Amazon s’attaque au problème du gaspillage des emballages grâce à l’IA et fait des millions d’économies

MOINDRE COUT L’intelligence artificielle permet à Amazon d’affiner le choix d’emballage pour chaque produit afin d’éviter le gaspillage

Anaëlle Lucina pour 20 Minutes
— 
Comment Amazon a économisé des millions de tonnes d?emballages grâce à l?IA
Comment Amazon a économisé des millions de tonnes d?emballages grâce à l?IA — Geeko

Amazon est le cofondateur du Climate Pledge. Les signataires de ce texte s’engagent à atteindre les objectifs de l’Accord de Paris avec dix ans d’avance. Leur défi ultime est d’atteindre le zéro carbone net d’ici 2040.

Pour y parvenir, Amazon a mis au point une solution d’apprentissage automatique –machine-learning (ML) – alimentée par la plateforme d’apprentissage automatique Amazon SageMaker. Son but principal est de créer un processus d’emballage plus durable, tout en maintenant la barre de l’expérience client élevée. Ainsi, dans un billet de blog, l’entreprise décrit de quelle façon  l’intelligence artificielle lui permet de déterminer comment utiliser la bonne quantité d’emballage pour les centaines de millions de produits qu’elle expédie.

Une réduction de 36 % du poids des emballages

Pour limiter sa production de déchets, le géant du commerce en ligne utilise sa machine-learning ainsi qu’une combinaison de traitement du langage naturel et de vision par ordinateur. Selon Amazon, ces outils lui ont permis de réduire de 36 % le poids des emballages par expédition. Soit plus d’un million de tonnes de paquets, l’équivalent de plus de 2 milliards de boîtes d’expédition, au cours des six dernières années.

Plus précisément, ces technologies permettent à l’entreprise d’affiner le choix d’emballage pour chaque produit. En effet, étant donné la taille du catalogue d’Amazon, trouver la bonne quantité d’emballage pour expédier un article représente un défi de taille.

Un modèle de machine-learning

L’apprentissage automatique permet de prédire si Amazon peut expédier un produit en toute sécurité, dans un type d’emballage particulier. Cette technologie se base sur des données textuelles provenant de listes de produits en ligne, telles que le nom de l’article, sa description, son prix et les dimensions de l’emballage.

Pour son bon fonctionnement, les commentaires des clients sont primordiaux. En effet, ce sont eux qui alimentent les tests statistiques nécessaires au machine-learning. En clair, lorsqu’un emballage ne protège pas assez un produit, Amazon a accès à un retour d’information quasi-direct. Les clients signalent le mauvais état via plusieurs mécanismes d’évaluation en ligne. L’intelligence artificielle se base, soit sur les données des produits livrés avec succès, soit sur celles des produits arrivés endommagés parce qu’ils étaient mal protégés.

L’importance des mots-clés

Lors du choix du paquet, certains mots-clés sont particulièrement importants. Une particularité que le système de ML développée par Amazon a bien intégrée. Par exemple, les mots-clés « multipack » et « bag » suggèrent que le produit pourrait déjà comporter un emballage de protection initial. Pour ces derniers, les enveloppes semblent être la solution la plus pertinente. À l’inverse, les mots-clés « céramique », « tasse » et « verre » indiquent qu’une expédition dans en enveloppe matelassée n’est pas adaptée. Pour ne pas les endommager, Amazon devra donc envoyer ces produits dans un carton.

S’ils sont pris en compte seuls, les mots-clés et les commentaires clients ne constituent pas des données assez précises. En effet, le type d’emballage que le vendeur choisi pour empaqueter son produit avant son envoi à un centre de traitement des commandes représente une information tout aussi importante. L’identification de ces choix d’empaquetage primaires permet de définir le meilleur packaging d’expédition final.

Pour collecter ce type d’information, les images des produits postées par les vendeurs ne suffisent pas. Amazon prend l’exemple des ampoules LED. Imaginons qu’un vendeur présente un pack de ces ampoules avec la photo d’une seule ampoule non emballée. L’intelligence artificielle risque de considérer le produit comme fragile, alors qu’en réalité, le vendeur emballera le pack de manière sûre et de façon qu’aucune protection supplémentaire ne soit nécessaire. De même, un expéditeur peut choisir d’emballer une théière dans un papier bulle transparent ou dans une boîte solide. Pour pallier ce risque, Amazon a développé une technologie de vision artificielle.

La vision artificielle comme solution

Une fois livrés aux centres d’exécution, les produits continuent leur parcours sur des tapis roulants placés dans des tunnels bien spéciaux. En fait, dans ses tunnels, Amazon utilise des caméras dotées de capteurs pilotés par des logiciels. Ces dernières prennent des images des produits sous plusieurs angles et apportent des données supplémentaires pour le choix du paquet final. Cette IA permet aussi de prévoir des envois groupés s’ils partagent le même destinataire.

« Lorsque le modèle est certain du meilleur type d’emballage pour un produit donné, nous lui permettons de l’auto-certifier pour ce type d’emballage », explique Matthew Bales, responsable des sciences de la recherche chez Amazon. Il ajoute, « lorsque le modèle est moins sûr, il signale un produit et son emballage pour qu’ils soient testés par un humain ». Selon Amazon, l’intégration de données textuelles et visuelles a amélioré les performances du modèle ML de 30 % par rapport à l’utilisation de données textuelles seules.

Une ligne de production plus verte

En plus de réduire le nombre de boîtes nécessaires aux expéditions, le regroupement des livraisons permet de diminuer le trafic des camions livreurs. Autrement dit, de réduire l’empreinte carbone des livraisons.

Tous ces objectifs correspondent à ceux de l’initiative « Shipment Zero » d’Amazon. Ce programme espère faire en sorte que 50 % des expéditions d’Amazon n’émettent plus de carbone d’ici 2030. L’objectif final étant de parvenir à des émissions de carbone nulles pour toutes les livraisons. Pour le moment, Amazon n’utilise l’IA que pour les clients américains et européens. Pour espérer atteindre le taux de réduction d’empreinte carbone qu’elle s’est fixé, l’entreprise devrait étendre son modèle à plus de pays du monde.