Kuidas Prodege säästis madala koodiga arvutinägemise tehisintellekti kasutades 1.5 miljonit dollarit iga-aastastelt inimeste ülevaatuskuludelt

Selle postituse kaasautor oli Prodege, LLC äriteabe direktor Arun Gupta.

Prodege on andmepõhine turundus- ja tarbijateadmiste platvorm, mis koosneb tarbijabrändidest – Swagbucks, MyPoints, Tada, ySense, InboxDollars, InboxPounds, DailyRewards, PollFish ja Upromise – koos täiendavast ärilahenduste komplektist turundajatele ja teadlastele. Prodege'il on 120 miljonit kasutajat ja ta on alates 2.1. aastast maksnud 2005 miljardi dollari väärtuses preemiaid. 2021. aastal tõi Prodege turule Magic Receipts, mis on uus viis oma kasutajatele raha tagasi teenida ja kinkekaarte lunastada, tehes lihtsalt oma lemmikjaemüüjate juures poes ostes. kviitungi üleslaadimine.

Kliendirahulolu tipptasemel püsimine nõuab pidevat keskendumist ja uuendusi.

Andmeteaduse meeskonna nullist ülesehitamine on suurepärane investeering, kuid võtab aega ja sageli on AWS-i AI teenuste abil võimalik luua vahetu ärimõju. Vastavalt Gartner2024. aasta lõpuks läheb 75% ettevõtetest pilootidelt üle tehisintellekti kasutuselevõtule. Tehisintellekti ja masinõppe (ML) haarde kasvades peavad meeskonnad keskenduma sellele, kuidas luua odav ja suure mõjuga lahendus, mida organisatsioon saaks hõlpsasti kasutusele võtta.

Selles postituses jagame, kuidas Prodege parandas oma kliendikogemust, lisades oma äritegevusse tehisintellekti ja ML. Prodege soovis leida viisi, kuidas oma kliente pärast kviitungite üleslaadimist kiiremini premeerida. Neil ei olnud automatiseeritud võimalust enne allahindluste väljastamist kviitungite visuaalseks kontrollimiseks kõrvalekallete suhtes. Kuna laekumiste maht ulatus kümnetesse tuhandetesse nädalas, ei olnud kõrvalekallete tuvastamise käsitsi protsess skaleeritav.

Kasutades Amazon Rekognitioni kohandatud silte, premeeris Prodege oma kliente 5 korda kiiremini pärast kviitungite üleslaadimist, suurendas anomaalsete kviitungite õiget klassifikatsiooni 70%-lt 99%-le ja säästis 1.5 miljonit dollarit iga-aastastelt inimülevaatuskuludelt.

Väljakutse: Kviitungite anomaaliate tuvastamine kiiresti ja täpselt suures ulatuses

Prodege pühendumine tipptasemel kliendikogemusele nõudis klientidele oma tohutult populaarse Magic Receipts toote eest preemiate saamise kiiruse suurendamist. Selleks pidi Prodege kiiremini tuvastama kviitungi anomaaliad. Prodege uuris Kerase abil oma süvaõppemudelite loomist. See lahendus oli pikas perspektiivis paljulubav, kuid seda ei saanud Prodege soovitud kiirusel rakendada järgmistel põhjustel:

• Nõutav suur andmestik – Prodege mõistis, et mudeli treenimiseks vajalike piltide arv ulatub kümnetesse tuhandetesse ning mudeli treenimiseks on vaja ka suurt arvutusvõimsust koos GPU-dega.
• Aeganõudev ja kulukas – Prodege’il oli sadu inimmärgistatud kehtivaid ja anomaalseid kviitungeid ning kõik kõrvalekalded olid visuaalsed. Täiendavate märgistatud piltide lisamine tekitas tegevuskulusid ja sai toimida ainult tavapärastel töötundidel.
• Nõutav kohandatud kood ja suur hooldus – Prodege peaks kohandatud mudeli koolitamiseks ja juurutamiseks ning selle elutsükli säilitamiseks välja töötama kohandatud koodi.

Lahenduse ülevaade: tuvastamise kohandatud sildid

Prodege tegi koostööd AWS-i kontomeeskonnaga, et esmalt tuvastada ärikasutusjuhtumid, kus suutis kviitungeid tõhusalt automatiseeritud viisil töödelda, nii et nende ettevõte andis allahindlusi ainult kehtivatele kviitungitele. Prodege'i andmeteaduse meeskond soovis lahendust, mis vajas alustamiseks väikest andmekogumit, võiks luua kohese ärimõju ning nõudis minimaalset koodi ja vähest hooldust.

Nende sisendite põhjal tuvastas kontomeeskond Rekognitioni kohandatud sildid kui võimalikku lahendust mudeli koolitamiseks, et tuvastada, millised kviitungid on kehtivad ja millistel on kõrvalekaldeid. Rekognition Custom Labels pakub arvutinägemise AI-võimalust koos visuaalse liidesega, et automaatselt koolitada ja juurutada mudeleid, millel on vaid paarsada üleslaaditud märgistatud andmete kujutist.

Esimene samm oli mudeli väljaõpetamine, kasutades Prodege märgistatud kviitungeid. Kviitungid liigitati kaheks: kehtiv ja anomaalne. Prodege ärimeeskond, kes teadis kõrvalekaldeid, valis hoolikalt välja ligikaudu sada igat liiki kviitungit. Rekognitioni kohandatud siltide hea mudeli võti on täpsete treeningandmete olemasolu. Järgmine samm oli seadistamine modelli väljaõpe mõne klõpsuga Rekognitioni kohandatud siltide konsoolil. F1 skoor, mida kasutatakse mudeli täpsuse ja kvaliteedi mõõtmiseks, oli 97%. See julgustas Prodege'i tegema oma liivakastis täiendavaid katseid ja kasutama koolitatud mudelit, et järeldada, kas uued kviitungid olid kehtivad või neil oli kõrvalekaldeid. Järelduste seadistamine Rekognitioni kohandatud siltidega on lihtne ühe klõpsuga protsess ja see pakub näidiskoodi ka programmilise järelduse seadistamiseks.

Mudeli täpsusest julgustatuna seadis Prodege üles proovipartii järelduste konveieri. Torujuhe käivitaks mudeli, käivitaks mudeli vastu sadu kviitungeid, salvestaks tulemused ja seejärel sulgeks mudeli igal nädalal. Vastavusmeeskond hindab seejärel kviitungeid, et kontrollida nende täpsust. Täpsus püsis piloodi jaoks sama kõrge kui esialgsel testimisel. Prodege meeskond koostas ka torustiku uute kviitungite koolitamiseks, et säilitada ja parandada mudeli täpsust.

Lõpuks töötas Prodege'i äriteabe meeskond koos rakendusmeeskonna ning AWS-i konto- ja tootemeeskonna toega, et seadistada järelduste lõpp-punkt, mis töötaks koos nende rakendusega, et ennustada üleslaaditud kviitungite kehtivust reaalajas ja pakkuda kasutajatele parimat klassisisene tarbijapreemiate kogemus. Lahendus on esile tõstetud järgmisel joonisel. Tuginedes Rekognition Custom Labelsi ennustustele ja usaldusskoorile, rakendas Prodege'i ärianalüüsi meeskond äriloogikat, et lasta seda töödelda või läbida täiendavat kontrolli. Inimese sisseviimisega saab Prodege jälgida ennustuste kvaliteeti ja vajadusel mudelit ümber õpetada.

Tulemused

Rekognitioni kohandatud siltide abil suurendas Prodege anomaalsete kviitungite õiget klassifikatsiooni 70%-lt 99%-le ja säästis 1.5 miljonit dollarit iga-aastastelt inimeste läbivaatamise kuludelt. See võimaldas Prodege'il oma kliente pärast kviitungite üleslaadimist 5 korda kiiremini premeerida. Rekognitioni kohandatud siltide parim osa oli see, et seda oli lihtne seadistada ja ML-mudeli treenimiseks suure usaldusväärsusega kujutiste tuvastamiseks oli vaja vaid väikest komplekti eelsalastatud pilte (mudeli nullist väljaõpetamiseks on vaja umbes 200 pilti vs. 50,000 XNUMX pilti ). Mudeli lõpp-punktidele saab hõlpsasti juurde pääseda API abil. Rekognition Custom Labels on olnud Prodege jaoks äärmiselt tõhus lahendus, mis võimaldab nende kinnitatud kviitungi skaneerimise toote sujuvat toimimist ning aitas Prodege'il käsitsi tuvastamisel palju aega ja ressursse säästa.

Järeldus

Klientide rahulolu tipptasemel püsimine nõuab pidevat keskendumist ja innovatsiooni ning on täna ettevõtete strateegiline eesmärk. AWS-i arvutinägemisteenused võimaldasid Prodege'il odava ja madala koodilahendusega kohese ärimõju luua. Koostöös AWS-iga jätkab Prodege uuenduste tegemist ja püsib klientide rahulolu tipptasemel. Võite alustada juba täna Äratundmise kohandatud sildid ja parandada oma äritulemusi.

Autoritest

Arun Gupta on Prodege LLC äriteabe direktor. Ta on kirglik masinõppetehnoloogiate rakendamise vastu, et pakkuda tõhusaid lahendusi erinevatele äriprobleemidele.

Prashanth Ganapathy on AWS-i väikeettevõtete (SMB) segmendi vanemlahenduste arhitekt. Talle meeldib õppida tundma AWS AI/ML teenuseid ja aidata klientidel nende äritulemusi saavutada, luues neile lahendusi. Väljaspool tööd naudib Prashanth fotograafiat, reisimist ja erinevate köökide proovimist.

Amit Gupta on AWS-i tehisintellekti teenuste lahenduste arhitekt. Ta on kirglik võimaldada klientidele hästi läbimõeldud masinõppelahendusi ulatuslikult.

nick Ramos on AWS-i vanemkontohaldur. Ta soovib kirglikult aidata klientidel lahendada nende kõige keerukamaid äriprobleeme, rakendada AI/ML-i klientide äritegevusse ja aidata klientidel kasvatada tipptulu.