Mejorando la Clasificación de Productos con Aprendizaje Automático

La Clasificación de Productos es clave en el comercio internacional porque asegura que se cumplan las regulaciones y se apliquen correctamente los impuestos según las categorías de productos. Clasificar manualmente puede llevar mucho tiempo y puede resultar en errores debido al alto volumen de mercancías que se comercian a través de las fronteras. Por eso, las empresas y plataformas en línea han empezado a usar Aprendizaje automático para la clasificación automática de productos.

Sin embargo, los métodos actuales a menudo no abordan los problemas reales a la hora de clasificar productos, como las descripciones cortas o incompletas. Los avances recientes en Modelos de Lenguaje Grande (LLMs) aún no se han aprovechado del todo en este ámbito. Esta investigación examina los desafíos de la clasificación de productos y sugiere nuevas formas de simular datos realistas. Además, utiliza métodos de clasificación basados en LLM para aumentar la precisión de las predicciones incluso cuando los datos están incompletos.

Nuestros hallazgos indican que los LLM que aprenden de ejemplos pueden rendir mejor que los Métodos Supervisados tradicionales cuando los datos están limpios. Además, los LLM muestran mayor resistencia ante Problemas de datos en comparación con los métodos supervisados cuando enfrentan ataques de datos.

#Importancia de la Clasificación de Productos

Clasificar productos correctamente es vital para el comercio global y el comercio electrónico porque los aranceles se determinan según las categorías de productos. Según la Organización Mundial de Aduanas, se realizaron más de 1.3 mil millones de declaraciones aduaneras en todo el mundo en 2022-2023. Esta gran cantidad de trabajo genera una presión significativa sobre el personal aduanero y las empresas involucradas en el comercio internacional.

Clasificar productos puede ser complicado y requiere experiencia debido a la gran variedad de bienes en diferentes sectores. Así que adquirir la experiencia y entender los detalles de varios productos para clasificarlos correctamente puede tardar muchos meses de entrenamiento.

Cometer un error en la clasificación puede tener consecuencias graves, como la responsabilidad fiscal, multas o incluso problemas legales. La carga de trabajo creciente del comercio global hace que gestionar la clasificación de productos sea un desafío, especialmente con la expansión continua del comercio electrónico.

#Desafíos Actuales en la Clasificación Automatizada

Muchas empresas han optado por la clasificación automatizada usando aprendizaje automático. Sin embargo, los métodos actuales se centran en datos "limpios" y no tienen en cuenta las interrupciones típicas que ocurren en las descripciones de productos cotidianas. Los problemas en los datos pueden afectar el rendimiento del clasificador, como la información faltante o abreviada.

Por lo tanto, es fundamental predecir las clasificaciones de productos con precisión, especialmente porque las clasificaciones incorrectas pueden llevar a errores en la tributación y sanciones comerciales. Este estudio busca investigar qué modelos funcionan mejor cuando surgen problemas de datos, ayudando a las organizaciones a tomar decisiones informadas.

#Marco Propuesto

Esta investigación presenta una forma de reflejar los desafíos del mundo real en la clasificación de productos simulando problemas de datos. El marco está construido para representar con precisión los desequilibrios de datos reales relevantes para la clasificación de productos, lo cual es crítico para las tareas relacionadas con el cumplimiento.

Proponemos un enfoque de clasificación basado en LLM que supera los métodos supervisados anteriores y demuestra mayor resiliencia ante estos problemas de datos. El estudio evalúa varios modelos y anotadores en diferentes escenarios de ataque de datos para comparar su robustez.

#Clasificación de Productos y Trabajos Anteriores

La clasificación de productos ha sido un área importante de investigación. Sin embargo, las descripciones de productos en el mundo real suelen ser breves y a menudo carecen de detalles, limitando la eficacia del procesamiento de lenguaje natural.

Estudios previos han demostrado que las descripciones de productos suelen contener datos vagos. Por ejemplo, algunos marcos se centraron en mejorar la calidad de los datos al detectar errores en las descripciones de productos.

A pesar de que la clasificación automatizada es rentable, todavía hay brechas significativas en la robustez contra interrupciones. Este estudio aborda esas brechas investigando problemas en los datos de entrada a través de una metodología definida.

#Metodología de Perturbación de Datos

En la vida real, las descripciones de productos tienden a ser cortas y menos informativas que los datos ideales que se usan en la investigación. Para simular datos realistas, diseñamos un método para perturbar datos removiendo o modificando ciertas palabras en la descripción.

Usando GPT-4, generamos conjuntos de datos realistas que reflejan desafíos comunes en los datos. Creamos instrucciones específicas para ayudar a GPT-4 a crear estas descripciones perturbadas.

#Técnicas de Perturbación de Datos

Para simular con precisión las descripciones de productos del mundo real, desarrollamos dos métodos principales para la perturbación:

1. Remoción de Palabras: Omitimos palabras al azar de las descripciones de productos para replicar la información faltante.

2. Abreviación de Palabras: Ciertas palabras se reemplazaron por formas más cortas para imitar detalles comunes de envío y abreviaciones.

Usando estos métodos, creamos varios escenarios de ataque de datos que nos permiten probar modelos de clasificación en condiciones realistas.

#Evaluación de Clasificadores

Evaluamos nuestro marco en dos conjuntos de datos públicos para comparar la robustez de diferentes estrategias de clasificación. Los conjuntos de datos proporcionaron descripciones detalladas de productos y categorías establecidas.

Para las comparaciones de clasificación, utilizamos tanto modelos supervisados como LLM, incluyendo DeBERTaV3 y GPT-4, entre otros. Organizamos los modelos en configuraciones: plana, jerárquica y de pocos ejemplos. Cada configuración tenía como objetivo probar varios aspectos de la clasificación de productos.

Configuramos varios ataques para evaluar las respuestas de los modelos a las perturbaciones de datos. Estos incluyeron datos limpios, datos amputados donde faltaba información, y datos abreviados donde se acortaban términos.

#Hallazgos de la Anotación Humana

Involucramos a anotadores humanos para evaluar la calidad de nuestros datos perturbados y asegurarnos de que se asemejaran a datos realistas. Los anotadores confirmaron que la mayoría de las descripciones perturbadas mantenían su significado y podían ser interpretadas correctamente.

A través de esta evaluación, encontramos que el marco de perturbación simuló efectivamente los desafíos de la clasificación de productos en la vida real, alineándose con nuestros objetivos de investigación.

#Resultados de Clasificación y Observaciones

Los resultados de nuestros experimentos mostraron claras distinciones en cómo respondieron los diferentes modelos a los ataques de datos. Los LLM, especialmente con pocos ejemplos, superaron significativamente a los modelos supervisados. Cuando los datos eran limpios, el rendimiento fue el más alto, pero cayó cuando se introdujeron desafíos.

LLMs como GPT-4 demostraron una notable capacidad para adaptarse a los datos perturbados y mantener un rendimiento robusto en comparación con los modelos supervisados, que sufrieron más por el ruido introducido.

#Conclusión y Trabajo Futuro

Esta investigación muestra una dirección prometedora para mejorar la clasificación automatizada de productos, particularmente en entornos donde el cumplimiento es crucial. El enfoque basado en LLM no solo aborda la robustez contra problemas de datos, sino que también proporciona un marco para simular escenarios de clasificación del mundo real.

De cara al futuro, planeamos expandir nuestra investigación sobre la seguridad de los LLM en operaciones críticas de datos y explorar su uso para ofrecer razonamientos detrás de las decisiones de clasificación.

Al iluminar estas áreas, podemos mejorar los métodos de aprendizaje automático para la clasificación de productos y contribuir a soluciones eficientes y precisas en contextos de comercio global.

Este trabajo enfatiza la necesidad de un enfoque práctico para el aprendizaje automático que tenga en cuenta los desafíos del mundo real. Mientras seguimos explorando este camino, refinaremos nuestros métodos y abordaremos cualquier limitación observada.