小売 / 電子商取引
Shopify：商品分類モデルの入れ替え
- 企業
- Shopify
- 国
- カナダ
- 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
- 原文の本文を閲覧
業務課題
Shopifyの技術ブログ記事によると、Shopifyは手作りのアクセサリーから産業機器まで数百万の事業者の商品を扱い、商品の分類と属性を理解できてこそ検索、発見、推薦を改善できる。同じ記事は、2018年にTF-IDFとロジスティック回帰で始めた分類が商品の複雑化と多様化で限界を見せ、2020年に画像と文章を合わせて使う方式を導入した後も、分類だけでは商品の理解が足りなかったと説明した。同じ記事は、2023年初めに、分類より細かい商品の理解、プラットフォーム全体で一貫した分類体系、分類に応じた属性の抽出、簡潔な商品説明やコンテンツタグのようなmetadata、コンテンツの安全機能が必要になったと記した。
使った技術とデータ
同じ記事は、Shopifyが26を超える業種、1万以上の商品分類、1,000以上の属性を収めたShopify Product Taxonomyと、Vision Language Modelを組み合わせたと説明した。同じ記事によると、モデルはLLaVA 1.5 7BからLLaMA 3.2 11Bを経て、今はQwen2VL 7Bに替わり、替えるたびに既存のpipelineと性能指標や計算コストを比べた。同じ記事は、Dataflow pipelineがモデルのサービスを2回呼び出し、まず分類と簡潔な説明を作り、その分類を入れて属性を予測すると記した。同じ記事によると、サービスはNVIDIA GPUを使うKubernetes cluster上でNvidia Dynamoにより動き、FP8量子化、in-flight batching、KV cacheで処理量を高め、分類と属性の予測をtransactionのように扱って両方の成功を求め、一部が失敗すると自動で再試行する。同じ記事によると、学習データには複数のLLMが商品ごとに別々に付けたラベルを使い、ラベルが食い違うと判定役の専用モデルが整理する。人は難しい事例や初めて見る商品の種類を選んで確認し、定期的な品質監査でラベルの基準を保つと同じ記事は説明した。
成果
同じ記事によると、事業者は予測された分類の85%を受け入れ、このシステムは1日3,000万件を超える予測を行い、過去の商品数十億件を処理した。同じ記事は、階層の適合率と再現率が以前のニューラルネットワーク方式の2倍になったと記した。同じ記事は、正確な分類が検索の関連度と税金の計算を改善し、自動の属性タグが事業者の手作業を減らし、属性の体系がすべての商品分類に広がって自動のコンテンツ審査にも使われると説明した。
限界と残る課題
同じ記事は、85%の受け入れ率と2倍の改善をどの期間、どの標本で測ったかを示していない。今のQwen2VL 7Bに替えた時期も記しておらず、売上のような事業指標の変化は今回の調査では確認できなかった。
出典
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。