Traducido del original en inglés. Las cifras y las fuentes no cambian. Leer el original en inglés
Wayfair
Wayfair usa Gemini para detectar dimensiones de producto erróneas en todo su catálogo
Wayfair usa un modelo de IA multimodal para comparar las dimensiones de producto que dan los proveedores con el texto y las imágenes del producto, y marcar los conflictos para que los proveedores los corrijan. Wayfair indica una precisión de más del 85 % y una exhaustividad de más del 70 %, muy por encima de sus métodos anteriores de aprendizaje automático.
Cifras clave
Copiadas literalmente de las fuentes. Copie cualquier cifra con su cita.
más del 85 %
Precisión de la detección de conflictos en las dimensiones de producto1
más del 70 %
Exhaustividad (recall) de la detección de conflictos en las dimensiones de producto1
menos del 50 % de precisión y 7 % de exhaustividad
Precisión y exhaustividad de los métodos anteriores de aprendizaje automático1
más de 100 mil
Productos del piloto en los que los proveedores revisaron los casos marcados1
Qué requirió
Las fuentes no divulgan el coste, el tamaño del equipo ni los plazos.
El problema
Las dimensiones de producto erróneas frustran a los clientes y pueden provocar devoluciones. Wayfair tiene un catálogo de más de 40 millones de productos de más de 20 mil proveedores de todo el mundo, con miles de artículos nuevos cada día. Los proveedores dan las medidas en distintas unidades y convenciones, y los anuncios cambian con el tiempo, por lo que el texto, las imágenes y las medidas pueden contradecirse.
Qué construyeron
Wayfair construyó un modelo de validación sobre Gemini 2.5 Flash de Google. Lee el texto de un producto (nombres, descripciones, viñetas de características) y sus imágenes de dimensiones, y comprueba si respaldan o contradicen las dimensiones que dio el proveedor. Los conflictos pasan al proveedor para que los revise y corrija.
Cómo lo hicieron
El modelo extrae las dimensiones del texto y de las imágenes por separado, con una puntuación de confianza para cada una. Después las reconcilia en un único valor sugerido y lo compara con el del proveedor. Los casos de baja confianza y las diferencias mínimas se descartan. Los prompts usan instrucciones paso a paso, unos pocos ejemplos y las definiciones de merchandising de Wayfair. Se ejecuta mediante la Gemini Batch API como el mejor equilibrio entre capacidad de razonamiento, coste y plazo de entrega.
Resultados
Wayfair dice que el modelo logró de forma constante una precisión de más del 85 % y una exhaustividad de más del 70 % al detectar conflictos. Sus métodos anteriores de aprendizaje automático llegaban a menos del 50 % de precisión y un 7 % de exhaustividad. Tras un piloto con más de 100 mil productos, en el que los proveedores revisaron los casos marcados, Wayfair consideró que el modelo estaba listo para el lanzamiento completo a producción.
Qué replicar
Decida de antemano qué cuesta más: las falsas alarmas o los errores no detectados. Implique al responsable de negocio en las definiciones. Pruebe en un piloto en el que las partes afectadas confirmen las alertas.
Todas las cifras comunicadas
| Indicador | Cifra | Cita |
|---|---|---|
| Precisión de la detección de conflictos en las dimensiones de producto | más del 85 %1 | |
| Exhaustividad (recall) de la detección de conflictos en las dimensiones de producto | más del 70 %1 | |
| Precisión y exhaustividad de los métodos anteriores de aprendizaje automático | menos del 50 % de precisión y 7 % de exhaustividad1 | |
| Productos del piloto en los que los proveedores revisaron los casos marcados | más de 100 mil1 | |
| Registros etiquetados por personas en el primer conjunto de evaluación | aproximadamente 5.0001 |
Lecciones para su proyecto
Priorice la precisión sobre la exhaustividad cuando las personas deban actuar ante cada alerta. Wayfair pide a los proveedores que corrijan los datos marcados, y las falsas alarmas les harían perder la confianza.
Añada reglas de tolerancia para las diferencias pequeñas, de modo que solo se pida a los proveedores corregir conflictos significativos.
Escriba definiciones claras en el prompt junto con el equipo de negocio. El equipo de merchandising de Wayfair define qué cuenta como alto, ancho o fondo en formas extrañas.
Valide por fases: un conjunto de prueba etiquetado, revisión interna de los elementos marcados y luego un piloto en el que las personas afectadas comprueban los resultados.
Salvedades
- Todas las cifras son de Wayfair, de una única entrada del blog técnico de la empresa. Ningún tercero las confirma.
- La precisión y la exhaustividad se presentan como umbrales que el modelo alcanzó de forma constante, no como un único valor medido, y la entrada no indica qué fase produjo cada una.
- La entrada no da fecha de puesta en marcha. Dice que los resultados dieron a Wayfair confianza en que el modelo estaba listo para el lanzamiento completo a producción y que los productos nuevos ya entran con dimensiones correctas. La fecha de despliegue que se muestra es la de la entrada.
- Los proveedores, no Wayfair, hacen las correcciones. La entrada no indica cuántos errores se corrigieron, qué devoluciones se evitaron ni cuánto dinero se ahorró.
- La afirmación sobre el coste (más barato que contratar personas para revisar los datos) se hace sin cifra. Wayfair también cita el coste por uso como una preocupación continua.
Fuentes
- How We Validate Product Dimensions at Scale with Multimodal GenAI
Wayfair Tech Blog · 2026-01-15 · Blog corporativo · aboutwayfair.com
Resumido con nuestras propias palabras a partir de las fuentes anteriores. ¿Ha detectado un error? Consulte correcciones.