Przetłumaczono z angielskiego oryginału. Liczby i źródła pozostają bez zmian. Przeczytaj angielski oryginał
Swiggy
Swiggy Instamart używa AI do analizy obrazu, aby rozstrzygać reklamacje i weryfikować zwroty
Swiggy Instamart używa modeli wizyjno-językowych, aby sprawdzać zdjęcia dołączone do reklamacji klientów i weryfikować towary przy odbiorze zwrotów, zastępując ręczną weryfikację w jasnych przypadkach. Swiggy podaje, że odsetek fałszywych wyników Brak zgodności w kontroli zwrotów spadł z 60 % przy uruchomieniu do 17 %, a ponad 5 000 zgłoszeń zwrotów dziennie jest rozwiązywanych bez udziału człowieka.
Kluczowe liczby
Przepisane dokładnie ze źródeł. Skopiuj każdą liczbę wraz z przypisem.
60 %
do 23 % do 17 %
Odsetek fałszywych wyników Brak zgodności w zwrotach, od uruchomienia do zautomatyzowanej optymalizacji promptów1
98,5 %
Dokładność Reverse Quality Check (RQC) w zwrotach1
>5 000
Zgłoszenia RQC rozwiązywane codziennie bez interwencji człowieka1
wzrost o 6 %
Zmiana wskaźnika zadowolenia klientów1
Ile to kosztowało
Koszt, wielkość zespołu i harmonogram nie zostały ujawnione w źródłach.
Problem
Swiggy Instamart otrzymuje ponad 40 000 reklamacji klientów dziennie dotyczących towarów błędnych, przeterminowanych, uszkodzonych, kiepskiej jakości lub źle zapakowanych. Gdy reguły i modele antyfraudowe nie mogły rozstrzygnąć reklamacji na podstawie zdjęcia, agent porównywał ją z katalogiem i decydował. Koszty rosły wraz z wolumenem, decyzje były niespójne, a klienci czekali. W przypadku zwrotów personel dostawczy miał sprawdzać towar przy odbiorze, ale był opłacany za szybkość, więc większość zwrotów przyjmowano bez kontroli.
Co zbudowano
Swiggy zbudował dwa systemy wykorzystujące modele wizyjno-językowe, czyli modele AI, które czytają zarówno obrazy, jak i tekst. Image Validation Model (IVM) porównuje zdjęcie reklamacyjne klienta z obrazem z katalogu i zwraca ważne, nieważne lub niejednoznaczne. Reverse Quality Check (RQC) porównuje zdjęcia partnera dostawczego z odbioru ze zdjęciami reklamacyjnymi klienta i zwraca zgodne, niezgodne lub niejednoznaczne.
Jak to zrobiono
Każdy typ reklamacji ma własny moduł obsługi i prompt, a zdjęcie klienta traktuje się jako główny dowód. Kod, a nie model, odpowiada za routing, łączenie kilku zdjęć i końcową decyzję o zatwierdzeniu, odrzuceniu lub eskalacji. Reklamacje przeterminowanych towarów używają równolegle dwóch sposobów odczytu dat na etykietach. Jeśli RQC nie może potwierdzić zgodności, partner dostawczy dostaje konkretny komunikat i może spróbować ponownie, do 2 prób, przed ręczną weryfikacją. Jeśli system nie działa, reklamacja trafia do ręcznej weryfikacji.
Wyniki
Odsetek fałszywych wyników Brak zgodności w RQC, czyli zasadnych zwrotów błędnie oznaczonych jako niezgodne, wyniósł na początku 60 %, spadł do 23 % dzięki pracy nad promptami i do 17 % dzięki zautomatyzowanej optymalizacji promptów. Swiggy podaje też ponad 5 000 zgłoszeń dziennie rozwiązywanych bez interwencji człowieka, dokładność RQC 98,5 %, wzrost wskaźnika zadowolenia klientów o 6 % oraz o 20 000 mniej zgłoszeń Image Validation tygodniowo.
Co warto powtórzyć
Warto porównać modele kandydujące na własnych oznaczonych przypadkach, uwzględniając koszt i szybkość. Warto zachować ścieżkę z udziałem człowieka dla niejasnych przypadków. Warto dawać osobom w terenie precyzyjną informację zwrotną zamiast ogólnego błędu.
Wszystkie zgłoszone liczby
| Miara | Liczba | Przypis |
|---|---|---|
| Odsetek fałszywych wyników Brak zgodności w zwrotach, od uruchomienia do zautomatyzowanej optymalizacji promptów | 60 % do 23 % do 17 %1 | |
| Dokładność Reverse Quality Check (RQC) w zwrotach | 98,5 %1 | |
| Zgłoszenia RQC rozwiązywane codziennie bez interwencji człowieka | >5 0001 | |
| Zmiana wskaźnika zadowolenia klientów | wzrost o 6 %1 | |
| Spadek tygodniowej liczby zgłoszeń Image Validation | 20 0001 | |
| Reklamacje przetwarzane codziennie | ponad 40 0001 |
Wnioski dla Twojego projektu
Warto dać modelowi dowody wizualne, a decyzje zostawić w kodzie. Swiggy pozwala modelowi oceniać zdjęcia, podczas gdy routing, reguły i decyzje dotyczące pieniędzy pozostają deterministyczne.
Warto przetestować więcej niż jeden model na własnych danych produkcyjnych. Swiggy używa innego modelu do odczytu dat ważności niż do pozostałych typów reklamacji.
Warto mówić pracownikom w terenie, co poprawić. Swiggy twierdzi, że około 60 % pierwszych nieudanych dopasowań wynikało ze złych zdjęć, więc konkretne komunikaty przy ponownej próbie pomagają.
Warto spodziewać się słabego startu i zaplanować strojenie. Kontrola zwrotów zaczęła od odsetka fałszywych wyników Brak zgodności równego 60 % i została poprawiona pracą nad promptami.
Zastrzeżenia
- Wszystkie liczby pochodzą od Swiggy, z jednego wpisu na blogu inżynieryjnym. Żadna niezależna strona ich nie potwierdza.
- Wpis podaje wyniki bez definicji. Nie mówi, jak zmierzono dokładność RQC 98,5 % ani zmianę zadowolenia o 6 %, ani jaki jest okres bazowy.
- Wpis nie podaje daty uruchomienia. Mówi, że systemy działają w produkcji od ponad 6 miesięcy, więc pokazana data wdrożenia to data wpisu, a faktyczne uruchomienie było wcześniej.
- Wpis podaje użyte modele: Gemini 2.5 Flash dla większości typów reklamacji i kontroli zwrotów oraz GPT-4o dla reklamacji przeterminowanych towarów. Porównano też Claude Sonnet 4, którego nie wybrano.
- Wpływ biznesowy na straty z oszustw i ubytki magazynowe opisano tylko słowami, bez liczby. Szacunek, że około 10 do 15 % zwróconych zamówień jest błędnych lub niekompletnych, to ocena Swiggy sprzed uruchomienia.
- Nie podano kosztu, wielkości zespołu ani czasu budowy.
Źródła
- Building Production-Scale Visual AI for Claims and Returns at Swiggy Instamart
Swiggy Bytes (Medium) · 2026-06-16 · Blog firmowy · medium.com
Streszczone własnymi słowami na podstawie powyższych źródeł. Zauważyłeś błąd? Zobacz sprostowania.