Übersetzt aus dem englischen Original. Zahlen und Quellen sind unverändert. Englisches Original lesen
Wayfair
Wayfair nutzt Gemini, um falsche Produktmaße im gesamten Katalog zu finden
Wayfair nutzt ein multimodales KI-Modell, um die von Lieferanten angegebenen Produktmaße mit Text und Bildern des Produkts abzugleichen und Widersprüche zur Korrektur durch die Lieferanten zu markieren. Wayfair meldet eine Präzision von über 85 % und einen Recall von mehr als 70 %, deutlich über seinen früheren Verfahren des maschinellen Lernens.
Kennzahlen
Wortgetreu aus den Quellen übernommen. Kopieren Sie jede Zahl mit ihrer Quellenangabe.
über 85 %
Präzision der Konflikterkennung bei Produktmaßen1
mehr als 70 %
Recall der Konflikterkennung bei Produktmaßen1
weniger als 50 % Präzision und 7 % Recall
Präzision und Recall früherer Verfahren des maschinellen Lernens1
über 100 Tausend
Produkte im Pilotprojekt, bei denen Lieferanten die markierten Fälle geprüft haben1
Was es erforderte
Kosten, Teamgröße und Zeitplan wurden in den Quellen nicht veröffentlicht.
Das Problem
Falsche Produktmaße frustrieren Kunden und können zu Rücksendungen führen. Wayfair hat einen Katalog mit über 40 Millionen Produkten von über 20 Tausend Lieferanten weltweit, und täglich kommen Tausende neue Artikel hinzu. Lieferanten geben Maße in unterschiedlichen Einheiten und nach unterschiedlichen Konventionen an, und Angebote ändern sich mit der Zeit, sodass sich Text, Bilder und Maße widersprechen können.
Was sie gebaut haben
Wayfair hat ein Validierungsmodell auf Basis von Googles Gemini 2.5 Flash gebaut. Es liest den Text eines Produkts (Namen, Beschreibungen, Merkmalslisten) und seine Maßbilder und prüft dann, ob diese die vom Lieferanten angegebenen Maße stützen oder ihnen widersprechen. Widersprüche gehen zur Prüfung und Korrektur an den Lieferanten.
Wie sie vorgegangen sind
Das Modell extrahiert Maße getrennt aus Text und Bildern, jeweils mit einem Konfidenzwert. Anschließend gleicht es sie zu einem vorgeschlagenen Wert ab und vergleicht diesen mit dem Wert des Lieferanten. Fälle mit niedriger Konfidenz und winzige Abweichungen werden verworfen. Die Prompts nutzen Schritt-für-Schritt-Anweisungen, einige Beispiele und die Merchandising-Definitionen von Wayfair. Es läuft über die Gemini Batch API, als bester Kompromiss aus Denkstärke, Kosten und Durchlaufzeit.
Ergebnisse
Wayfair sagt, das Modell habe bei der Erkennung von Widersprüchen durchgehend eine Präzision von über 85 % und einen Recall von mehr als 70 % erreicht. Frühere Verfahren des maschinellen Lernens kamen auf weniger als 50 % Präzision und 7 % Recall. Nach einem Pilotprojekt mit über 100 Tausend Produkten, in dem Lieferanten die markierten Fälle prüften, hielt Wayfair das Modell für bereit für die vollständige Produktionsfreigabe.
Was Sie übernehmen können
Entscheiden Sie vorab, was mehr kostet: Fehlalarme oder übersehene Fehler. Beziehen Sie den Fachverantwortlichen in die Definitionen ein. Testen Sie in einem Pilotprojekt, in dem die Betroffenen die Markierungen bestätigen.
Alle berichteten Zahlen
| Messgröße | Wert | Quellenangabe |
|---|---|---|
| Präzision der Konflikterkennung bei Produktmaßen | über 85 %1 | |
| Recall der Konflikterkennung bei Produktmaßen | mehr als 70 %1 | |
| Präzision und Recall früherer Verfahren des maschinellen Lernens | weniger als 50 % Präzision und 7 % Recall1 | |
| Produkte im Pilotprojekt, bei denen Lieferanten die markierten Fälle geprüft haben | über 100 Tausend1 | |
| Von Menschen gelabelte Datensätze im ersten Evaluierungsset | etwa 5.0001 |
Erkenntnisse für Ihr Projekt
Ziehen Sie Präzision dem Recall vor, wenn Menschen auf jede Markierung reagieren müssen. Wayfair bittet Lieferanten, markierte Daten zu korrigieren, und Fehlalarme würden ihr Vertrauen kosten.
Führen Sie Toleranzregeln für kleine Abweichungen ein, damit Lieferanten nur bei bedeutsamen Widersprüchen um Korrektur gebeten werden.
Schreiben Sie klare Definitionen mit dem Fachbereich in den Prompt. Wayfairs Merchandising-Team legt fest, was bei ungewöhnlichen Formen als Höhe, Breite oder Tiefe gilt.
Validieren Sie in Phasen: ein gelabeltes Testset, interne Prüfung der markierten Fälle, dann ein Pilotprojekt, in dem die Betroffenen die Ergebnisse prüfen.
Einschränkungen
- Alle Zahlen stammen von Wayfair selbst, aus einem einzigen Beitrag im Technikblog des Unternehmens. Kein Außenstehender bestätigt sie.
- Präzision und Recall werden als Schwellen angegeben, die das Modell durchgehend erreichte, nicht als einzelner gemessener Wert, und der Beitrag nennt nicht, welche Phase welchen Wert lieferte.
- Der Beitrag nennt kein Go-live-Datum. Er sagt, die Ergebnisse hätten Wayfair überzeugt, dass das Modell für die vollständige Produktionsfreigabe bereit sei und neue Produkte nun mit korrekten Maßen starten. Das angegebene Einführungsdatum ist das Datum des Beitrags.
- Die Korrekturen nehmen die Lieferanten vor, nicht Wayfair. Der Beitrag nennt weder, wie viele Fehler behoben, Rücksendungen vermieden noch Geld gespart wurde.
- Die Kostenaussage (günstiger, als Personal für die Prüfung der Daten einzustellen) wird ohne Zahl gemacht. Wayfair nennt außerdem die Kosten pro Nutzung als fortdauerndes Anliegen.
Quellen
- How We Validate Product Dimensions at Scale with Multimodal GenAI
Wayfair Tech Blog · 2026-01-15 · Unternehmensblog · aboutwayfair.com
In eigenen Worten aus den oben genannten Quellen zusammengefasst. Einen Fehler entdeckt? Siehe Korrekturen.