Vertaald uit het Engelse origineel. De cijfers en bronnen zijn ongewijzigd. Lees het Engelse origineel
Wayfair
Wayfair gebruikt Gemini om verkeerde productafmetingen in de hele catalogus op te sporen
Wayfair gebruikt een multimodaal AI-model om door leveranciers opgegeven productafmetingen te vergelijken met de tekst en beelden van het product en tegenstrijdigheden te markeren, zodat leveranciers ze herstellen. Wayfair meldt een precisie van meer dan 85% en een recall van meer dan 70%, ver boven zijn eerdere machinelearningmethoden.
Kerncijfers
Letterlijk overgenomen uit de bronnen. Kopieer elk cijfer met bronvermelding.
meer dan 85%
Precisie van de conflictdetectie bij productafmetingen1
meer dan 70%
Recall van de conflictdetectie bij productafmetingen1
minder dan 50% precisie en 7% recall
Precisie en recall van eerdere machinelearningmethoden1
meer dan 100 duizend
Producten in de pilot waarbij leveranciers de gemarkeerde gevallen beoordeelden1
Wat het kostte
Kosten, teamgrootte en doorlooptijd zijn in de bronnen niet openbaar gemaakt.
Het probleem
Verkeerde productafmetingen frustreren klanten en kunnen tot retouren leiden. Wayfair heeft een catalogus van meer dan 40 miljoen producten van meer dan 20 duizend leveranciers wereldwijd, met dagelijks duizenden nieuwe artikelen. Leveranciers geven maten in verschillende eenheden en volgens verschillende conventies op, en aanbiedingen veranderen na verloop van tijd, waardoor tekst, beelden en maten elkaar kunnen tegenspreken.
Wat ze bouwden
Wayfair bouwde een validatiemodel op basis van Gemini 2.5 Flash van Google. Het leest de tekst van een product (namen, beschrijvingen, kenmerkenlijsten) en zijn afmetingsbeelden en controleert dan of die de door de leverancier opgegeven afmetingen ondersteunen of ermee in conflict zijn. Conflicten gaan naar de leverancier om te beoordelen en te herstellen.
Hoe ze het aanpakten
Het model haalt afmetingen afzonderlijk uit tekst en beelden, met een betrouwbaarheidsscore voor elk. Daarna brengt het ze samen tot één voorgestelde waarde en vergelijkt die met de waarde van de leverancier. Gevallen met lage betrouwbaarheid en minieme verschillen worden weggelaten. De prompts gebruiken stapsgewijze instructies, enkele voorbeelden en de merchandisingdefinities van Wayfair. Het draait via de Gemini Batch API als de beste balans tussen redeneerkracht, kosten en doorlooptijd.
Resultaten
Wayfair zegt dat het model bij het opsporen van conflicten consequent een precisie van meer dan 85% en een recall van meer dan 70% haalde. Zijn eerdere machinelearningmethoden haalden minder dan 50% precisie en 7% recall. Na een pilot met meer dan 100 duizend producten, waarbij leveranciers de gemarkeerde gevallen beoordeelden, achtte Wayfair het model klaar voor volledige productie-uitrol.
Wat u kunt overnemen
Bepaal vooraf wat meer kost: valse alarmen of gemiste fouten. Betrek de businesseigenaar bij de definities. Test in een pilot waarin de betrokken partijen de markeringen bevestigen.
Alle gemelde cijfers
| Maatstaf | Cijfer | Bronvermelding |
|---|---|---|
| Precisie van de conflictdetectie bij productafmetingen | meer dan 85%1 | |
| Recall van de conflictdetectie bij productafmetingen | meer dan 70%1 | |
| Precisie en recall van eerdere machinelearningmethoden | minder dan 50% precisie en 7% recall1 | |
| Producten in de pilot waarbij leveranciers de gemarkeerde gevallen beoordeelden | meer dan 100 duizend1 | |
| Door mensen gelabelde records in de eerste evaluatieset | ongeveer 50001 |
Lessen voor uw project
Geef de voorkeur aan precisie boven recall wanneer mensen op elke markering moeten reageren. Wayfair vraagt leveranciers gemarkeerde gegevens te herstellen, en valse alarmen zouden hun vertrouwen kosten.
Voeg tolerantieregels toe voor kleine verschillen, zodat leveranciers alleen bij betekenisvolle conflicten om herstel wordt gevraagd.
Schrijf samen met het businessteam duidelijke definities in de prompt. Het merchandisingteam van Wayfair bepaalt wat bij vreemde vormen als hoogte, breedte of diepte telt.
Valideer in fasen: een gelabelde testset, interne beoordeling van gemarkeerde items en dan een pilot waarin de betrokkenen de resultaten controleren.
Kanttekeningen
- Alle cijfers zijn van Wayfair zelf, uit één bericht op de techblog van het bedrijf. Geen externe partij bevestigt ze.
- Precisie en recall worden gemeld als drempels die het model consequent haalde, niet als één gemeten waarde, en het bericht zegt niet welke fase welke waarde opleverde.
- Het bericht geeft geen datum van ingebruikname. Het zegt dat de resultaten Wayfair het vertrouwen gaven dat het model klaar was voor volledige productie-uitrol en dat nieuwe producten nu met correcte afmetingen binnenkomen. De getoonde implementatiedatum is de datum van het bericht.
- Leveranciers, niet Wayfair, voeren de correcties door. Het bericht noemt niet hoeveel fouten zijn hersteld, hoeveel retouren zijn voorkomen of hoeveel geld is bespaard.
- De kostenclaim (goedkoper dan mensen inhuren om de gegevens te beoordelen) wordt zonder cijfer gedaan. Wayfair noemt de kosten per gebruik ook als blijvende zorg.
Bronnen
- How We Validate Product Dimensions at Scale with Multimodal GenAI
Wayfair Tech Blog · 2026-01-15 · Bedrijfsblog · aboutwayfair.com
In eigen woorden samengevat op basis van de bovenstaande bronnen. Een fout gezien? Zie correcties.