Hvordan Prodege sparede 1.5 millioner dollars i årlige omkostninger til menneskelig gennemgang ved at bruge lavkode computervision AI

Dette indlæg blev medforfattet af Arun Gupta, direktøren for Business Intelligence hos Prodege, LLC.

Prodege er en datadrevet marketing- og forbrugerindsigtsplatform, der består af forbrugermærker – Swagbucks, MyPoints, Tada, ySense, InboxDollars, InboxPounds, DailyRewards, PollFish og Upromise – sammen med en komplementær suite af forretningsløsninger til marketingfolk og forskere. Prodege har 120 millioner brugere og har betalt $2.1 milliarder i belønninger siden 2005. I 2021 lancerede Prodege Magic Receipts, en ny måde for sine brugere at tjene penge tilbage og indløse gavekort, blot ved at shoppe i butikken hos deres yndlingsforhandlere, og uploade en kvittering.

At forblive på forkant med kundetilfredshed kræver konstant fokus og innovation.

At bygge et data science-team fra bunden er en god investering, men det tager tid, og ofte er der muligheder for at skabe øjeblikkelig forretningspåvirkning med AWS AI-tjenester. Ifølge Gartner, ved udgangen af ​​2024 vil 75 % af virksomhederne skifte fra at pilotere til at operationalisere kunstig intelligens. I takt med at rækkevidden af ​​AI og maskinlæring (ML) vokser, er teams nødt til at fokusere på, hvordan man skaber en billig, højeffektiv løsning, som let kan implementeres af en organisation.

I dette indlæg deler vi, hvordan Prodege forbedrede deres kundeoplevelse ved at infundere AI og ML i sin forretning. Prodege ønskede at finde en måde at belønne sine kunder hurtigere efter at have uploadet deres kvitteringer. De havde ikke en automatiseret måde at visuelt inspicere kvitteringerne for uregelmæssigheder, før de udstedte rabatter. Fordi mængden af ​​kvitteringer var i titusindvis om ugen, var den manuelle proces med at identificere uregelmæssigheder ikke skalerbar.

Ved at bruge Amazon Rekognition Custom Labels belønnede Prodege deres kunder 5 gange hurtigere efter at have uploadet kvitteringer, øgede den korrekte klassificering af unormale kvitteringer fra 70 % til 99 % og sparede $1.5 millioner i årlige omkostninger til menneskelig gennemgang.

Udfordringen: Opdagelse af uregelmæssigheder i kvitteringer hurtigt og præcist i skala

Prodeges forpligtelse til kundeoplevelse på højeste niveau krævede en stigning i den hastighed, hvormed kunderne modtager belønninger for deres massivt populære Magic Receipts-produkt. For at gøre det var Prodege nødt til at opdage uregelmæssigheder ved modtagelse hurtigere. Prodege undersøgte at bygge deres egne deep learning-modeller ved hjælp af Keras. Denne løsning var lovende på lang sigt, men kunne ikke implementeres med Prodeges ønskede hastighed af følgende årsager:

• Krævede et stort datasæt – Prodege indså, at antallet af billeder, de ville have brug for til træning af modellen, ville være i titusindvis, og de ville også have brug for tung computerkraft med GPU'er for at træne modellen.
• Tidskrævende og dyrt – Prodege havde hundredvis af menneskemærkede gyldige og unormale kvitteringer, og uregelmæssighederne var alle visuelle. Tilføjelse af yderligere mærkede billeder skabte driftsudgifter og kunne kun fungere i normal arbejdstid.
• Påkrævet brugerdefineret kode og høj vedligeholdelse – Prodege skulle udvikle tilpasset kode for at træne og implementere den tilpassede model og vedligeholde dens livscyklus.

Oversigt over løsning: Rekognition Custom Labels

Prodege arbejdede sammen med AWS-kontoteamet for først at identificere den forretningsmæssige brug af at være i stand til effektivt at behandle kvitteringer på en automatiseret måde, så deres virksomhed kun udstedte rabatter til gyldige kvitteringer. Prodege datavidenskabsteamet ønskede en løsning, der krævede et lille datasæt for at komme i gang, kunne skabe øjeblikkelig forretningspåvirkning og krævede minimal kode og lav vedligeholdelse.

Baseret på disse input identificerede kontoteamet Rekognition Custom Labels som en potentiel løsning til at træne en model til at identificere, hvilke kvitteringer der er gyldige, og hvilke der har uregelmæssigheder. Rekognition Custom Labels giver en computervision AI-kapacitet med en visuel grænseflade til automatisk at træne og implementere modeller med så få som et par hundrede billeder af uploadede mærkede data.

Det første skridt var at træne en model ved hjælp af de mærkede kvitteringer fra Prodege. Kvitteringerne blev kategoriseret i to etiketter: gyldige og unormale. Cirka hundrede kvitteringer af hver slags blev nøje udvalgt af Prodege-forretningsteamet, som havde kendskab til uregelmæssighederne. Nøglen til en god model i Rekognition Custom Labels er at have nøjagtige træningsdata. Næste skridt var at sætte op træning af modellen med et par klik på Rekognition Custom Labels-konsollen. F1-scoren, som bruges til at måle nøjagtigheden og kvaliteten af ​​modellen, kom på 97%. Dette tilskyndede Prodege til at udføre nogle yderligere tests i deres sandbox og bruge den trænede model til at udlede, om nye kvitteringer var gyldige eller havde uregelmæssigheder. Opsætning af inferens med Rekognition Custom Labels er en nem proces med et enkelt klik, og den giver også eksempelkode til opsætning af programmatisk inferens.

Opmuntret af modellens nøjagtighed oprettede Prodege en pilot-batch-inferenspipeline. Pipelinen ville starte modellen, køre hundredvis af kvitteringer mod modellen, gemme resultaterne og derefter lukke modellen ned hver uge. Overholdelsesteamet vil derefter evaluere kvitteringerne for at kontrollere, om de er nøjagtige. Nøjagtigheden forblev lige så høj for piloten, som den var under den indledende test. Prodege-teamet oprettede også en pipeline for at træne nye kvitteringer for at vedligeholde og forbedre modellens nøjagtighed.

Endelig arbejdede Prodege business intelligence-teamet sammen med applikationsteamet og support fra AWS-kontoen og produktteamet for at oprette et slutpunkt, der ville arbejde sammen med deres applikation for at forudsige gyldigheden af ​​uploadede kvitteringer i realtid og give dets brugere en bedste- oplevelse i klasse med forbrugerbelønninger. Løsningen er fremhævet i den følgende figur. Baseret på forudsigelsen og konfidensresultatet fra Rekognition Custom Labels anvendte Prodege business intelligence-teamet forretningslogik til enten at få det behandlet eller gennemgå yderligere undersøgelser. Ved at introducere et menneske i løkken er Prodege i stand til at overvåge kvaliteten af ​​forudsigelserne og genoptræne modellen efter behov.

Resultater

Med Rekognition Custom Labels øgede Prodege den korrekte klassificering af unormale kvitteringer fra 70 % til 99 % og sparede $1.5 millioner i årlige omkostninger til menneskelig gennemgang. Dette gjorde det muligt for Prodege at belønne sine kunder 5 gange hurtigere efter at have uploadet deres kvitteringer. Den bedste del af Rekognition Custom Labels var, at det var nemt at konfigurere og kun krævede et lille sæt præklassificerede billeder for at træne ML-modellen til højsikkerhedsbilleddetektion (ca. 200 billeder vs. 50,000 krævede for at træne en model fra bunden ). Modellens endepunkter kunne nemt tilgås ved hjælp af API. Rekognition Custom Labels har været en ekstremt effektiv løsning for Prodege til at muliggøre en problemfri funktion af deres validerede kvitteringsscanningsprodukt og hjalp Prodege med at spare en masse tid og ressourcer ved at udføre manuel registrering.

Konklusion

At forblive på forkant med kundetilfredshed kræver konstant fokus og innovation, og det er et strategisk mål for virksomheder i dag. AWS computersynstjenester gjorde det muligt for Prodege at skabe øjeblikkelig forretningspåvirkning med en billig og lav kodeløsning. I samarbejde med AWS fortsætter Prodege med at innovere og forbliver på forkant med kundetilfredshed. Du kan komme i gang i dag med Brugerdefinerede etiketter for anerkendelse og forbedre dine forretningsresultater.

Om forfatterne

Arun Gupta er direktør for Business Intelligence hos Prodege LLC. Han brænder for at anvende Machine Learning-teknologier til at levere effektive løsninger på tværs af forskellige forretningsproblemer.

Prashanth Ganapathy er Senior Solutions Architect i Small Medium Business (SMB) segmentet hos AWS. Han nyder at lære om AWS AI/ML-tjenester og hjælpe kunder med at nå deres forretningsresultater ved at bygge løsninger til dem. Uden for arbejdet nyder Prashanth at fotografere, rejse og prøve forskellige køkkener.

Amit Gupta er AI Services Solutions Architect hos AWS. Han brænder for at give kunderne veldesignede maskinlæringsløsninger i stor skala.

Nick Ramos er Senior Account Manager hos AWS. Han brænder for at hjælpe kunder med at løse deres mest komplekse forretningsudfordringer, infundere AI/ML i kundernes forretninger og hjælpe kunder med at vokse omsætningen.