چگونه Prodege با استفاده از هوش مصنوعی بینایی کامپیوتری با کد پایین، 1.5 میلیون دلار در هزینه های بررسی انسانی سالانه صرفه جویی کرد

این پست توسط Arun Gupta، مدیر هوش تجاری در Prodege, LLC نوشته شده است.

Prodege یک پلت فرم بازاریابی مبتنی بر داده و بینش مصرف کننده است که از مارک های مصرف کننده - Swagbucks، MyPoints، Tada، ySense، InboxDollars، InboxPounds، DailyRewards، PollFish و Upromise- به همراه مجموعه مکملی از راه حل های تجاری برای بازاریابان و محققان تشکیل شده است. Prodege دارای 120 میلیون کاربر است و از سال 2.1 تاکنون 2005 میلیارد دلار پاداش پرداخت کرده است. در سال 2021، Prodege، Magic Receipts را راه اندازی کرد، راهی جدید برای کاربران خود برای بازپرداخت وجه نقد و بازخرید کارت های هدیه، تنها با خرید در فروشگاه از خرده فروشان مورد علاقه خود، و در حال بارگذاری رسید

ماندن در لبه برش رضایت مشتری مستلزم تمرکز و نوآوری مداوم است.

ایجاد یک تیم علم داده از ابتدا یک سرمایه گذاری عالی است، اما زمان می برد و اغلب فرصت هایی برای ایجاد تأثیر فوری تجاری با خدمات AWS AI وجود دارد. مطابق با گارتنر، تا پایان سال 2024، 75 درصد از شرکت ها از آزمایشی به عملیاتی کردن هوش مصنوعی تغییر خواهند کرد. با افزایش دسترسی به هوش مصنوعی و یادگیری ماشینی (ML)، تیم ها باید بر چگونگی ایجاد یک راه حل کم هزینه و تاثیر بالا تمرکز کنند که به راحتی توسط یک سازمان قابل استفاده باشد.

در این پست، ما به اشتراک می‌گذاریم که چگونه Prodege تجربه مشتری خود را با تزریق هوش مصنوعی و ML به تجارت خود بهبود بخشید. Prodege می‌خواست راهی برای پاداش سریع‌تر مشتریان خود پس از آپلود رسید پیدا کند. آنها یک روش خودکار برای بررسی بصری رسیدها از نظر وجود ناهنجاری قبل از صدور تخفیف نداشتند. از آنجایی که حجم دریافت‌ها ده‌ها هزار در هفته بود، فرآیند دستی شناسایی ناهنجاری‌ها مقیاس‌پذیر نبود.

با استفاده از برچسب‌های سفارشی شناسایی آمازون، Prodege به مشتریان خود پس از آپلود رسیدها 5 برابر سریع‌تر پاداش می‌دهد، طبقه‌بندی صحیح رسیدهای غیرعادی را از 70 درصد به 99 درصد افزایش می‌دهد و 1.5 میلیون دلار در هزینه‌های بررسی انسانی سالانه صرفه‌جویی می‌کند.

چالش: تشخیص ناهنجاری ها در رسیدها به سرعت و با دقت در مقیاس

تعهد Prodege به تجربه مشتری سطح بالا مستلزم افزایش سرعت دریافت پاداش مشتریان برای محصول بسیار محبوب Magic Receipts بود. برای انجام این کار، Prodege نیاز داشت تا ناهنجاری‌های دریافت را سریع‌تر تشخیص دهد. Prodege ساخت مدل های یادگیری عمیق خود را با استفاده از Keras بررسی کرد. این راه حل در دراز مدت امیدوارکننده بود، اما به دلایل زیر با سرعت مورد نظر Prodege قابل اجرا نبود:

• نیاز به مجموعه داده بزرگ – پرودج متوجه شد که تعداد تصاویری که برای آموزش مدل نیاز دارند ده‌ها هزار عکس است و همچنین برای آموزش مدل به قدرت محاسباتی سنگین با پردازنده‌های گرافیکی نیاز دارند.
• زمان بر و پرهزینه - پرودج صدها رسید معتبر و غیرعادی با برچسب انسانی داشت و ناهنجاری‌ها همگی بصری بودند. افزودن تصاویر برچسب دار اضافی باعث ایجاد هزینه های عملیاتی می شود و فقط در ساعات کاری عادی می تواند کار کند.
• کد سفارشی مورد نیاز و نگهداری بالا - Prodege باید کد سفارشی را برای آموزش و استقرار مدل سفارشی و حفظ چرخه عمر آن ایجاد کند.

نمای کلی راه حل: برچسب های سفارشی شناسایی

Prodege با تیم حساب AWS کار کرد تا ابتدا مورد استفاده تجاری را شناسایی کند که می‌توانست به طور کارآمد رسیدها را به روشی خودکار پردازش کند، به طوری که کسب‌وکار آنها فقط برای رسیدهای معتبر تخفیف صادر می‌کرد. تیم علم داده Prodege راه‌حلی می‌خواست که برای شروع به مجموعه داده‌ای کوچک نیاز داشته باشد، بتواند تأثیر فوری کسب‌وکار ایجاد کند، و نیازمند حداقل کد و نگهداری کم باشد.

بر اساس این ورودی‌ها، تیم حساب، برچسب‌های سفارشی شناسایی را به‌عنوان راه‌حلی بالقوه برای آموزش مدلی شناسایی کرد تا تشخیص دهد کدام رسیدها معتبر هستند و کدام یک دارای ناهنجاری هستند. Rekognition Custom Labels یک قابلیت هوش مصنوعی بینایی کامپیوتری را با یک رابط بصری برای آموزش و استقرار خودکار مدل‌ها با چند صد تصویر از داده‌های برچسب‌گذاری شده آپلود شده فراهم می‌کند.

اولین گام آموزش یک مدل با استفاده از رسیدهای دارای برچسب از Prodege بود. رسیدها به دو برچسب معتبر و غیرعادی دسته بندی شدند. تقریباً صد رسید از هر نوع توسط تیم تجاری Prodege که از ناهنجاری ها اطلاع داشتند، با دقت انتخاب شدند. کلید یک مدل خوب در Rekognition Custom Labels داشتن داده های آموزشی دقیق است. مرحله بعدی راه اندازی بود آموزش مدل با چند کلیک روی کنسول Rekognition Custom Labels. امتیاز F1 که برای سنجش دقت و کیفیت مدل استفاده می شود، 97 درصد است. این امر Prodege را تشویق کرد تا آزمایش‌های اضافی را در جعبه شنی خود انجام دهد و از مدل آموزش‌دیده برای استنباط اینکه آیا رسیدهای جدید معتبر هستند یا دارای ناهنجاری هستند، استفاده کند. تنظیم استنتاج با Rekognition Custom Labels یک فرآیند آسان با یک کلیک است و کد نمونه را برای تنظیم استنتاج برنامه‌ای نیز ارائه می‌کند.

پرودژ با تشویق از دقت مدل، یک خط لوله استنتاج دسته ای آزمایشی راه اندازی کرد. خط لوله مدل را شروع می‌کند، صدها رسید را با مدل اجرا می‌کند، نتایج را ذخیره می‌کند و سپس هر هفته مدل را خاموش می‌کند. سپس تیم انطباق، رسیدها را برای بررسی صحت ارزیابی می کند. دقت در آزمایش اولیه برای خلبان همچنان بالا بود. تیم Prodege همچنین خط لوله ای را برای آموزش دریافت های جدید به منظور حفظ و بهبود دقت مدل راه اندازی کرد.

در نهایت، تیم هوش تجاری Prodege با تیم برنامه و پشتیبانی از حساب AWS و تیم محصول کار کرد تا یک نقطه پایانی استنتاجی را راه‌اندازی کند که با برنامه آنها برای پیش‌بینی اعتبار رسیدهای آپلود شده در زمان واقعی کار می‌کند و بهترین شرایط را برای کاربران خود فراهم می‌کند. تجربه پاداش مصرف کننده در کلاس راه حل در شکل زیر مشخص شده است. بر اساس پیش‌بینی و امتیاز اطمینان از برچسب‌های سفارشی Rekognition، تیم هوش تجاری Prodege منطق تجاری را برای پردازش یا بررسی بیشتر به کار برد. با معرفی یک انسان در حلقه، Prodege می‌تواند کیفیت پیش‌بینی‌ها را کنترل کرده و مدل را در صورت نیاز دوباره آموزش دهد.

نتایج

با برچسب‌های سفارشی Rekognition، Prodege طبقه‌بندی صحیح دریافت‌های غیرعادی را از ۷۰ درصد به ۹۹ درصد افزایش داد و ۱.۵ میلیون دلار در هزینه‌های بررسی سالانه انسانی صرفه‌جویی کرد. این به Prodege اجازه داد تا پس از آپلود رسیدهای مشتریان خود، 70 برابر سریعتر پاداش دهد. بهترین بخش برچسب‌های سفارشی Rekognition این بود که تنظیم آن آسان بود و تنها به مجموعه کوچکی از تصاویر طبقه‌بندی‌شده برای آموزش مدل ML برای تشخیص تصویر با اطمینان بالا نیاز داشت (تقریباً 99 تصویر در مقابل 1.5 تصویر مورد نیاز برای آموزش یک مدل از ابتدا ). با استفاده از API می توان به نقاط انتهایی مدل دسترسی پیدا کرد. Rekognition Custom Labels یک راه حل بسیار موثر برای Prodege بوده است تا عملکرد نرم و بدون مشکل محصول اسکن رسید معتبر خود را فعال کند و به Prodege در صرفه جویی زیادی در زمان و منابع در انجام تشخیص دستی کمک کرد.

نتیجه

ماندن در لبه برش رضایت مشتری مستلزم تمرکز و نوآوری مداوم است و امروزه یک هدف استراتژیک برای کسب و کارها است. خدمات بینایی کامپیوتری AWS به Prodege اجازه می‌دهد تا با راه‌حلی کم‌هزینه و کم‌کد، تأثیر تجاری فوری ایجاد کند. در همکاری با AWS، Prodege به نوآوری خود ادامه می دهد و در لبه برش رضایت مشتری باقی می ماند. امروز می توانید با آن شروع کنید برچسب های سفارشی شناسایی و نتایج کسب و کار خود را بهبود بخشید.

درباره نویسنده

آرون گوپتا مدیر هوش تجاری در Prodege LLC است. او مشتاق به کارگیری فناوری‌های یادگیری ماشینی برای ارائه راه‌حل‌های مؤثر برای مشکلات مختلف تجاری است.

پراشانت گاناپاتی یک معمار ارشد راه حل در بخش کسب و کارهای متوسط ​​کوچک (SMB) در AWS است. او از یادگیری در مورد خدمات AWS AI/ML و کمک به مشتریان برای رسیدن به نتایج تجاری خود با ایجاد راه حل برای آنها لذت می برد. در خارج از محل کار، پراشانت از عکاسی، سفر و امتحان کردن غذاهای مختلف لذت می برد.

آمیت گوپتا یک معمار راه حل های خدمات هوش مصنوعی در AWS است. او مشتاق است که مشتریان را با راه‌حل‌های یادگیری ماشینی با معماری خوب در مقیاس قادر سازد.

شکاف راموس یک مدیر ارشد حساب با AWS است. او مشتاق کمک به مشتریان برای حل پیچیده‌ترین چالش‌های تجاری است، هوش مصنوعی/ML را به کسب‌وکار مشتریان تزریق می‌کند و به مشتریان کمک می‌کند تا درآمد بالایی داشته باشند.