Tradotto dall'originale inglese. Dati e fonti restano invariati. Leggi l'originale in inglese
Wayfair
Wayfair usa Gemini per individuare le dimensioni errate dei prodotti in tutto il catalogo
Wayfair usa un modello di IA multimodale per confrontare le dimensioni dei prodotti fornite dai fornitori con il testo e le immagini del prodotto e segnalare i conflitti, che i fornitori devono correggere. Wayfair riferisce una precisione superiore all'85% e un recall superiore al 70%, ben oltre i suoi precedenti metodi di apprendimento automatico.
Dati chiave
Copiati esattamente dalle fonti. Copiate qualsiasi dato insieme alla sua citazione.
oltre l'85%
Precisione del rilevamento dei conflitti sulle dimensioni dei prodotti1
oltre il 70%
Recall del rilevamento dei conflitti sulle dimensioni dei prodotti1
meno del 50% di precisione e 7% di recall
Precisione e recall dei precedenti metodi di apprendimento automatico1
oltre 100 mila
Prodotti nel pilota in cui i fornitori hanno rivisto i casi segnalati1
Cosa è servito
Le fonti non rendono noti costi, dimensioni del team e tempi.
Il problema
Dimensioni dei prodotti errate frustrano i clienti e possono portare a resi. Wayfair ha un catalogo di oltre 40 milioni di prodotti di oltre 20 mila fornitori in tutto il mondo, con migliaia di nuovi articoli aggiunti ogni giorno. I fornitori indicano le misure in unità e convenzioni diverse, e le inserzioni cambiano nel tempo, quindi testo, immagini e misure possono contraddirsi.
Cosa hanno costruito
Wayfair ha costruito un modello di validazione basato su Gemini 2.5 Flash di Google. Legge il testo di un prodotto (nomi, descrizioni, elenchi di caratteristiche) e le sue immagini con le dimensioni, poi verifica se confermano o contraddicono le dimensioni fornite dal fornitore. I conflitti vanno al fornitore, che li rivede e li corregge.
Come ci sono riusciti
Il modello estrae le dimensioni da testo e immagini separatamente, con un punteggio di confidenza per ciascuna. Poi le riconcilia in un unico valore suggerito e lo confronta con quello del fornitore. I casi a bassa confidenza e le differenze minime vengono scartati. I prompt usano istruzioni passo dopo passo, alcuni esempi e le definizioni di merchandising di Wayfair. Gira tramite la Gemini Batch API come miglior equilibrio tra capacità di ragionamento, costi e tempi di risposta.
Risultati
Wayfair dice che il modello ha raggiunto in modo costante una precisione superiore all'85% e un recall superiore al 70% nel rilevare i conflitti. I suoi precedenti metodi di apprendimento automatico arrivavano a meno del 50% di precisione e al 7% di recall. Dopo un pilota su oltre 100 mila prodotti, in cui i fornitori hanno rivisto i casi segnalati, Wayfair ha ritenuto il modello pronto per il rilascio completo in produzione.
Cosa replicare
Decidere in anticipo cosa costa di più: i falsi allarmi o gli errori non rilevati. Coinvolgere il responsabile di business nelle definizioni. Testare in un pilota in cui le parti coinvolte confermano le segnalazioni.
Tutti i dati dichiarati
| Indicatore | Dato | Citazione |
|---|---|---|
| Precisione del rilevamento dei conflitti sulle dimensioni dei prodotti | oltre l'85%1 | |
| Recall del rilevamento dei conflitti sulle dimensioni dei prodotti | oltre il 70%1 | |
| Precisione e recall dei precedenti metodi di apprendimento automatico | meno del 50% di precisione e 7% di recall1 | |
| Prodotti nel pilota in cui i fornitori hanno rivisto i casi segnalati | oltre 100 mila1 | |
| Record etichettati da persone nel primo set di valutazione | circa 50001 |
Lezioni per il vostro progetto
Privilegiare la precisione rispetto al recall quando le persone devono agire su ogni segnalazione. Wayfair chiede ai fornitori di correggere i dati segnalati, e i falsi allarmi ne farebbero perdere la fiducia.
Aggiungere regole di tolleranza per le piccole differenze, così ai fornitori si chiede di correggere solo i conflitti significativi.
Scrivere definizioni chiare nel prompt insieme al team di business. Il team di merchandising di Wayfair definisce cosa conta come altezza, larghezza o profondità per le forme particolari.
Validare per fasi: un set di test etichettato, una revisione interna degli elementi segnalati e poi un pilota in cui le persone coinvolte verificano i risultati.
Avvertenze
- Tutte le cifre sono di Wayfair, da un solo articolo del blog tecnico dell'azienda. Nessun soggetto esterno le conferma.
- Precisione e recall sono indicati come soglie che il modello ha raggiunto in modo costante, non come un singolo valore misurato, e l'articolo non dice quale fase abbia prodotto ciascun valore.
- L'articolo non indica una data di messa in produzione. Dice che i risultati hanno dato a Wayfair la fiducia che il modello fosse pronto per il rilascio completo in produzione e che i nuovi prodotti ora entrano con dimensioni corrette. La data di distribuzione mostrata è la data dell'articolo.
- Le correzioni le fanno i fornitori, non Wayfair. L'articolo non indica quanti errori siano stati corretti, quanti resi siano stati evitati o quanto denaro sia stato risparmiato.
- L'affermazione sul costo (più economico che assumere persone per rivedere i dati) è fatta senza una cifra. Wayfair cita anche il costo per utilizzo come preoccupazione costante.
Fonti
- How We Validate Product Dimensions at Scale with Multimodal GenAI
Wayfair Tech Blog · 2026-01-15 · Blog aziendale · aboutwayfair.com
Riassunto con parole nostre a partire dalle fonti sopra indicate. Avete notato un errore? Consultate le rettifiche.