Scienceamazon.science, 確認
公開資料をまとめた事例です。ATF Works導入企業の成果ではありません。