其他行业 · AI应用
Project P.I. 产品缺陷检测
Project P.I. 解决了产品缺陷和过期物品对客户满意度和运营效率的严重影响。通过利用生成式 AI 和计算机视觉，借助 AWS 服务如 Amazon Bedrock 和 Amazon SageMaker，该计划采用光学字符识别等先进技术验证过期日期，并使用多模态大语言模型从多种数据源评估产品质量。这种主动方法不仅确保了缺陷产品的准确识别，还显著降低了退货率，促进了更好的可持续性实践。最终，Project P.I. 通过确保只有高质量产品到达消费者手中，增强了客户信任和体验。
每月处理商品量
数百万件
来源披露
缺陷识别能力
准确识别过期商品以及颜色、尺寸错误等问题
来源披露
01
业务背景
Project P.I. 解决了产品缺陷和过期物品对客户满意度和运营效率的严重影响。通过利用生成式 AI 和计算机视觉，借助 AWS 服务如 Amazon Bedrock 和 Amazon SageMaker，该计划采用光学字符识别等先进技术验证过期日期，并使用多模态大语言模型从多种数据源评估产品质量。这种主动方法不仅确保了缺陷产品的准确识别，还显著降低了退货率，促进了更好的可持续性实践。最终，Project P.I. 通过确保只有高质量产品到达消费者手中，增强了客户信任和体验。
02
遇到的问题
产品缺陷和过期物品对客户满意度和运营效率的严重影响，需要主动发现并移除未达标的商品，防止其送达客户。
03
AI 解决方案
Project P.I. 利用生成式 AI 和计算机视觉，在履行中心的成像隧道中，通过光学字符识别（OCR）检查过期日期，用计算机视觉模型比对标品图像检测产品损坏，并结合多模态大语言模型分析客户反馈与图像，实现缺陷的识别、隔离和根因分析，同时向销售伙伴反馈数据以预防问题。
- 1商品通过成像隧道，捕获多角度图像
- 2OCR 模型读取标签信息，与数据库比对，发现过期或不一致则标记
- 3计算机视觉模型将实时图像与标品参考图像对比，识别外观缺陷（如破损、弯曲）
- 4检测到缺陷时，隔离问题商品并调查是否为批次性问题，若为批次问题则整批暂停出库
- 5多模态大语言模型结合客户投诉文本和隧道图像，进行根因分析并生成自然语言报告，指导上游改进
04
实施结果
每月处理商品量：数百万件（未披露）
缺陷识别能力：准确识别过期商品以及颜色、尺寸错误等问题（未披露）
05
风险与边界
模型可能混淆“生产日期”与“有效期”，或将无鞋盒的运动鞋误判为错误商品；适应不同履行中心的周转箱尺寸、颜色差异以及多语言数据提取存在挑战。
“We want to get it right for customers the first time, so we want to inspect the products before they leave our fulfillment center, and we incorporate AI to streamline the workflow.”
Angela Ke · Senior Product Manager
信息来源
1 个来源页面内容为结构化改写；关键结论应可追溯到以下材料。