ترجمه فارسی مقاله طبقه‌بندی قوی محصولات مبتنی بر LLM در تجارت و انطباق

چکیده

Product classification is a crucial task in international trade, as compliance regulations are verified and taxes and duties are applied based on product categories. Manual classification of products is time-consuming and error-prone, and the sheer volume of products imported and exported renders the manual process infeasible. Consequently, e-commerce platforms and enterprises involved in international trade have turned to automatic product classification using machine learning. However, current approaches do not consider the real-world challenges associated with product classification, such as very abbreviated and incomplete product descriptions. In addition, recent advancements in generative Large Language Models (LLMs) and their reasoning capabilities are mainly untapped in product classification and e-commerce. In this research, we explore the real-life challenges of industrial classification and we propose data perturbations that allow for realistic data simulation. Furthermore, we employ LLM-based product classification to improve the robustness of the prediction in presence of incomplete data. Our research shows that LLMs with in-context learning outperform the supervised approaches in the clean-data scenario. Additionally, we illustrate that LLMs are significantly more robust than the supervised approaches when data attacks are present.

چکیده به فارسی (ترجمه ماشینی)

طبقه بندی محصول یک کار مهم در تجارت بین المللی است ، زیرا مقررات مربوط به انطباق تأیید می شود و مالیات و وظایف بر اساس دسته بندی محصولات اعمال می شود.طبقه بندی دستی محصولات بسیار وقت گیر و مستعد خطا است ، و حجم کامل محصولات وارداتی و صادر شده ، روند دستی را غیرقابل تحمل می کند.در نتیجه ، سیستم عامل های تجارت الکترونیکی و شرکت های درگیر در تجارت بین المللی با استفاده از یادگیری ماشین به طبقه بندی محصولات اتوماتیک تبدیل شده اند.با این حال ، رویکردهای فعلی چالش های دنیای واقعی مرتبط با طبقه بندی محصول را در نظر نمی گیرند ، مانند توضیحات محصول بسیار مختصر و ناقص.علاوه بر این ، پیشرفت های اخیر در مدل های بزرگ زبان (LLMS) و قابلیت های استدلال آنها عمدتاً در طبقه بندی محصول و تجارت الکترونیکی دست نخورده است.در این تحقیق ، ما چالش های زندگی واقعی طبقه بندی صنعتی را مورد بررسی قرار می دهیم و اختلالات داده ها را پیشنهاد می کنیم که امکان شبیه سازی داده های واقع گرایانه را فراهم می کند.علاوه بر این ، ما از طبقه بندی محصول مبتنی بر LLM برای بهبود استحکام پیش بینی در حضور داده های ناقص استفاده می کنیم.تحقیقات ما نشان می دهد که LLM ها با یادگیری درون متن از رویکردهای نظارت شده در سناریوی داده های پاک استفاده می کنند.علاوه بر این ، ما نشان می دهیم که LLM ها در هنگام وجود حملات داده به طور قابل توجهی قوی تر از رویکردهای نظارت شده هستند.