Kuinka Prodege säästi 1.5 miljoonaa dollaria vuotuisista ihmisen tarkastelukustannuksista käyttämällä matalakoodia tietokonenäön tekoälyä

Tämän viestin on kirjoittanut Arun Gupta, Prodege, LLC:n liiketoimintatiedon johtaja.

Prodege on tietoihin perustuva markkinointi- ja kuluttajatietoalusta, joka koostuu kuluttajabrändeistä – Swagbucks, MyPoints, Tada, ySense, InboxDollars, InboxPounds, DailyRewards, PollFish ja Upromise – sekä täydentävä sarja yritysratkaisuja markkinoijille ja tutkijoille. Prodegella on 120 miljoonaa käyttäjää, ja se on maksanut 2.1 miljardia dollaria palkintoja vuodesta 2005 lähtien. Vuonna 2021 Prodege lanseerasi Magic Receipts -palvelun, joka on uusi tapa ansaita käteistä takaisin ja lunastaa lahjakortteja tekemällä ostoksia myymälässä suosikkijälleenmyyjiltä. lataamalla kuitin.

Asiakastyytyväisyyden kärjessä pysyminen vaatii jatkuvaa keskittymistä ja innovaatioita.

Datatiedetiimin rakentaminen tyhjästä on hieno investointi, mutta vie aikaa, ja usein AWS AI -palveluilla on mahdollisuuksia luoda välitöntä liiketoimintavaikutusta. Mukaan GartnerVuoden 2024 loppuun mennessä 75 % yrityksistä siirtyy pilotoinnista tekoälyn käyttöön. Tekoälyn ja koneoppimisen (ML) ulottuvuuden kasvaessa tiimien on keskityttävä siihen, kuinka luoda edullinen ja vaikuttava ratkaisu, jonka organisaatio voi helposti ottaa käyttöön.

Tässä viestissä kerromme, kuinka Prodege paransi asiakaskokemustaan ​​sisällyttämällä tekoälyn ja ML:n liiketoimintaansa. Prodege halusi löytää tavan palkita asiakkaitaan nopeammin lähetettyään kuitit. Heillä ei ollut automaattista tapaa tarkastaa visuaalisesti kuitteja poikkeavuuksien varalta ennen hyvitysten myöntämistä. Koska kuittien määrä oli kymmeniä tuhansia viikossa, manuaalinen poikkeamien tunnistamisprosessi ei ollut skaalautuva.

Käyttämällä Amazon Rekognitionin mukautettuja tarroja Prodege palkitsi asiakkaitaan 5 kertaa nopeammin kuittien lähettämisen jälkeen, lisäsi poikkeavien kuittien oikean luokituksen 70 prosentista 99 prosenttiin ja säästi 1.5 miljoonaa dollaria vuosittaisissa ihmisen tarkastelukustannuksissa.

Haaste: Poikkeamien havaitseminen kuiteissa nopeasti ja tarkasti mittakaavassa

Prodegen sitoutuminen huipputason asiakaskokemukseen vaati nopeutta, jolla asiakkaat saavat palkintoja sen massiivisesta suositusta Magic Receipts -tuotteestaan. Tätä varten Prodegen oli havaittava kuittipoikkeamat nopeammin. Prodege tutki omien syväoppimismallien rakentamista Kerasin avulla. Tämä ratkaisu oli lupaava pitkällä aikavälillä, mutta sitä ei voitu toteuttaa Prodegen halutulla nopeudella seuraavista syistä:

• Vaatii suuren tietojoukon – Prodege ymmärsi, että mallin koulutukseen tarvittavien kuvien määrä olisi kymmeniä tuhansia, ja mallin kouluttamiseen tarvittaisiin myös runsaasti laskentatehoa GPU:illa.
• Aikaa vievää ja kallista – Prodegella oli satoja ihmisen merkitsemiä kelvollisia ja poikkeavia kuitteja, ja poikkeamat olivat kaikki visuaalisia. Merkittyjen lisäkuvien lisääminen aiheutti toimintakuluja, ja se voi toimia vain normaaleina aukioloaikoina.
• Vaadittu mukautettu koodi ja korkea huolto – Prodegen olisi kehitettävä mukautettu koodi räätälöidyn mallin kouluttamiseksi ja käyttöönottamiseksi ja sen elinkaaren ylläpitämiseksi.

Ratkaisun yleiskatsaus: Rekognition mukautetut tunnisteet

Prodege työskenteli AWS-tilitiimin kanssa tunnistaakseen ensin yrityskäytön tapauksen, jossa se kykeni käsittelemään kuitit tehokkaasti automatisoidulla tavalla siten, että heidän liiketoimintansa myönsi alennuksia vain kelvollisille kuiteille. Prodege-tietotiedetiimi halusi ratkaisun, joka vaati pienen tietojoukon aloittamiseen, voisi luoda välittömän vaikutuksen liiketoimintaan ja vaatisi vain vähän koodia ja vähän ylläpitoa.

Näiden syötteiden perusteella tilitiimi tunnisti Rekognition Custom Labels -sovelluksen mahdolliseksi ratkaisuksi mallin kouluttamiseen tunnistamaan, mitkä kuitit ovat kelvollisia ja mitkä niissä on poikkeavuuksia. Rekognition Custom Labels tarjoaa tietokonenäön tekoälyominaisuuden visuaalisella käyttöliittymällä, jonka avulla voit automaattisesti kouluttaa ja ottaa käyttöön malleja, joissa on vain muutama sata kuvaa ladatusta tunnistetusta tiedosta.

Ensimmäinen askel oli mallin kouluttaminen käyttämällä Prodegen merkittyjä kuitteja. Kuitit luokiteltiin kahteen etikettiin: kelvollinen ja poikkeava. Noin sata kutakin kuittia valitsi huolellisesti Prodegen yritystiimi, joka tiesi poikkeavuuksista. Avain hyvään malliin Rekognition Custom Labelsissa on tarkat harjoitustiedot. Seuraava askel oli perustaminen mallin koulutus muutamalla napsautuksella Rekognition Custom Labels -konsolissa. F1-pistemäärä, jota käytetään mallin tarkkuuden ja laadun mittaamiseen, oli 97%. Tämä rohkaisi Prodegea tekemään lisätestejä hiekkalaatikossaan ja käyttämään koulutettua mallia päättämään, olivatko uudet kuitit voimassa vai onko niissä poikkeavuuksia. Päätelmän asettaminen Rekognition Custom Labels on helppo yhden napsautuksen prosessi, ja se tarjoaa mallikoodin myös ohjelmallisen päättelyn määrittämiseen.

Mallin tarkkuuden rohkaisemana Prodege perusti pilottierän päättelyputken. Liukulinja käynnistäisi mallin, suorittaisi satoja kuitteja mallia vastaan, tallentaisi tulokset ja sammuttaisi sitten mallin joka viikko. Vaatimustenmukaisuusryhmä arvioi sitten kuitit tarkastaakseen niiden oikeellisuuden. Tarkkuus pysyi lentäjälle yhtä hyvänä kuin alkutestauksen aikana. Prodege-tiimi perusti myös putkilinjan uusien kuittien kouluttamiseksi mallin tarkkuuden ylläpitämiseksi ja parantamiseksi.

Lopuksi Prodegen business intelligence -tiimi työskenteli sovellustiimin ja AWS-tilin ja tuotetiimin tuen kanssa määrittääkseen päätepisteen, joka toimisi heidän sovelluksensa kanssa ennakoimaan ladattujen kuittien oikeellisuuden reaaliajassa ja tarjoamaan käyttäjilleen parhaan mahdollisen luokan kuluttajapalkitsemiskokemus. Ratkaisu on korostettu seuraavassa kuvassa. Rekognition Custom Labelsin ennusteiden ja luottamuspisteiden perusteella Prodegen business intelligence -tiimi sovelsi liiketoimintalogiikkaa joko prosessoidakseen sen tai suorittaakseen lisätarkastuksia. Ottamalla ihmisen silmukkaan Prodege pystyy seuraamaan ennusteiden laatua ja kouluttamaan mallia tarpeen mukaan.

tulokset

Rekognition Custom Labelsin avulla Prodege lisäsi poikkeavien kuittien oikean luokituksen 70 prosentista 99 prosenttiin ja säästi 1.5 miljoonaa dollaria vuosittaisissa tarkastelukustannuksissa. Tämän ansiosta Prodege pystyi palkitsemaan asiakkaitaan 5 kertaa nopeammin kuittinsa lataamisen jälkeen. Parasta Rekognition Custom Labelsissa oli, että se oli helppo asentaa ja vaati vain pienen joukon ennalta luokiteltuja kuvia ML-mallin kouluttamiseen korkean luotettavuuden kuvien havaitsemiseen (noin 200 kuvaa vs. 50,000 XNUMX vaaditaan mallin opettamiseen tyhjästä). ). Mallin päätepisteisiin pääsee helposti API:n avulla. Rekognition Custom Labels on ollut Prodegelle erittäin tehokas ratkaisu, joka mahdollistaa sen validoidun kuitin skannaustuotteen sujuvan toiminnan, ja auttoi Prodegea säästämään paljon aikaa ja resursseja manuaalisen tunnistuksen suorittamisessa.

Yhteenveto

Asiakastyytyväisyyden kärjessä pysyminen vaatii jatkuvaa keskittymistä ja innovaatioita, ja se on tämän päivän yritysten strateginen tavoite. AWS-tietokonenäköpalvelut antoivat Prodegelle mahdollisuuden luoda välitöntä liiketoimintavaikutusta edullisella ja edullisella ratkaisulla. Yhteistyössä AWS:n kanssa Prodege jatkaa innovointia ja pysyy asiakastyytyväisyyden kärjessä. Voit aloittaa tänään Tunnustuksen mukautetut tarrat ja parantaa yrityksesi tuloksia.

Tietoja Tekijät

Arun Gupta on Prodege LLC:n liiketoimintatiedon johtaja. Hän on intohimoinen koneoppimistekniikoiden soveltamisesta tehokkaiden ratkaisujen tarjoamiseen erilaisiin liiketoimintaongelmiin.

Prashanth Ganapathy on AWS:n Small Medium Business (SMB) -segmentin vanhempi ratkaisuarkkitehti. Hän nauttii AWS AI/ML -palveluista oppimisesta ja asiakkaiden auttamisesta saavuttamaan liiketoimintansa tulokset rakentamalla heille ratkaisuja. Työn ulkopuolella Prashanth nauttii valokuvaamisesta, matkustamisesta ja erilaisten keittiöiden kokeilemisesta.

Amit Gupta on AWS: n tekoälypalveluiden arkkitehti. Hän on intohimoinen mahdollistamaan asiakkaille hyvin suunnitellut koneoppimisratkaisut mittakaavassa.

nick Ramos on AWS:n vanhempi asiakaspäällikkö. Hän on intohimoinen auttamaan asiakkaita ratkaisemaan heidän monimutkaisimmat liiketoimintahaasteet, tuomaan tekoälyä/ML:ää asiakkaiden liiketoimintaan ja auttamaan asiakkaita kasvattamaan huipputuloja.