包裹决策引擎：一个由亚马逊设计并制造的AI模型
该模型能够确定每件商品最合适的包装类型，帮助减少用于向客户寄送商品的纸箱、充气垫、胶带和快递袋的数量。这是公司利用人工智能更快实现可持续发展目标的关键举措，同时也有助于减少包装浪费、提高配送效率，并确保产品在运输过程中得到妥善保护。与其他包装创新相结合，自2015年以来，该模型已帮助亚马逊在全球范围内避免使用超过200万吨包装材料。
这个基于亚马逊云科技（AWS）构建的多模态AI模型，能够预测像毯子这类耐用产品是否无需保护性包装，或像餐盘套装等易碎物品是否需要更坚固的纸箱。它融合了深度机器学习、自然语言处理和计算机视觉技术，并能持续学习亚马逊不断演进的包装选项。据亚马逊科学家称，其决策具有实证准确性，意味着在大多数情况下都能预测出最高效的包装方案。
减少包装浪费是亚马逊实现可持续发展目标的重要组成部分，但选择既能减废又能护品的最优包装方案颇具挑战。此外，亚马逊的产品目录包含数亿件商品且仍在不断扩展更新，同时还涵盖全球各地的区域性和国家特定产品。
在引入人工智能之前，亚马逊员工需通过针对单个产品的物理测试来确定包装优化方案，仅靠人力无法规模化推进这些工作。Package Decision Engine 实现了部分工作的自动化，使员工能将精力集中于应对其他可持续发展挑战。
“我们希望具备快速为每件商品识别最高效包装方案的能力，同时预测每款产品在运输过程中的安全性。”亚马逊包装创新团队高级技术产品负责人凯拉·芬顿表示，“通过应用人工智能，我们得以迅速大规模推进包装效率工作且效果显著，因此正将这项技术推广至亚马逊更广泛的全球业务中。”
包裹决策引擎的工作原理
包裹决策引擎的流程包含多个步骤，用于收集每件商品的详细信息：
- 计算机视觉采集：当商品首次抵达亚马逊履约中心时，会在计算机视觉隧道中进行拍摄，以确定尺寸、检测缺陷并捕捉多张图像，辅助模型识别商品是否有原有包装及是否存在裸露玻璃。
- 文本数据分析：利用自然语言处理技术，结合商品名称、描述、价格和包装尺寸等文本数据。
- 实时反馈整合：近乎实时地收集来自亚马逊在线退货中心、产品评论及其他渠道的客户反馈信息。
汇总信息后，模型会生成评分以预测最适合的包装类型，并记住所选方式以理解未来的包装需求。
包裹决策引擎如何随时间学习
亚马逊科学家通过向AI模型展示数百万个成功完好送达的案例以及已损坏的商品案例来训练模型，同时输入每种场景下的关键词和包装类型。
因此，模型学会了某些关键词在包装决策中的重要性。例如，缓冲能力有限的 padded mailer（缓冲信封）可能无法充分保护描述中包含“grocery”（杂货）、“screen”（屏幕）或“stoneware”（陶器）等字样的商品，模型便会推荐更坚固的纸箱；而“multipack”（多件装）、“bag”（袋装）、“shrink”（收缩膜）和“pack”（包装）等关键词则与较低破损率相关，表明产品可能已有保护性包装，无需额外防护。
目前，该模型已在北美和欧洲的履约中心广泛使用，并正在印度、澳大利亚和日本等地逐步推出。包装创新团队正将其训练为全球部署版本，使其适应新的语言、独特的包装类型以及在不同国家销售的商品。
包裹决策引擎是亚马逊利用人工智能创新以实现可持续性、包装优化和减少浪费目标的众多举措之一。
了解更多关于亚马逊的人工智能与可持续发展工作的信息。