یک اشتباه تک‌رقمی در ثبت وزن کالا در یک فیلد داده‌ای می‌تواند کل زنجیره ترخیص گمرکی را متوقف کند. در ۲ سپتامبر ۲۰۲۶، آزمایش‌های عملی روی سازنده سناریوی yingsuan.top نشان داد که هوش مصنوعی اکنون می‌تواند استخراج اسناد پیچیده لجستیکی را با امتیاز دقت ۸.۵ از ۱۰ انجام دهد. این نتایج بر اساس گزارشی است که توسط وب‌سایت dev.to منتشر شده است.
بار عملیاتی و هزینه‌های پنهان
فورواررهای حمل‌ونقل و کارگزاران گمرک در حال حاضر با یک «مالیات خاموش» در عملیات روزمره خود دست‌وپنجه نرم می‌کنند. آن‌ها مجبورند نام فرستنده، آدرس گیرنده و شرح کالا را به‌صورت دستی از PDFهای اسکن‌شده، پیوست‌های ایمیل یا عکس‌های گرفته شده از اسناد چاپی استخراج و بازنویسی کنند. این فرآیند معمولاً نرخ خطای انسانی بین ۲ تا ۵ درصد دارد؛ جایی که یک اشتباه ساده در خواندن عدد «۱,۲۰۰ کیلوگرم» و ثبت آن به صورت «۱۲,۰۰۰ کیلوگرم» می‌تواند منجر به توقف محموله‌ای در بندر شود.
استخراج دستی به‌ویژه زمانی طاقت‌فرسا می‌شود که شرح کالا شامل ۲۰ خط از اختصارات رمزگونه و پیچیده باشد. هماهنگ‌کنندگان لجستیک باید شماره بارنامه‌ها را که اغلب در پاورقی‌های گوشه صفحه یا در کنار بارکدها دفن شده‌اند، جست‌وجو کنند. در همین حال، آن‌ها باید گیرندگانی را مدیریت کنند که اغلب از فرمت‌های آدرس‌دهی متفاوتی نسبت به فرستندگان استفاده می‌کنند. همچنین، آن‌ها باید شناسه‌های مالیاتی و وزن‌های ناخالص را ردیابی کنند که گاهی اوقات در اسناد به صورت عبارت «طبق اظهارنامه» (as per declaration) ذکر شده‌اند.
مکانیسم عملکرد ابزار
ابزار yingsuan.top بدون نیاز به کلیدهای API یا انتخاب مدل‌های پیچیده هوش مصنوعی کار می‌کند. کاربر تنها متن خام بارنامه را در یک کادر متنی (textarea) می‌ریزد تا خروجی ساختاریافته JSON دریافت کند. JSON یک فرمت استاندارد برای تبادل داده است که اطلاعات را مانند یک جدول منظم برای کامپیوتر قابل‌فهم می‌کند. در تست‌های واقعی که شامل هر دو نوع بارنامه‌های هوایی تمیز و بارنامه‌های دریایی نامنظم بود، این هوش مصنوعی توانست با موفقیت اختصارات رایج لجستیکی مانند "SHPR" را به "shipper" (فرستنده) و "CNEE" را به "consignee" (گیرنده) تبدیل و نرمال‌سازی کند.
تحلیل موارد آزمایشی (Test Cases)
برای ارزیابی دقیق این ابزار، دو نمونه متمایز مورد استفاده قرار گرفت. نمونه اول یک بارنامه هوایی (Air Waybill) تمیز با شماره ۱۲۳-۴۵۶۷۸۹۰۱ بود. در این سند، شرکت .Shenzhen Electronics Co., Ltd (واقع در جاده هواکیانگ ۸۸، شنژن، چین) به عنوان فرستنده و شرکت GlobalTech Distributors LLC (واقع در بلوور صنعتی ۱۲۰۰، لس‌آنجلس، کالیفرنیا ۹۰۰۰۱، آمریکا) به عنوان گیرنده ثبت شده بود. محموله شامل ۲۰ پالت پنل LED با وزن ۱,۲۵۰.۰۰ کیلوگرم بود. هوش مصنوعی این داده‌ها را به‌طور کامل و بدون نقص به فرمت ساختاریافته JSON تبدیل کرد.
نمونه دوم یک بارنامه دریایی (Sea Waybill) نامنظم با شماره B/L: MSCU987654321 بود که خروجی آن شبیه به داده‌های نویسه‌خوانی نوری (OCR) بود — یعنی متنی که از اسکن یک کاغذ به دست آمده و دارای نویز است. این سند مربوط به شرکت Nordic Fisheries Oy در هلسینکی فنلاند و شرکت Atlantic Food Importers در نیوآرک، نیوجرسی آمریکا بود. محموله شامل ۵۰۰ کارتن فیله ماهی سالمون منجمد با کد گمرکی (HS 0304.81) و وزن ناخالص ۸,۴۰۰ پوند بود.
عملکرد فنی و موارد استثنایی (Edge Cases)
بر اساس مستندات فنی، قابلیت‌های این ابزار شامل موارد زیر است:
- تبدیل خودکار واحدها: هوش مصنوعی به‌طور خودکار ۸,۴۰۰ پوند را به ۳,۸۱۰.۱۸ کیلوگرم تبدیل کرد که یک قابلیت کاربردی برای استانداردسازی داده‌هاست.
- نگاشت فیلدها: ابزار توانست شماره‌های بارنامه، جزئیات فرستنده و شرح کالا را در انواع مختلف اسناد به‌درستی شناسایی و استخراج کند.
- انعطاف در فرمت: سیستم هم با متون دیجیتال تایپ‌شده و هم با متون اسکن‌شده (OCR) که فرمت‌های ناسازگاری داشتند، به‌خوبی برخورد کرد.
با این حال، تست‌ها نقاط ضعف خاصی را نیز آشکار کرد. مدل نتوانست کدهای HS (کدهای سیستم هماهنگ شده گمرکی) را به‌عنوان فیلدهای مجزا استخراج کند و کد "HS 0304.81" را به‌صورت ادغام‌شده در داخل شرح کالا رها کرد. این یک نقص کوچک برای کارگزاران گمرکی است، زیرا آن‌ها برای ثبت اظهارنامه‌ها به این کد به عنوان یک نقطه داده مجزا نیاز دارند. علاوه بر این، ابزار در حال حاضر «امتیاز اطمینان» (Confidence Score) برای هر فیلد ارائه نمی‌دهد؛ موضوعی که برای کارگزارانی که باید تصمیم بگیرند چه زمانی یک مرحله بررسی دستی را فعال کنند، حیاتی است.
همچنین، ابزار درخواست یا استخراج داده برای «بندر بارگیری» (port of loading) یا «بندر تخلیه» (port of discharge) را انجام نداد. اگرچه این موارد در نمونه‌های تست موجود نبودند، اما این‌ها نقاط داده‌ای حیاتی برای عملیات حمل‌ونقل دریایی محسوب می‌شوند.
تأثیر بر صنعت لجستیک
برای متخصصان لجستیک، این تغییر به معنای کاهش احتمالی ۷۰ درصدی زمان ثبت داده‌ها برای اسناد تمیز است. این ابزار به کارگزاران گمرک اجازه می‌دهد از تایپ مجدد داده‌ها در سامانه‌های ثبت AES بی‌نیاز شوند و به توسعه‌دهندگان کمک می‌کند تا بدون نوشتن کدهای پیچیده Regex (عبارات منظم) از ابتدا، نمونه‌های اولیه گردش‌کارهای استخراج داده را بسازند. این اتوماسیون در حالی معرفی می‌شود که بسیاری از سازمان‌ها همچنان با شکاف‌های هماهنگی در پیاده‌سازی عامل‌های هوش مصنوعی تدارکات دست‌وپنجه نرم می‌کنند و به دنبال راهکارهایی برای یکپارچگی عملیاتی هستند.
البته این اتوماسیون هنوز جایگزین کامل انسان نمی‌شود. اسنادی که دارای واترمارک‌های شدید، یادداشت‌های دست‌نویس یا اختصارات غیر استاندارد هستند، همچنان به بازبینی انسانی (Human-in-the-loop) نیاز دارند تا دقت ۱۰۰ درصدی تضمین شود.
بنچ‌مارک جامعه کاربری
اکنون اپراتورهای لجستیک باید ابزار را با نمونه‌های واقعی و سانسور شده خود آزمایش کنند تا نقاط شکست مدل در کدهای بندری خاص، گیرنده‌های متعدد یا خطوط مربوط به کالاهای خطرناک (Hazmat) شناسایی شود. ایجاد یک محک جمعی از این موارد استثنایی می‌تواند به بهبود نسخه‌های بعدی ابزار کمک کند.
از کاربران خواسته شده است تا بارنامه‌ها یا اسناد حمل خود را در سازنده سناریوی yingsuan.top قرار داده و خروجی JSON حاصل را به اشتراک بگذارند. این تلاش مشترک، شکاف‌های موجود را برجسته کرده و کمک می‌کند تا مشخص شود آیا ماشین واقعاً می‌تواند بار سنگین عملیات حمل‌ونقل را به دوش بکشد یا خیر.
گام بعدی شما
- بارنامه‌های قدیمی خود را در سازنده سناریوی yingsuan.top تست کنید تا نرخ خطای مدل در حوزه کاری خود را بسنجید.
- خروجی‌های JSON را با داده‌های مرجع خود مقایسه کنید تا متوجه شوید کدام فیلدها (مانند کدهای HS) نیاز به اصلاح دارند.
- اگر توسعه‌دهنده هستید، از این ابزار برای ساخت نمونه‌های اولیه (Prototype) سریع استخراج داده بدون درگیر شدن با Regex استفاده کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو