Πώς ο Prodege εξοικονόμησε 1.5 εκατομμύρια δολάρια σε ετήσιο κόστος ανθρώπινης αναθεώρησης χρησιμοποιώντας AI χαμηλού κώδικα όρασης υπολογιστή

Αυτή η ανάρτηση συντάχθηκε από τον Arun Gupta, Διευθυντή Business Intelligence στην Prodege, LLC.

Το Prodege είναι μια πλατφόρμα μάρκετινγκ και πληροφοριών καταναλωτή που βασίζεται σε δεδομένα και αποτελείται από επωνυμίες καταναλωτών—Swagbucks, MyPoints, Tada, ySense, InboxDollars, InboxPounds, DailyRewards, PollFish και Upromise—μαζί με μια συμπληρωματική σειρά επιχειρηματικών λύσεων για επαγγελματίες του μάρκετινγκ και ερευνητές. Η Prodege έχει 120 εκατομμύρια χρήστες και έχει πληρώσει 2.1 δισεκατομμύρια δολάρια σε ανταμοιβές από το 2005. Το 2021, η Prodege κυκλοφόρησε το Magic Receipts, έναν νέο τρόπο για τους χρήστες της να κερδίζουν επιστροφή μετρητών και να εξαργυρώνουν δωροκάρτες, απλώς κάνοντας αγορές στο κατάστημα από τους αγαπημένους τους λιανοπωλητές και ανέβασμα απόδειξης.

Η παραμονή στην αιχμή της ικανοποίησης των πελατών απαιτεί συνεχή εστίαση και καινοτομία.

Η δημιουργία μιας ομάδας επιστήμης δεδομένων από το μηδέν είναι μια μεγάλη επένδυση, αλλά απαιτεί χρόνο και συχνά υπάρχουν ευκαιρίες για να δημιουργήσετε άμεσο επιχειρηματικό αντίκτυπο με τις υπηρεσίες AWS AI. Σύμφωνα με Gartner, έως το τέλος του 2024, το 75% των επιχειρήσεων θα στραφεί από την πιλοτική εφαρμογή στην επιχειρησιακή τεχνητή νοημοσύνη. Καθώς αυξάνεται η εμβέλεια της τεχνητής νοημοσύνης και της μηχανικής μάθησης (ML), οι ομάδες πρέπει να επικεντρωθούν στο πώς να δημιουργήσουν μια λύση χαμηλού κόστους και υψηλού αντίκτυπου που μπορεί εύκολα να υιοθετηθεί από έναν οργανισμό.

Σε αυτήν την ανάρτηση, μοιραζόμαστε τον τρόπο με τον οποίο η Prodege βελτίωσε την εμπειρία των πελατών της, εισάγοντας AI και ML στην επιχείρησή της. Η Prodege ήθελε να βρει έναν τρόπο να επιβραβεύει τους πελάτες της πιο γρήγορα μετά τη μεταφόρτωση των αποδείξεων τους. Δεν είχαν έναν αυτοματοποιημένο τρόπο να επιθεωρήσουν οπτικά τις αποδείξεις για ανωμαλίες πριν εκδώσουν εκπτώσεις. Επειδή ο όγκος των εισπράξεων ήταν δεκάδες χιλιάδες την εβδομάδα, η μη αυτόματη διαδικασία εντοπισμού ανωμαλιών δεν ήταν επεκτάσιμη.

Χρησιμοποιώντας τις προσαρμοσμένες ετικέτες Amazon Rekognition, η Prodege επιβράβευσε τους πελάτες της 5 φορές πιο γρήγορα μετά τη μεταφόρτωση αποδείξεων, αύξησε τη σωστή ταξινόμηση των ανώμαλων αποδείξεων από 70% σε 99% και εξοικονόμησε 1.5 εκατομμύρια δολάρια σε ετήσιο κόστος αναθεώρησης.

Η πρόκληση: Ανίχνευση ανωμαλιών στις αποδείξεις γρήγορα και με ακρίβεια σε κλίμακα

Η δέσμευση της Prodege στην κορυφαία εμπειρία πελατών απαιτούσε αύξηση της ταχύτητας με την οποία οι πελάτες λαμβάνουν ανταμοιβές για το μαζικά δημοφιλές προϊόν Magic Receipts. Για να γίνει αυτό, ο Prodege χρειαζόταν να εντοπίζει πιο γρήγορα τις ανωμαλίες παραλαβής. Ο Prodege ερεύνησε τη δημιουργία των δικών του μοντέλων βαθιάς μάθησης χρησιμοποιώντας το Keras. Αυτή η λύση ήταν πολλά υποσχόμενη μακροπρόθεσμα, αλλά δεν μπορούσε να εφαρμοστεί με την επιθυμητή ταχύτητα του Prodege για τους ακόλουθους λόγους:

• Απαιτείται μεγάλο σύνολο δεδομένων – Ο Prodege συνειδητοποίησε ότι ο αριθμός των εικόνων που θα χρειαζόταν για την εκπαίδευση του μοντέλου θα ήταν δεκάδες χιλιάδες και θα χρειαζόταν επίσης μεγάλη υπολογιστική ισχύ με GPU για να εκπαιδεύσει το μοντέλο.
• Χρονοβόρο και δαπανηρό – Ο Prodege είχε εκατοντάδες έγκυρες και ανώμαλες αποδείξεις με ανθρώπινη ετικέτα και οι ανωμαλίες ήταν όλες οπτικές. Η προσθήκη πρόσθετων εικόνων με ετικέτα δημιούργησε λειτουργικά έξοδα και μπορούσε να λειτουργήσει μόνο κατά τις κανονικές εργάσιμες ώρες.
• Απαιτείται προσαρμοσμένος κωδικός και υψηλή συντήρηση – Η Prodege θα πρέπει να αναπτύξει προσαρμοσμένο κώδικα για να εκπαιδεύσει και να αναπτύξει το προσαρμοσμένο μοντέλο και να διατηρήσει τον κύκλο ζωής του.

Επισκόπηση της λύσης: Προσαρμοσμένες ετικέτες αναγνώρισης

Ο Prodege συνεργάστηκε με την ομάδα λογαριασμών AWS για να εντοπίσει πρώτα την περίπτωση επιχειρηματικής χρήσης της δυνατότητας αποτελεσματικής επεξεργασίας αποδείξεων με αυτοματοποιημένο τρόπο, έτσι ώστε η επιχείρησή τους να εκδίδει εκπτώσεις μόνο σε έγκυρες αποδείξεις. Η ομάδα επιστήμης δεδομένων της Prodege ήθελε μια λύση που απαιτούσε ένα μικρό σύνολο δεδομένων για να ξεκινήσετε, θα μπορούσε να δημιουργήσει άμεσο επιχειρηματικό αντίκτυπο και απαιτούσε ελάχιστο κώδικα και χαμηλή συντήρηση.

Με βάση αυτά τα δεδομένα, η ομάδα λογαριασμού προσδιόρισε τις Προσαρμοσμένες Ετικέτες Αναγνώρισης ως πιθανή λύση για την εκπαίδευση ενός μοντέλου ώστε να προσδιορίζει ποιες αποδείξεις είναι έγκυρες και ποιες έχουν ανωμαλίες. Το Rekognition Custom Labels παρέχει μια ικανότητα AI όρασης υπολογιστή με μια οπτική διεπαφή για αυτόματη εκπαίδευση και ανάπτυξη μοντέλων με λίγες έως και μερικές εκατοντάδες εικόνες μεταφορτωμένων δεδομένων με ετικέτα.

Το πρώτο βήμα ήταν να εκπαιδεύσετε ένα μοντέλο χρησιμοποιώντας τις επισημασμένες αποδείξεις από την Prodege. Οι αποδείξεις κατηγοριοποιήθηκαν σε δύο ετικέτες: έγκυρες και ανώμαλες. Περίπου εκατό αποδείξεις κάθε είδους επιλέχθηκαν προσεκτικά από την επιχειρηματική ομάδα της Prodege, η οποία είχε γνώση των ανωμαλιών. Το κλειδί για ένα καλό μοντέλο στις προσαρμοσμένες ετικέτες αναγνώρισης είναι η ύπαρξη ακριβών δεδομένων εκπαίδευσης. Το επόμενο βήμα ήταν η εγκατάσταση εκπαίδευση του μοντέλου με μερικά κλικ στην κονσόλα Rekognition Custom Labels. Η βαθμολογία F1, η οποία χρησιμοποιείται για τη μέτρηση της ακρίβειας και της ποιότητας του μοντέλου, έφτασε στο 97%. Αυτό ενθάρρυνε τον Prodege να κάνει κάποιες πρόσθετες δοκιμές στο sandbox του και να χρησιμοποιήσει το εκπαιδευμένο μοντέλο για να συμπεράνει εάν οι νέες αποδείξεις ήταν έγκυρες ή αν είχαν ανωμαλίες. Ρύθμιση συμπερασμάτων με τις Προσαρμοσμένες Ετικέτες Αναγνώρισης είναι μια εύκολη διαδικασία με ένα κλικ και παρέχει δείγμα κώδικα για να ρυθμίσετε επίσης τα συμπεράσματα μέσω προγραμματισμού.

Ενθαρρυμένος από την ακρίβεια του μοντέλου, ο Prodege δημιούργησε έναν πιλοτικό αγωγό συμπερασμάτων παρτίδας. Ο αγωγός θα ξεκινούσε το μοντέλο, θα έδινε εκατοντάδες αποδείξεις στο μοντέλο, θα αποθηκεύσει τα αποτελέσματα και στη συνέχεια θα έκλεινε το μοντέλο κάθε εβδομάδα. Στη συνέχεια, η ομάδα συμμόρφωσης θα αξιολογούσε τις αποδείξεις για να ελέγξει την ακρίβεια. Η ακρίβεια παρέμεινε τόσο υψηλή για τον πιλότο όσο και κατά την αρχική δοκιμή. Η ομάδα της Prodege δημιούργησε επίσης έναν αγωγό για την εκπαίδευση νέων αποδείξεων προκειμένου να διατηρήσει και να βελτιώσει την ακρίβεια του μοντέλου.

Τέλος, η ομάδα επιχειρηματικής ευφυΐας της Prodege συνεργάστηκε με την ομάδα εφαρμογών και την υποστήριξη από τον λογαριασμό AWS και την ομάδα προϊόντων για να δημιουργήσει ένα τελικό σημείο συμπερασμάτων που θα συνεργαζόταν με την εφαρμογή τους για να προβλέψει την εγκυρότητα των μεταφορτωμένων αποδείξεων σε πραγματικό χρόνο και να παρέχει στους χρήστες του την καλύτερη εμπειρία ανταμοιβής καταναλωτών στην τάξη. Η λύση φαίνεται στο παρακάτω σχήμα. Με βάση τη βαθμολογία πρόβλεψης και εμπιστοσύνης από τις Προσαρμοσμένες Ετικέτες Αναγνώρισης, η ομάδα επιχειρηματικής ευφυΐας της Prodege εφάρμοσε την επιχειρηματική λογική είτε για να την υποβάλει σε επεξεργασία είτε για να περάσει από πρόσθετο έλεγχο. Εισάγοντας έναν άνθρωπο στον βρόχο, ο Prodege είναι σε θέση να παρακολουθεί την ποιότητα των προβλέψεων και να επανεκπαιδεύει το μοντέλο όπως χρειάζεται.

Αποτελέσματα

Με τις Προσαρμοσμένες Ετικέτες Αναγνώρισης, η Prodege αύξησε τη σωστή ταξινόμηση των ανώμαλων αποδείξεων από 70% σε 99% και εξοικονόμησε 1.5 εκατομμύρια δολάρια σε ετήσιο κόστος ανθρώπινης αναθεώρησης. Αυτό επέτρεψε στην Prodege να επιβραβεύει τους πελάτες της 5 φορές πιο γρήγορα μετά τη μεταφόρτωση των αποδείξεων τους. Το καλύτερο μέρος των προσαρμοσμένων ετικετών αναγνώρισης ήταν ότι ήταν εύκολο να ρυθμιστεί και απαιτούσε μόνο ένα μικρό σύνολο προ-ταξινομημένων εικόνων για την εκπαίδευση του μοντέλου ML για ανίχνευση εικόνας υψηλής εμπιστοσύνης (περίπου 200 εικόνες έναντι 50,000 που απαιτούνται για την εκπαίδευση ενός μοντέλου από την αρχή ). Τα τελικά σημεία του μοντέλου ήταν εύκολα προσβάσιμα χρησιμοποιώντας το API. Το Rekognition Custom Labels ήταν μια εξαιρετικά αποτελεσματική λύση για την Prodege για την ομαλή λειτουργία του επικυρωμένου προϊόντος σάρωσης αποδείξεων και βοήθησε την Prodege να εξοικονομήσει πολύ χρόνο και πόρους εκτελώντας χειροκίνητο εντοπισμό.

Συμπέρασμα

Η παραμονή στην αιχμή της ικανοποίησης των πελατών απαιτεί συνεχή εστίαση και καινοτομία και αποτελεί στρατηγικό στόχο για τις επιχειρήσεις σήμερα. Οι υπηρεσίες όρασης υπολογιστών AWS επέτρεψαν στην Prodege να δημιουργήσει άμεσο επιχειρηματικό αντίκτυπο με μια λύση χαμηλού κόστους και χαμηλού κώδικα. Σε συνεργασία με την AWS, η Prodege συνεχίζει να καινοτομεί και να παραμένει στην αιχμή της ικανοποίησης των πελατών. Μπορείτε να ξεκινήσετε σήμερα με Προσαρμοσμένες ετικέτες αναγνώρισης και να βελτιώσετε τα επιχειρηματικά σας αποτελέσματα.

Σχετικά με τους Συγγραφείς

Αρούν Γκούπτα είναι Διευθυντής Business Intelligence στην Prodege LLC. Είναι παθιασμένος με την εφαρμογή τεχνολογιών Machine Learning για την παροχή αποτελεσματικών λύσεων σε διάφορα επιχειρηματικά προβλήματα.

Prashanth Ganapathy είναι Senior Solutions Architect στο τμήμα Small Medium Business (SMB) στην AWS. Του αρέσει να μαθαίνει για τις υπηρεσίες AWS AI/ML και να βοηθά τους πελάτες να επιτύχουν τα επιχειρηματικά τους αποτελέσματα δημιουργώντας λύσεις για αυτούς. Εκτός δουλειάς, το Prashanth απολαμβάνει τη φωτογραφία, τα ταξίδια και τη δοκιμή διαφορετικών κουζινών.

Amit Gupta είναι ένας αρχιτέκτονας λύσεων υπηρεσιών AI στο AWS. Είναι παθιασμένος με το να δίνει τη δυνατότητα στους πελάτες να διαθέτουν καλά σχεδιασμένες λύσεις μηχανικής μάθησης σε κλίμακα.

Νίκος Ράμος είναι Ανώτερος Διευθυντής Λογαριασμού με AWS. Είναι παθιασμένος με το να βοηθά τους πελάτες να λύσουν τις πιο περίπλοκες επιχειρηματικές τους προκλήσεις, να εμφυσήσει AI/ML στις επιχειρήσεις των πελατών και να βοηθήσει τους πελάτες να αυξήσουν τα κορυφαία έσοδα.