Cómo el deep learning está ayudando a Amazon a optimizar el embalaje

Utilizar el embalaje más adecuado para cada pedido es un reto. En Amazon, donde el catálogo de productos evoluciona continuamente, es un reto constante. Además, la escala de Amazon no permite resolver este desafío a través de la inspección manual para cada uno de los artículos. Por el mismo motivo, las normas de embalaje o la lógica tampoco son suficientes para un catálogo tan amplio y diverso. Se necesita un mecanismo automatizado inteligente y de vanguardia que pueda adaptarse a cada circunstancia.

Por suerte, el aprendizaje automático, en concreto el aprendizaje profundo o deep learning, combinado con macrodatos escalables, el procesamiento del lenguaje natural y la visión artificial, ayudan a Amazon a perfeccionar el embalaje. En los últimos seis años, han ayudado a Amazon a reducir en un 36% el peso del embalaje por envío y a eliminar más de un millón de toneladas de embalaje, lo que equivale a más de 2000 millones de cajas de envío.

“Cuando entré en Amazon en 2017, se hacían muchas pruebas físicas de productos, pero no había un mecanismo escalable que pudiera evaluar cientos de millones de productos para identificar el tipo de embalaje que requería cada producto”, cuenta el director científico de investigación Matthew Bales. Bales, que también es físico, dirige el área de Aprendizaje Automático dentro del equipo Customer Packaging Experience de Amazon.

“Las pruebas estadísticas fueron el primer paso, pero solo son útiles cuando los productos se envían en más de un tipo de embalaje. Nosotros necesitábamos poder predecir si un producto se podía enviar en un embalaje menos pesado y más sostenible, pero con la protección óptima. Y esto solo es posible con el aprendizaje automático”, explica Bales.

Para poder predecir si un producto concreto se podía enviar de forma segura en un determinado tipo de embalaje, Bales y su equipo crearon un modelo de aprendizaje automático basado, en gran medida, en la descripción de producto que los clientes encuentran en la web de Amazon: nombre del artículo, descripción, precio, dimensiones del paquete, etc.

Este sistema se probó en millones de productos que fueron entregados con éxito en distintos tipos de embalaje, así como también en otros que habían llegado dañados. Amazon tiene acceso, casi en tiempo real, a las valoraciones sobre el embalaje que los clientes registran en el Centro de devoluciones online. “Los comentarios de los clientes son valiosos y ayudan a mejorar nuestras estadísticas”, afirma Bales.

El sistema aprendió que determinadas palabras clave ayudaban a decidir sobre el embalaje más adecuado. Por ejemplo, las palabras "cerámica", "comestibles", "taza" y "vidrio” indicaban que el sobre acolchado no era la mejor opción. Y por este motivo, estos productos se debían mandar en cajas. Cuando en la descripción de los productos aparecían las palabras "paquete múltiple" y "bolsa", significaba que el producto ya tenía algún tipo de embalaje protector.

“El sistema aprendía a través de la web de Amazon qué tipo de producto era y sus dimensiones”, explica Bales. El aprendizaje automático fue un paso importante, pero no definitivo. Nos dimos cuenta de que también necesitábamos saber cómo el colaborador comercial había empaquetado el producto antes de enviarlo al centro logístico. Por ejemplo, una taza de cerámica se puede empaquetar en una bolsa de plástico transparente o en una caja resistente.

Para escalar la elección del embalaje, era necesario utilizar visión artificial por ordenador. El equipo de Aprendizaje Automático ya sabía que las imágenes de productos que se encuentran en la web no eran útiles para seleccionar el embalaje. Por ejemplo, un paquete de bombillas LED puede ilustrarse con la imagen de una sola bombilla sin su embalaje, lo que sugiere que es frágil. Pero en realidad, el paquete de bombillas ya llega empaquetado de forma segura por el colaborador comercial, y no requiere embalaje adicional para enviarlo.

Matthew Bale y su equipo decidieron utilizar las imágenes que Amazon registra de los productos cuando pasan por las cintas transportadoras antes de ser almacenados en las estanterías de los centros logísticos. En estas cintas, se toman imágenes desde múltiples ángulos, que también sirven para determinar las dimensiones y detectar los posibles defectos.

Prasanth Meiyappan, científico de Amazon, mejoró el modelo de aprendizaje automático diseñado por el equipo, dándole un enfoque multimodal al introducir estas imágenes. “Nuestro sistema detecta los bordes del embalaje para determinar la forma, identifica cualquier perforación, el tipo de envoltorio e incluso la luz que brilla a través de una botella de vidrio”, explica Prasanth. La forma en que el sistema decide el tipo de embalaje es difícil de discernir para el ser humano, debido a la complejidad de las características identificadas y ponderadas.
“Lo más importante es que las decisiones de embalaje generadas por el sistema sean empíricamente precisas”, señala Bales. La combinación de datos basados en el texto y en la información visual mejoró el rendimiento del sistema hasta en un 30%, en comparación con el uso exclusivo de datos basados en el texto. Matthew y Prasanth describen así el resultado de su trabajo conjunto.

“Cuando el sistema está seguro de haber elegido el embalaje adecuado, así lo certifica”, explica Bale. “Pero cuando el sistema no está seguro, pide al ser humano que verifique manualmente el producto y el embalaje”. Esta tecnología se está utilizando en América del Norte y Europa, ayudando a reducir, a gran escala, el volumen de residuos que generan los embalajes. “Es una triple victoria: se reducen los residuos, el cliente está más satisfecho y los costes se reducen”, afirma Matthew Bale.

Para llegar a esta triple victoria, el equipo también tuvo que asumir un último desafío, muy frecuente en el aprendizaje automático: el desequilibrio de muestras. El problema es el siguiente: para que el modelo de aprendizaje automático sea efectivo, hay que proporcionar el mismo número de aciertos que de errores, para que aprenda a diferenciarlos de forma eficaz.

Los datos utilizados para entrenar al modelo tenían millones de ejemplos de combinaciones de productos y embalajes, pero en algunos tipos de embalaje, solo el 1% de esos ejemplos correspondían a embalajes inadecuados para el producto que contenían. “Antes de implementar el aprendizaje automático, enviamos productos en diferentes embalajes, y conseguimos muchos éxitos y pocos errores. El desequilibrio era abrumador”, cuenta Matthew.

“Los estudios sobre aprendizaje automático y embalaje son bastante escasos. Poca gente trabaja con el tipo de datos que se utilizan en el campo del embalaje”, cuenta Prasanth. “Para resolver el desequilibrio de datos es importante tanto el dominio como el conjunto de datos”.

Así pues, el enfoque inicial del equipo para resolver el desequilibrio fue, en esencia, experimental. De los seis enfoques aplicados (cuatro basados en datos y dos basados en algoritmos) el claro ganador fue el enfoque basado en datos, llamado “aprendizaje en dos fases”. En la primea fase se utilizó un submuestreo aleatorio centrado en datos minoritarios, y en la segunda, se incluyeron todos los datos disponibles. “Nosotros compartimos estos resultados con el equipo de Aprendizaje Automático para que ellos los pudieran utilizar en circunstancia similares”, explica Matthew.

El equipo está ansioso por ampliar este sistema a todos los idiomas de las webs de Amazon, teniendo en cuenta las particularidades de cada país.

Los científicos de Amazon siguen investigando otras formas de utilizar el aprendizaje automático para eliminar los residuos. Al mismo tiempo, la compañía trabaja para reducir los residuos de embalaje en toda la cadena de suministro. Como ejemplo de las medidas que está llevando a cabo, Amazon incentiva cada vez más a sus colaboradores comerciales para que creen embalajes optimizados, que ahorren espacio y material y aseguren, al mismo tiempo, la protección del producto.

A través del objetivo Shipment Zero , Amazon tiene el compromiso de lograr que el 50% de sus envíos sean neutros en emisiones netas de carbono para 2030. Desde la perspectiva del embalaje, esto significa enviar productos sin embalaje adicional de Amazon o en embalajes con cero emisiones netas de carbono.

Estos esfuerzos forman parte del trabajo que Amazon está haciendo para cumplir su compromiso The Climate Pledge, de alcanzar las cero emisiones netas de carbono para 2040, una década antes de lo establecido en el Acuerdo de París.