Amazon diminue en masse ses déchets d'emballage grâce au deep learning

Après un long travail de recherche, Amazon est parvenu à dimensionner correctement ses colis à l'aide d'un mécanisme automatisé et intelligent. La combinaison technologique du deep learning, du traitement du langage naturel et de la vision par ordinateur, a permis au géant du e-commerce de réduire de 36 % le poids d’emballage par colis sur ces six dernières années, et d’éliminer plus d’un million de tonnes d’emballage, ce qui représente plus de deux milliards de cartons d’expédition. Ce système est bénéfique à trois niveaux : « moins de déchets, une meilleure satisfaction client et une réduction des coûts », résume Matthew Bales, directeur de recherche scientifique qui a supervisé les projets de machine learning au sein de l’équipe Customer packaging experience d’Amazon.

« À mes débuts chez Amazon en 2017, on devait tester physiquement les produits ; il nous manquait un mécanisme évolutif capable d’évaluer des centaines de millions de produits pour identifier le type d’emballage optimal pour chacun », raconte-il. « On a commencé par réaliser des tests statistiques, mais ceux-ci sont surtout utiles pour des produits ayant déjà été livrés dans différents types d’emballages. Or, nous voulions prédire le comportement d’un produit dans un type d’emballage moins protecteur, plus léger et plus éco-responsable. Et dans le domaine du prédictif, le machine learning s’impose ». Actuellement utilisée dans les entrepôts en Amérique du Nord et en Europe, cette avancée technologique va contribuer à l'objectif environnemental d'Amazon de parvenir à zéro émission nette de CO2 pour 50 % de ses expéditions d’ici 2030.

Une exploitation de données textuelles et visuelles

Il n'était pas aisé pour Amazon de trouver systématiquement la bonne taille de colis à chaque article, dans un catalogue contenant plusieurs centaines de millions de références. Le modèle de machine learning développé par Matthew Bales et son équipe repose d'abord sur les données textuelles visibles des clients sur le site d'Amazon : nom du produit, description, prix, dimensions du colis, etc. Il prend en compte également les retours clients puisque ceux-ci signalent les livraisons endommagées via le formulaire du centre de retours en ligne ou les avis sur les produits. « Ils nous servent pour l’ensemble de nos tests statistiques », souligne Matthew Bales. Le modèle a compris que certains mots-clés conditionnaient le choix de l’emballage. Par exemple, les mots-clés « céramique », « denrées alimentaires », « mug » et « verre » éliminent d’emblée les enveloppes matelassées, un carton d’emballage étant mieux adapté à ce type de produits. « La part du modèle qui s’enrichit des informations publiées sur la boutique Amazon sait distinguer le produit et reconnaître ses dimensions », ajoute Matthew Bales.

Auto-certifier les types d'emballages

 Toutefois, identifier automatiquement un produit n'était pas suffisant. Il fallait aussi savoir comment le vendeur emballait avant de l'expédier au centre de distribution. Dans cette nouvelle étape, la vision par ordinateur entre en jeu. Matthew Bales et ses collègues ont exploité les images prises par les caméras d'Amazon lorsque les produits arrivent dans les centres de distribution. Elles permettent d’estimer les dimensions des produits et de détecter les défauts. Dans une logique multimodale, les ingénieurs ont eu l’idée de les utiliser pour enrichir le modèle de machine learning. Le fait d’intégrer des données visuelles en plus des données textuelles a permis d’améliorer la performance du modèle de machine learning d’environ 30 %. « Quand le modèle est sûr du meilleur type d’emballage à préconiser pour un produit donné, nous l’autorisons à auto-certifier ce type d’emballage », conclut Matthew Bales. « Quand il n’est pas certain à 100 %, le produit et le choix d’emballage subissent une étape supplémentaire de test et validation par un humain ».