ZUSAMMENFASSUNG Eine genaue Produktklassifizierung ist entscheidend im internationalen Handel. In dieser Studie wenden wir mehrere Algorithmen an und bewerten sie, um landwirtschaftliche und Nahrungsmittelprodukte automatisch basierend auf Textbeschreibungen, die von verschiedenen öffentlichen Stellen, einschließlich Zollbehörden und dem US-Landwirtschaftsministerium (USDA), stammen, zu klassifizieren. Wir stellen fest, dass traditionelle Modelle des maschinellen Lernens (ML) zwar innerhalb des Datensatzes, auf dem sie trainiert wurden, gut abschneiden, ihre Genauigkeit jedoch dramatisch sinkt, wenn sie auf externe Datensätze angewendet werden. Im Gegensatz dazu zeigen große Sprachmodelle (LLMs) durchgehend eine starke Leistung über alle Datensätze hinweg. Die am besten abschneidenden LLMs—Claude 3.5 Sonett und GPT-4—erzielen Genauigkeitsraten von etwa 80 % bei der Klassifizierung von Produkten in 6-stellige Harmonized System (HS)-Kategorien und über 90 % für HS 2-stellige Kapitel. Unsere Analyse hebt die wertvolle Rolle hervor, die künstliche Intelligenz bei der Erleichterung der Produktklassifizierung im großen Maßstab und allgemein bei der Verbesserung der Kategorisierung unstrukturierter Daten spielen kann.
Artiñano et al. (Wed,) haben diese Frage untersucht.