Tradotto dall'originale inglese. Dati e fonti restano invariati. Leggi l'originale in inglese
Swiggy
Swiggy Instamart usa l'IA visiva per decidere i rimborsi e verificare i resi
Swiggy Instamart usa un'IA visione-linguaggio per controllare le foto dei reclami dei clienti e per verificare gli articoli al ritiro dei resi, sostituendo la revisione manuale nei casi chiari. Swiggy riferisce che il tasso di falsi Non corrispondente nel controllo dei resi è sceso dal 60% al lancio al 17%, e che oltre 5000 ticket di reso al giorno vengono risolti senza intervento umano.
Dati chiave
Copiati esattamente dalle fonti. Copiate qualsiasi dato insieme alla sua citazione.
dal 60% al 23% al 17%
Tasso di falsi Non corrispondente nei resi, dal lancio a dopo l'ottimizzazione automatica dei prompt1
98,5%
Accuratezza del Reverse Quality Check (RQC) sui resi1
>5000
Ticket RQC risolti ogni giorno senza intervento umano1
in aumento del 6%
Variazione del punteggio di soddisfazione dei clienti1
Cosa è servito
Le fonti non rendono noti costi, dimensioni del team e tempi.
Il problema
Swiggy Instamart riceve oltre 40.000 reclami di clienti al giorno su articoli sbagliati, scaduti, danneggiati, di scarsa qualità o confezionati male. Quando regole e modelli antifrode non riuscivano a decidere un reclamo da una foto, un operatore umano lo confrontava con il catalogo e decideva. I costi crescevano in proporzione al volume, le decisioni erano incoerenti e i clienti aspettavano. Per i resi, il personale di consegna avrebbe dovuto controllare l'articolo al ritiro, ma era pagato per la velocità, quindi la maggior parte dei resi veniva accettata senza controllo.
Cosa hanno costruito
Swiggy ha costruito due sistemi che usano modelli visione-linguaggio, cioè modelli di IA che leggono sia immagini sia testo. L'Image Validation Model (IVM) esamina la foto del reclamo di un cliente rispetto all'immagine del catalogo e restituisce valido, non valido o ambiguo. Il Reverse Quality Check (RQC) confronta le foto del partner di consegna al ritiro con le foto del reclamo del cliente e restituisce corrisponde, non corrisponde o ambiguo.
Come ci sono riusciti
Ogni tipo di reclamo ha il proprio gestore e il proprio prompt, e la foto del cliente è trattata come prova principale. Il codice, non il modello, si occupa dell'instradamento, della combinazione di più foto e della decisione finale di approvare, respingere o inoltrare a un livello superiore. I reclami su articoli scaduti usano in parallelo due modi di leggere le date sulle etichette. Se l'RQC non riesce a confermare una corrispondenza, il partner di consegna riceve un messaggio specifico e può riprovare, fino a 2 tentativi, prima della revisione manuale. Se il sistema è fuori servizio, il reclamo passa alla revisione manuale.
Risultati
Il tasso di falsi Non corrispondente dell'RQC, cioè resi legittimi segnalati per errore come non corrispondenti, è partito dal 60%, è sceso al 23% con il lavoro sui prompt e al 17% con l'ottimizzazione automatica dei prompt. Swiggy indica inoltre oltre 5000 ticket al giorno risolti senza intervento umano, un'accuratezza dell'RQC del 98,5%, un aumento del 6% del punteggio di soddisfazione dei clienti e 20.000 ticket di Image Validation in meno a settimana.
Cosa replicare
Confrontare i modelli candidati sui propri casi etichettati, includendo costi e velocità. Mantenere una via umana per i casi poco chiari. Dare alle persone sul campo un riscontro preciso invece di un errore generico.
Tutti i dati dichiarati
| Indicatore | Dato | Citazione |
|---|---|---|
| Tasso di falsi Non corrispondente nei resi, dal lancio a dopo l'ottimizzazione automatica dei prompt | dal 60% al 23% al 17%1 | |
| Accuratezza del Reverse Quality Check (RQC) sui resi | 98,5%1 | |
| Ticket RQC risolti ogni giorno senza intervento umano | >50001 | |
| Variazione del punteggio di soddisfazione dei clienti | in aumento del 6%1 | |
| Calo del volume settimanale dei ticket di Image Validation | 20.0001 | |
| Reclami elaborati ogni giorno | oltre 40.0001 |
Lezioni per il vostro progetto
Dare al modello le prove visive e lasciare le decisioni nel codice. Swiggy fa giudicare le foto al modello, mentre instradamento, regole e decisioni sul denaro restano deterministici.
Testare più di un modello sui propri dati di produzione. Swiggy usa un modello diverso per leggere le date di scadenza rispetto agli altri tipi di reclamo.
Dire al personale sul campo cosa correggere. Swiggy afferma che circa il 60% dei primi abbinamenti falliti derivava da foto scadenti, quindi prompt di nuovo tentativo specifici aiutano.
Aspettarsi una partenza difficile e pianificare la messa a punto. Il controllo dei resi è partito con un tasso di falsi Non corrispondente del 60% ed è stato migliorato con il lavoro sui prompt.
Avvertenze
- Tutte le cifre sono di Swiggy, da un solo articolo del suo blog di ingegneria. Nessun soggetto esterno le conferma.
- L'articolo elenca i risultati senza definizioni. Non dice come siano state misurate l'accuratezza del 98,5% dell'RQC o la variazione del 6% della soddisfazione, né qual sia il periodo di riferimento.
- L'articolo non indica una data di lancio. Dice che i sistemi sono in produzione da oltre 6 mesi, quindi la data di distribuzione mostrata è la data dell'articolo e il lancio effettivo è precedente.
- L'articolo nomina i modelli usati: Gemini 2.5 Flash per la maggior parte dei tipi di reclamo e per i controlli sui resi, e GPT-4o per i reclami su articoli scaduti. Ha anche messo a confronto Claude Sonnet 4, che non è stato scelto.
- L'impatto sul business in termini di perdite da frode e dispersione di inventario è descritto solo a parole, senza cifre. Che circa il 10-15% degli ordini resi sia errato o incompleto è una stima di Swiggy precedente al lancio.
- Non vengono indicati costi, dimensione del team né tempi di sviluppo.
Fonti
- Building Production-Scale Visual AI for Claims and Returns at Swiggy Instamart
Swiggy Bytes (Medium) · 2026-06-16 · Blog aziendale · medium.com
Riassunto con parole nostre a partire dalle fonti sopra indicate. Avete notato un errore? Consultate le rettifiche.