Wie Prodege mithilfe von Low-Code-Computer-Vision-KI 1.5 Millionen US-Dollar an jährlichen Kosten für die menschliche Überprüfung einsparte

Dieser Beitrag wurde von Arun Gupta, dem Director of Business Intelligence bei Prodege, LLC, mitverfasst.

Prodege ist eine datengesteuerte Marketing- und Consumer Insights-Plattform, die aus Verbrauchermarken – Swagbucks, MyPoints, Tada, ySense, InboxDollars, InboxPounds, DailyRewards, PollFish und Upromise – zusammen mit einer ergänzenden Suite von Geschäftslösungen für Marketer und Forscher besteht. Prodege hat 120 Millionen Nutzer und hat seit 2.1 Prämien in Höhe von 2005 Milliarden US-Dollar gezahlt. Im Jahr 2021 führte Prodege Magic Receipts ein, eine neue Möglichkeit für seine Nutzer, Cashback zu verdienen und Geschenkkarten einzulösen, indem sie einfach im Geschäft bei ihren Lieblingshändlern einkaufen und Quittung hochladen.

Um bei der Kundenzufriedenheit auf dem neuesten Stand zu bleiben, sind ständige Konzentration und Innovation erforderlich.

Der Aufbau eines Data-Science-Teams von Grund auf ist eine großartige Investition, aber es braucht Zeit, und oft gibt es Möglichkeiten, mit AWS-KI-Services sofortige geschäftliche Auswirkungen zu erzielen. Entsprechend Gartner, werden bis Ende 2024 75 % der Unternehmen von der Pilotierung zur Operationalisierung von KI übergehen. Angesichts der wachsenden Reichweite von KI und maschinellem Lernen (ML) müssen sich Teams darauf konzentrieren, wie sie eine kostengünstige, wirkungsvolle Lösung erstellen können, die von einem Unternehmen problemlos übernommen werden kann.

In diesem Beitrag teilen wir mit, wie Prodege sein Kundenerlebnis verbessert hat, indem es KI und ML in sein Geschäft integriert hat. Prodege wollte einen Weg finden, seine Kunden nach dem Hochladen ihrer Quittungen schneller zu belohnen. Sie hatten keine automatisierte Möglichkeit, die Belege visuell auf Anomalien zu überprüfen, bevor sie Rabatte ausstellten. Da das Volumen der Belege in die Zehntausende pro Woche ging, war der manuelle Prozess zur Identifizierung von Anomalien nicht skalierbar.

Durch die Verwendung von Amazon Rekognition Custom Labels belohnte Prodege seine Kunden fünfmal schneller nach dem Hochladen von Quittungen, erhöhte die korrekte Klassifizierung anomaler Quittungen von 5 % auf 70 % und sparte 99 Millionen US-Dollar an jährlichen Kosten für die menschliche Überprüfung ein.

Die Herausforderung: Anomalien in Belegen schnell und genau in großem Umfang erkennen

Das Engagement von Prodege für ein erstklassiges Kundenerlebnis erforderte eine Erhöhung der Geschwindigkeit, mit der Kunden Belohnungen für sein äußerst beliebtes Magic Receipts-Produkt erhalten. Dazu musste Prodege Empfangsanomalien schneller erkennen. Prodege untersuchte den Aufbau eigener Deep-Learning-Modelle mit Keras. Diese Lösung war langfristig vielversprechend, konnte aber aus folgenden Gründen nicht in der von Prodege gewünschten Geschwindigkeit umgesetzt werden:

• Erforderte einen großen Datensatz – Prodege erkannte, dass die Anzahl der Bilder, die sie zum Trainieren des Modells benötigen würden, in die Zehntausende gehen würde, und sie würden auch eine hohe Rechenleistung mit GPUs benötigen, um das Modell zu trainieren.
• Zeitaufwändig und kostenintensiv – Prodege hatte Hunderte von menschenbeschrifteten gültigen und anomalen Quittungen, und die Anomalien waren alle sichtbar. Das Hinzufügen zusätzlicher beschrifteter Bilder verursachte Betriebskosten und konnte nur während der normalen Geschäftszeiten funktionieren.
• Erforderlicher benutzerdefinierter Code und hoher Wartungsaufwand – Prodege müsste benutzerdefinierten Code entwickeln, um das benutzerdefinierte Modell zu trainieren und bereitzustellen und seinen Lebenszyklus aufrechtzuerhalten.

Lösungsübersicht: Rekognition Custom Labels

Prodege arbeitete mit dem AWS-Kontoteam zusammen, um zunächst den geschäftlichen Anwendungsfall zu identifizieren, Belege effizient und automatisiert zu verarbeiten, sodass ihr Unternehmen nur Rabatte auf gültige Belege ausstellte. Das Data-Science-Team von Prodege wollte eine Lösung, die zu Beginn einen kleinen Datensatz erfordert, unmittelbare geschäftliche Auswirkungen haben kann und minimalen Code und geringen Wartungsaufwand erfordert.

Basierend auf diesen Eingaben identifizierte das Account-Team Rekognition Custom Labels als potenzielle Lösung, um ein Modell zu trainieren, um zu erkennen, welche Quittungen gültig sind und welche Anomalien aufweisen. Rekognition Custom Labels bietet eine Computer-Vision-KI-Funktion mit einer visuellen Schnittstelle zum automatischen Trainieren und Bereitstellen von Modellen mit nur ein paar hundert Bildern hochgeladener beschrifteter Daten.

Der erste Schritt bestand darin, ein Modell mit den beschrifteten Belegen von Prodege zu trainieren. Die Quittungen wurden in zwei Kategorien eingeteilt: gültig und anomal. Ungefähr hundert Belege jeder Art wurden vom Geschäftsteam von Prodege, das Kenntnis von den Anomalien hatte, sorgfältig ausgewählt. Der Schlüssel zu einem guten Modell in Rekognition Custom Labels sind genaue Trainingsdaten. Der nächste Schritt war die Einrichtung Training des Modells mit ein paar Klicks in der Rekognition Custom Labels-Konsole. Der F1-Score, mit dem die Genauigkeit und Qualität des Modells gemessen wird, liegt bei 97 %. Dies ermutigte Prodege, einige zusätzliche Tests in ihrer Sandbox durchzuführen und das trainierte Modell zu verwenden, um abzuleiten, ob neue Belege gültig waren oder Anomalien aufwiesen. Inferenz einrichten mit Rekognition Custom Labels ist ein einfacher One-Click-Prozess und bietet Beispielcode, um auch programmatische Inferenz einzurichten.

Ermutigt durch die Genauigkeit des Modells richtete Prodege eine Pilot-Batch-Inferenz-Pipeline ein. Die Pipeline würde das Modell starten, Hunderte von Quittungen gegen das Modell ausführen, die Ergebnisse speichern und das Modell dann jede Woche herunterfahren. Das Compliance-Team wertet dann die Belege aus, um sie auf Richtigkeit zu prüfen. Die Genauigkeit blieb für den Piloten so hoch wie bei den ersten Tests. Das Prodege-Team richtete auch eine Pipeline ein, um neue Belege zu trainieren, um die Genauigkeit des Modells aufrechtzuerhalten und zu verbessern.

Schließlich arbeitete das Business-Intelligence-Team von Prodege mit dem Anwendungsteam und der Unterstützung des AWS-Konto- und Produktteams zusammen, um einen Inferenzendpunkt einzurichten, der mit ihrer Anwendung zusammenarbeiten würde, um die Gültigkeit hochgeladener Quittungen in Echtzeit vorherzusagen und seinen Benutzern eine bestmögliche erstklassige Verbraucherprämienerfahrung. Die Lösung ist in der folgenden Abbildung hervorgehoben. Basierend auf der Vorhersage und dem Konfidenzwert von Rekognition Custom Labels wandte das Business Intelligence-Team von Prodege Geschäftslogik an, um es entweder verarbeiten zu lassen oder einer zusätzlichen Prüfung zu unterziehen. Durch die Einbeziehung eines Menschen in die Schleife ist Prodege in der Lage, die Qualität der Vorhersagen zu überwachen und das Modell bei Bedarf neu zu trainieren.

Die Ergebnisse

Mit Rekognition Custom Labels erhöhte Prodege die korrekte Klassifizierung anomaler Belege von 70 % auf 99 % und sparte 1.5 Millionen US-Dollar an jährlichen Kosten für die menschliche Überprüfung ein. Dadurch konnte Prodege seine Kunden nach dem Hochladen ihrer Quittungen fünfmal schneller belohnen. Das Beste an Rekognition Custom Labels war, dass es einfach einzurichten war und nur ein kleiner Satz vorklassifizierter Bilder erforderlich war, um das ML-Modell für die Bilderkennung mit hoher Zuverlässigkeit zu trainieren (ungefähr 5 Bilder gegenüber 200, die erforderlich sind, um ein Modell von Grund auf neu zu trainieren ). Auf die Endpunkte des Modells konnte einfach über die API zugegriffen werden. Rekognition Custom Labels war für Prodege eine äußerst effektive Lösung, um das reibungslose Funktionieren ihres validierten Quittungsscanprodukts zu ermöglichen, und half Prodege, viel Zeit und Ressourcen bei der manuellen Erkennung zu sparen.

Zusammenfassung

An der Spitze der Kundenzufriedenheit zu bleiben, erfordert ständige Konzentration und Innovation und ist heute ein strategisches Ziel für Unternehmen. Die Computer-Vision-Services von AWS ermöglichten es Prodege, mit einer kostengünstigen und Low-Code-Lösung sofortige geschäftliche Auswirkungen zu erzielen. In Partnerschaft mit AWS setzt Prodege seine Innovationen fort und bleibt auf dem neuesten Stand der Kundenzufriedenheit. Sie können heute damit beginnen Erkennung benutzerdefinierter Labels und verbessern Sie Ihre Geschäftsergebnisse.

Über die Autoren

Arun Guta ist Direktor für Business Intelligence bei Prodege LLC. Er setzt sich leidenschaftlich für die Anwendung von Technologien des maschinellen Lernens ein, um effektive Lösungen für verschiedene Geschäftsprobleme bereitzustellen.

Prashanth Ganapathy ist Senior Solutions Architect im Segment Small Medium Business (SMB) bei AWS. Er lernt gerne etwas über AWS AI/ML-Services und hilft Kunden dabei, ihre Geschäftsergebnisse zu erreichen, indem er Lösungen für sie entwickelt. Außerhalb der Arbeit fotografiert Prashanth gerne, reist und probiert verschiedene Küchen aus.

Amit Gupta ist AI Services Solutions Architect bei AWS. Er ist begeistert davon, Kunden maßstabsgetreue Lösungen für maschinelles Lernen in großem Maßstab zu ermöglichen.

Kerbe Ramos ist Senior Account Manager bei AWS. Er ist leidenschaftlich daran interessiert, Kunden bei der Lösung ihrer komplexesten geschäftlichen Herausforderungen zu helfen, KI/ML in die Unternehmen der Kunden einzubringen und Kunden dabei zu helfen, ihren Umsatz zu steigern.