Mohammed Khan passou a última década construindo uma carreira nos centros de distribuição da Amazon, ajudando a arrumar tudo - de livros a estantes - o que vai ser enviado para clientes. Agora, como gerente do centro de distribuição de Tracy, na Califórnia, Khan sabe o que é preciso para coletar, classificar e embalar milhares de pacotes todos os dias. E Khan entende como garantir que os produtos cheguem inteiros.
Khan explica que à medida que o produto passa pelas operações do centro de distribuição, até 5 funcionários diferentes usam uma checagem visual de 6 pontos para avaliar se o item está danificado. Ele diz que é uma tarefa minuciosa da qual os funcionários se esquecem com frequência, porque raramente acham itens danificados no estoque da Amazon.
É por isso que um time de cientistas da Amazon Fulfillment Technologies (Tecnologias de Distribuição, em tradução livre) em Berlim, na Alemanha, está trabalhando duro para ajudar Khan e seus colegas. Os pesquisadores estão desenvolvendo modelos avançados de Inteligência Artificial (IA) que podem identificar irregularidades e sinalizar produtos com defeito antes do envio.
Como outras ferramentas sofisticadas de IA, a tecnologia de detecção de danos depende de software e muitos dados. Mas produtos danificados são muito raros, o que tornam escassos os dados necessários para treinar a IA. É essa escassez de dados e a grande variedade do estoque da Amazon que tornou a detecção de danos baseada em IA tão desafiadora – até agora. No ano passado, a equipe de pesquisa determinou que poderia fornecer um modelo de machine learning com imagens de referência para ensinar a máquina a comparar o produto que está “olhando” com uma imagem de como o produto deveria ser. Para conseguir isso, eles usam visão computacional para escanear todos os itens que passam por seu centro de distribuição nos arredores de Berlim, capital alemã. Em seguida, um modelo de machine learning analisa as varreduras para achar padrões ocultos e melhorar continuamente a capacidade do sistema de detectar danos. Com machine learning e visão computacional, a IA passa a ser capaz de tomar decisões subjetivas sobre danos da mesma forma que os humanos fazem o tempo todo.
“Começamos treinando nosso machine learning para construir seu próprio modelo de aparência de itens, observando milhões de imagens de exemplo de itens danificados e não danificados”, diz Jeremy Wyatt, diretor de Ciência Aplicada da Amazon Robotics. “Depois, na operação, mostramos a ele uma imagem do item específico da ‘consulta’ e uma imagem anterior da ‘galeria’ do mesmo produto e o modelo de IA compara as imagens. Essa foi uma das várias abordagens que adotamos para obter uma grande melhoria de desempenho”.
Christoph Schwerdtfeger, gerente de ciência aplicada da Amazon Fulfillment Technologies, diz que o modelo de IA é 3 vezes mais eficaz do que a identificação manual de produtos danificados. Devido ao sucesso, estão sendo feitos planos para levar o sistema a outras instalações.
“Claro, essa tecnologia está focada apenas nesta tarefa, enquanto nossos funcionários de operações têm muito a fazer todos os dias. Planejamos expandir o uso dessa tecnologia além de nossos locais de teste”, garante Schwerdtfeger. “Queremos implantar nosso software de detecção de danos em uma dúzia de operações na América do Norte e na Europa antes das festas de fim de ano. Uma vez instalada, a tecnologia ajudará a verificar danos em mais de 40 milhões de produtos de clientes todos os meses e fará parte de como garantimos que as pessoas recebam presentes intactos nesta temporada de festas”.
Embora o modelo de machine learning continue a melhorar à medida que seu conjunto de dados cresce, Schwerdtfeger é rápido em apontar que o verdadeiro poder da tecnologia está na maneira como ajuda os humanos a trabalhar.
“Esses modelos são úteis, mas às vezes podem ser levados a cometer erros”, acrescenta Schwerdtfeger. “Se isso acontecer, receberemos feedback imediato dos funcionários de operações na rede de atendimento da Amazon. Nossos especialistas em danos ensinam diretamente a IA como tomar melhores decisões no futuro. É essa colaboração entre humanos e máquinas que leva a resultados muito melhores para nossos clientes.”
Khan está ansioso para ver como essa tecnologia ajudará a impulsionar a eficiência nos centros de distribuição.
“Essa ferramenta tem o potencial de agilizar tarefas e nos ajudar a gerenciar custos e prazos de entrega para nossos clientes”, diz Khan. “Também é empolgante porque pode ajudar a liberar os funcionários dessas operações para manter o foco em outras tarefas e atividades principais, especialmente responsabilidades importantes, como segurança”.
Além de instalar o sistema em mais locais, a equipe da Amazon Fulfillment Technologies está planejando expandir os recursos do sistema.
“Ao olharmos para futuras aplicações dessa tecnologia, uma possibilidade é ir além da detecção de danos antes de enviarmos um pedido”, afirma Wyatt. “Por exemplo, podemos identificar quando e onde o dano ocorreu em primeiro lugar”.