كيف وفر Prodege 1.5 مليون دولار من تكاليف المراجعة البشرية السنوية باستخدام الذكاء الاصطناعي للرؤية الحاسوبية منخفضة التعليمات البرمجية

شارك في تأليف هذا المنشور Arun Gupta ، مدير ذكاء الأعمال في Prodege، LLC.

Prodege عبارة عن منصة تسويق تعتمد على البيانات ورؤى للمستهلكين تتألف من العلامات التجارية الاستهلاكية - Swagbucks و MyPoints و Tada و ySense و InboxDollars و InboxPounds و DailyRewards و PollFish و Upromise - جنبًا إلى جنب مع مجموعة تكميلية من حلول الأعمال للمسوقين والباحثين. لدى Prodege 120 مليون مستخدم ودفعت مكافآت بقيمة 2.1 مليار دولار منذ عام 2005. في عام 2021 ، أطلقت Prodege Magic Receipts ، وهي طريقة جديدة لمستخدميها لكسب النقود واسترداد بطاقات الهدايا ، فقط عن طريق التسوق في المتجر لدى بائعي التجزئة المفضلين لديهم ، و تحميل إيصال.

يتطلب البقاء في طليعة رضا العملاء تركيزًا وابتكارًا مستمرين.

يعد بناء فريق علم البيانات من البداية استثمارًا رائعًا ، ولكنه يستغرق وقتًا ، وغالبًا ما تكون هناك فرص لإحداث تأثير فوري على الأعمال باستخدام خدمات AWS AI. وفق غارتنربحلول نهاية عام 2024 ، ستنتقل 75٪ من الشركات من التجريب إلى تشغيل الذكاء الاصطناعي. مع تزايد انتشار الذكاء الاصطناعي والتعلم الآلي (ML) ، تحتاج الفرق إلى التركيز على كيفية إنشاء حل منخفض التكلفة وعالي التأثير يمكن للمؤسسة اعتماده بسهولة.

في هذا المنشور ، نشارك كيف قام Prodege بتحسين تجربة العملاء من خلال غرس الذكاء الاصطناعي والتعلم الآلي في أعمالها. أرادت Prodege إيجاد طريقة لمكافأة عملائها بشكل أسرع بعد تحميل إيصالاتهم. لم يكن لديهم طريقة آلية لفحص الإيصالات بصريًا بحثًا عن الحالات الشاذة قبل إصدار الحسومات. نظرًا لأن حجم الإيصالات كان يصل إلى عشرات الآلاف في الأسبوع ، فإن العملية اليدوية لتحديد الحالات الشاذة لم تكن قابلة للتطوير.

باستخدام Amazon Rekognition Custom Labels ، كافأت Prodege عملائها أسرع بخمس مرات بعد تحميل الإيصالات ، وزادت التصنيف الصحيح للإيصالات الشاذة من 5٪ إلى 70٪ ، ووفرت 99 مليون دولار من تكاليف المراجعة البشرية السنوية.

التحدي: الكشف عن الحالات الشاذة في الإيصالات بسرعة وبدقة على نطاق واسع

تطلب التزام Prodege بتجربة العملاء من الدرجة الأولى زيادة السرعة التي يتلقى بها العملاء المكافآت مقابل منتجها الشهير Magic Receipts. للقيام بذلك ، كان Prodege بحاجة إلى اكتشاف الحالات الشاذة في الاستلام بشكل أسرع. حقق Prodege في بناء نماذج التعلم العميق الخاصة بهم باستخدام Keras. كان هذا الحل واعدًا على المدى الطويل ، ولكن لا يمكن تنفيذه بالسرعة المطلوبة من Prodege للأسباب التالية:

• مطلوب مجموعة بيانات كبيرة - أدرك Prodege أن عدد الصور التي يحتاجونها لتدريب النموذج سيكون بعشرات الآلاف ، وسيحتاجون أيضًا إلى قوة حسابية ثقيلة مع وحدات معالجة الرسومات لتدريب النموذج.
• مضيعة للوقت ومكلفة - كان Prodege يحتوي على مئات الإيصالات الصحيحة والشاذة التي تحمل علامات بشرية ، وكانت جميع الحالات الشاذة مرئية. أدت إضافة صور معنونة إضافية إلى إنشاء نفقات تشغيلية ويمكن أن تعمل فقط خلال ساعات العمل العادية.
• كود مخصص مطلوب وصيانة عالية - سيتعين على Prodege تطوير رمز مخصص لتدريب النموذج المخصص ونشره والحفاظ على دورة حياته.

نظرة عامة على الحل: Rekognition Custom Labels

عملت Prodege مع فريق حساب AWS أولاً لتحديد حالة استخدام الأعمال للقدرة على معالجة الإيصالات بكفاءة بطريقة آلية بحيث كانت أعمالهم تصدر فقط حسومات على الإيصالات الصالحة. أراد فريق علوم البيانات Prodege حلاً يتطلب مجموعة بيانات صغيرة للبدء ، ويمكن أن يخلق تأثيرًا فوريًا على الأعمال ، ويتطلب الحد الأدنى من التعليمات البرمجية وصيانة منخفضة.

بناءً على هذه المدخلات ، حدد فريق الحساب Rekognition Custom Labels كحل محتمل لتدريب نموذج لتحديد الإيصالات الصالحة وأيها بها حالات شاذة. توفر Rekognition Custom Labels قدرة الذكاء الاصطناعي لرؤية الكمبيوتر مع واجهة مرئية لتدريب النماذج ونشرها تلقائيًا مع بضع مئات من الصور من البيانات المصنفة التي تم تحميلها.

كانت الخطوة الأولى هي تدريب نموذج باستخدام الإيصالات المسمى من Prodege. تم تصنيف الإيصالات إلى تصنيفين: صالح وشاذ. تم اختيار ما يقرب من مائة إيصال من كل نوع بعناية من قبل فريق عمل Prodege ، الذي كان على دراية بالأمور الشاذة. مفتاح النموذج الجيد في Rekognition Custom Labels هو الحصول على بيانات تدريب دقيقة. كانت الخطوة التالية هي الإعداد تدريب النموذج بنقرات قليلة على وحدة التحكم Rekognition Custom Labels. وجاءت درجة F1 ، التي تُستخدم لقياس دقة وجودة النموذج ، بنسبة 97٪. شجع ذلك Prodege على إجراء بعض الاختبارات الإضافية في صندوق الحماية الخاص بهم واستخدام النموذج المُدرب لاستنتاج ما إذا كانت الإيصالات الجديدة صالحة أو بها حالات شاذة. إعداد الاستدلال مع Rekognition Custom Labels هي عملية سهلة بنقرة واحدة ، وتوفر عينة من التعليمات البرمجية لإعداد الاستدلال البرمجي أيضًا.

بتشجيع من دقة النموذج ، أنشأ Prodege خط أنابيب استدلال الدُفعة التجريبية. سيبدأ خط الأنابيب النموذج ، ويشغل مئات الإيصالات مقابل النموذج ، ويخزن النتائج ، ثم يغلق النموذج كل أسبوع. سيقوم فريق الامتثال بعد ذلك بتقييم الإيصالات للتحقق من دقتها. ظلت الدقة عالية بالنسبة للطيار كما كانت أثناء الاختبار الأولي. أنشأ فريق Prodege أيضًا خط أنابيب لتدريب الإيصالات الجديدة من أجل الحفاظ على دقة النموذج وتحسينها.

أخيرًا ، عمل فريق Prodege Business Intelligence مع فريق التطبيق والدعم من حساب AWS وفريق المنتج لإعداد نقطة نهاية للاستدلال تعمل مع تطبيقهم للتنبؤ بصحة الإيصالات التي تم تحميلها في الوقت الفعلي وتزويد مستخدميها بأفضل- تجربة مكافآت المستهلك في فئتها. الحل موضح في الشكل التالي. استنادًا إلى نتيجة التنبؤ والثقة من Rekognition Custom Labels ، طبق فريق ذكاء الأعمال Prodege منطق الأعمال إما لمعالجته أو الخضوع لتدقيق إضافي. من خلال إدخال إنسان في الحلقة ، يستطيع Prodege مراقبة جودة التنبؤات وإعادة تدريب النموذج حسب الحاجة.

النتائج

من خلال Rekognition Custom Labels ، زادت Prodege التصنيف الصحيح للإيصالات الشاذة من 70٪ إلى 99٪ ووفرت 1.5 مليون دولار من تكاليف المراجعة البشرية السنوية. سمح هذا لبرنامج Prodege بمكافأة عملائه أسرع بخمس مرات بعد تحميل إيصالاتهم. كان أفضل جزء من Rekognition Custom Labels هو أنه كان من السهل إعداده ولم يتطلب سوى مجموعة صغيرة من الصور المصنفة مسبقًا لتدريب نموذج ML على اكتشاف الصور بدرجة عالية من الثقة (ما يقرب من 5 صورة مقابل 200 صورة مطلوبة لتدريب نموذج من نقطة الصفر ). يمكن الوصول إلى نقاط نهاية النموذج بسهولة باستخدام واجهة برمجة التطبيقات. كانت Rekognition Custom Labels حلاً فعالاً للغاية لـ Prodege لتمكين الأداء السلس لمنتج فحص الإيصالات الذي تم التحقق من صحته ، وساعدت Prodege في توفير الكثير من الوقت والموارد في إجراء الكشف اليدوي.

وفي الختام

يتطلب البقاء في طليعة إرضاء العملاء التركيز المستمر والابتكار ، وهو هدف استراتيجي للشركات اليوم. أتاحت خدمات الرؤية الحاسوبية في AWS لشركة Prodege أن تخلق تأثيرًا فوريًا على الأعمال باستخدام حل منخفض التكلفة ومنخفض الكود. بالشراكة مع AWS ، تواصل Prodege الابتكار وتظل في طليعة إرضاء العملاء. يمكنك أن تبدأ اليوم مع التعرف على التسميات المخصصة وتحسين نتائج عملك.

حول المؤلف

آرون جوبتا هو مدير ذكاء الأعمال في Prodege LLC. إنه متحمس لتطبيق تقنيات التعلم الآلي لتقديم حلول فعالة لمشاكل العمل المتنوعة.

براشانث جاناباثي هو مهندس حلول أول في قطاع الأعمال الصغيرة والمتوسطة (SMB) في AWS. إنه يستمتع بالتعرف على خدمات AWS AI / ML ومساعدة العملاء على تحقيق نتائج أعمالهم من خلال بناء حلول لهم. خارج العمل ، يستمتع Prashanth بالتصوير الفوتوغرافي والسفر وتجربة المأكولات المختلفة.

أميت غوبتا هو مهندس حلول خدمات الذكاء الاصطناعي في AWS. إنه متحمس لتمكين العملاء من خلال حلول التعلم الآلي المصممة جيدًا على نطاق واسع.

نيك راموس هو مدير حسابات أول مع AWS. إنه متحمس لمساعدة العملاء على حل تحديات الأعمال الأكثر تعقيدًا ، وغرس الذكاء الاصطناعي / تعلم الآلة في أعمال العملاء ، ومساعدة العملاء على زيادة الإيرادات الأعلى.