Cómo Prodege ahorró $ 1.5 millones en costos anuales de revisión humana utilizando IA de visión por computadora de código bajo

Esta publicación fue coescrita por Arun Gupta, Director de Business Intelligence en Prodege, LLC.

Prodege es una plataforma de información del consumidor y marketing basada en datos compuesta por marcas de consumo: Swagbucks, MyPoints, Tada, ySense, InboxDollars, InboxPounds, DailyRewards, PollFish y Upromise, junto con un conjunto complementario de soluciones comerciales para especialistas en marketing e investigadores. Prodege tiene 120 millones de usuarios y ha pagado $2.1 millones en recompensas desde 2005. En 2021, Prodege lanzó Magic Receipts, una nueva forma para que sus usuarios obtengan reembolsos en efectivo y canjeen tarjetas de regalo, simplemente comprando en la tienda en sus tiendas minoristas favoritas, y cargando un recibo.

Permanecer a la vanguardia de la satisfacción del cliente requiere un enfoque e innovación constantes.

Crear un equipo de ciencia de datos desde cero es una gran inversión, pero lleva tiempo y, a menudo, hay oportunidades para crear un impacto empresarial inmediato con los servicios de IA de AWS. De acuerdo a Gartner, para finales de 2024, el 75 % de las empresas pasarán de pilotar a poner en funcionamiento la IA. Con el alcance de la IA y el aprendizaje automático (ML) en crecimiento, los equipos deben centrarse en cómo crear una solución de bajo costo y alto impacto que una organización pueda adoptar fácilmente.

En esta publicación, compartimos cómo Prodege mejoró la experiencia de sus clientes al infundir IA y ML en su negocio. Prodege quería encontrar una manera de recompensar a sus clientes más rápido después de cargar sus recibos. No tenían una forma automatizada de inspeccionar visualmente los recibos en busca de anomalías antes de emitir reembolsos. Debido a que el volumen de recibos era de decenas de miles por semana, el proceso manual de identificación de anomalías no era escalable.

Con las etiquetas personalizadas de Amazon Rekognition, Prodege recompensó a sus clientes 5 veces más rápido después de cargar los recibos, aumentó la clasificación correcta de los recibos anómalos del 70 % al 99 % y ahorró $1.5 millones en costos anuales de revisión humana.

El desafío: detectar anomalías en los recibos de forma rápida y precisa a escala

El compromiso de Prodege con la experiencia del cliente de primer nivel requería un aumento en la velocidad a la que los clientes reciben recompensas por su popular producto Magic Receipts. Para hacer eso, Prodege necesitaba detectar más rápido las anomalías en los recibos. Prodege investigó la creación de sus propios modelos de aprendizaje profundo con Keras. Esta solución era prometedora a largo plazo, pero no pudo implementarse a la velocidad deseada por Prodege por las siguientes razones:

• Requerido un gran conjunto de datos – Prodege se dio cuenta de que la cantidad de imágenes que necesitarían para entrenar el modelo sería de decenas de miles, y también necesitarían una gran potencia informática con GPU para entrenar el modelo.
• Consumidor de tiempo y costoso – Prodege tenía cientos de recibos válidos y anómalos etiquetados por humanos, y todas las anomalías eran visuales. Agregar imágenes etiquetadas adicionales creaba gastos operativos y solo podía funcionar durante el horario comercial normal.
• Código personalizado requerido y alto mantenimiento – Prodege tendría que desarrollar un código personalizado para entrenar e implementar el modelo personalizado y mantener su ciclo de vida.

Descripción general de la solución: etiquetas personalizadas de Rekognition

Prodege trabajó con el equipo de cuentas de AWS para identificar primero el caso de uso comercial de poder procesar recibos de manera eficiente de manera automatizada para que su negocio solo emitiera reembolsos para recibos válidos. El equipo de ciencia de datos de Prodege quería una solución que requiriera un pequeño conjunto de datos para comenzar, pudiera crear un impacto comercial inmediato y requiriera un código mínimo y bajo mantenimiento.

Con base en estos aportes, el equipo de cuentas identificó las etiquetas personalizadas de Rekognition como una posible solución para entrenar un modelo para identificar qué recibos son válidos y cuáles tienen anomalías. Las etiquetas personalizadas de Rekognition proporcionan una capacidad de IA de visión por computadora con una interfaz visual para entrenar e implementar automáticamente modelos con tan solo un par de cientos de imágenes de datos etiquetados cargados.

El primer paso fue entrenar un modelo utilizando los recibos etiquetados de Prodege. Los recibos se categorizaron en dos etiquetas: válidos y anómalos. Aproximadamente un centenar de recibos de cada tipo fueron cuidadosamente seleccionados por el equipo comercial de Prodege, que tenía conocimiento de las anomalías. La clave para un buen modelo en las etiquetas personalizadas de Rekognition es tener datos de entrenamiento precisos. El siguiente paso fue configurar entrenamiento del modelo con unos pocos clics en la consola de etiquetas personalizadas de Rekognition. La puntuación F1, que se utiliza para medir la precisión y la calidad del modelo, llegó al 97 %. Esto animó a Prodege a realizar algunas pruebas adicionales en su sandbox y a utilizar el modelo entrenado para inferir si los nuevos recibos eran válidos o presentaban anomalías. Configuración de la inferencia con las etiquetas personalizadas de Rekognition es un proceso sencillo con un solo clic y también proporciona un código de muestra para configurar la inferencia programática.

Animado por la precisión del modelo, Prodege estableció una canalización de inferencia por lotes piloto. La tubería iniciaría el modelo, ejecutaría cientos de recibos contra el modelo, almacenaría los resultados y luego cerraría el modelo cada semana. El equipo de cumplimiento luego evaluaría los recibos para verificar su precisión. La precisión se mantuvo tan alta para el piloto como lo fue durante la prueba inicial. El equipo de Prodege también instaló un canal para entrenar nuevos recibos con el fin de mantener y mejorar la precisión del modelo.

Finalmente, el equipo de inteligencia comercial de Prodege trabajó con el equipo de aplicaciones y el soporte del equipo de productos y cuentas de AWS para configurar un punto final de inferencia que funcionaría con su aplicación para predecir la validez de los recibos cargados en tiempo real y brindar a sus usuarios una mejor- experiencia de recompensas para el consumidor en su clase. La solución se destaca en la siguiente figura. En función de la predicción y la puntuación de confianza de las etiquetas personalizadas de Rekognition, el equipo de inteligencia empresarial de Prodege aplicó la lógica empresarial para que se procesara o pasara por un escrutinio adicional. Al introducir a un ser humano en el ciclo, Prodege puede monitorear la calidad de las predicciones y volver a entrenar el modelo según sea necesario.

Resultados

Con las etiquetas personalizadas de Rekognition, Prodege aumentó la clasificación correcta de recibos anómalos del 70 % al 99 % y ahorró $1.5 millones en costos anuales de revisión humana. Esto permitió a Prodege recompensar a sus clientes 5 veces más rápido luego de cargar sus recibos. La mejor parte de las etiquetas personalizadas de Rekognition fue que era fácil de configurar y solo requería un pequeño conjunto de imágenes preclasificadas para entrenar el modelo ML para la detección de imágenes de alta confianza (aproximadamente 200 imágenes frente a las 50,000 XNUMX necesarias para entrenar un modelo desde cero ). Se puede acceder fácilmente a los puntos finales del modelo mediante la API. Rekognition Custom Labels ha sido una solución extremadamente eficaz para que Prodege permita el buen funcionamiento de su producto de escaneo de recibos validado y ayudó a Prodege a ahorrar mucho tiempo y recursos al realizar la detección manual.

Conclusión

Permanecer a la vanguardia de la satisfacción del cliente requiere un enfoque e innovación constantes, y es un objetivo estratégico para las empresas de hoy. Los servicios de visión artificial de AWS permitieron a Prodege crear un impacto comercial inmediato con una solución de código bajo y bajo costo. En asociación con AWS, Prodege continúa innovando y se mantiene a la vanguardia de la satisfacción del cliente. Puedes empezar hoy con Etiquetas personalizadas de reconocimiento y mejorar los resultados de su negocio.

Acerca de los autores

Arun Gupta es el Director de Business Intelligence en Prodege LLC. Le apasiona aplicar tecnologías de aprendizaje automático para brindar soluciones efectivas a diversos problemas comerciales.

Prashanth Ganapatía es arquitecto sénior de soluciones en el segmento de pequeñas y medianas empresas (SMB) en AWS. Le gusta aprender sobre los servicios de IA/ML de AWS y ayudar a los clientes a alcanzar sus resultados comerciales mediante la creación de soluciones para ellos. Fuera del trabajo, a Prashanth le gusta la fotografía, viajar y probar diferentes cocinas.

Amit Gupta es arquitecto de soluciones de servicios de inteligencia artificial en AWS. Le apasiona ofrecer a los clientes soluciones de aprendizaje automático bien diseñadas a escala.

Nick Ramos es administrador de cuentas sénior en AWS. Le apasiona ayudar a los clientes a resolver sus desafíos comerciales más complejos, infundir AI/ML en los negocios de los clientes y ayudar a los clientes a aumentar los ingresos de primera línea.