Comment Prodege a économisé 1.5 million de dollars en coûts annuels d'examen humain grâce à l'IA de vision par ordinateur low-code

Ce message a été co-écrit par Arun Gupta, directeur de la Business Intelligence chez Prodege, LLC.

Prodege est une plate-forme de marketing et d'informations sur les consommateurs basée sur les données composée de marques grand public - Swagbucks, MyPoints, Tada, ySense, InboxDollars, InboxPounds, DailyRewards, PollFish et Upromise - ainsi qu'une suite complémentaire de solutions commerciales pour les spécialistes du marketing et les chercheurs. Prodege compte 120 millions d'utilisateurs et a payé 2.1 milliards de dollars en récompenses depuis 2005. En 2021, Prodege a lancé Magic Receipts, une nouvelle façon pour ses utilisateurs de gagner de l'argent et d'échanger des cartes-cadeaux, simplement en faisant leurs achats en magasin chez leurs détaillants préférés, et télécharger un reçu.

Rester à la pointe de la satisfaction client nécessite une concentration et une innovation constantes.

Construire une équipe de science des données à partir de zéro est un excellent investissement, mais prend du temps, et il existe souvent des opportunités de créer un impact commercial immédiat avec les services AWS AI. Selon Gartner, d'ici la fin de 2024, 75 % des entreprises passeront du pilotage à l'opérationnalisation de l'IA. Avec la portée croissante de l'IA et de l'apprentissage automatique (ML), les équipes doivent se concentrer sur la façon de créer une solution à faible coût et à fort impact qui peut être facilement adoptée par une organisation.

Dans cet article, nous partageons comment Prodege a amélioré son expérience client en insufflant l'IA et le ML dans son activité. Prodege voulait trouver un moyen de récompenser ses clients plus rapidement après avoir téléchargé leurs reçus. Ils n'avaient pas de moyen automatisé d'inspecter visuellement les reçus pour détecter les anomalies avant d'émettre des remises. Étant donné que le volume de reçus s'élevait à des dizaines de milliers par semaine, le processus manuel d'identification des anomalies n'était pas évolutif.

Grâce aux étiquettes personnalisées d'Amazon Rekognition, Prodege a récompensé ses clients 5 fois plus rapidement après le téléchargement des reçus, a augmenté la classification correcte des reçus anormaux de 70 % à 99 % et a économisé 1.5 million de dollars en coûts annuels d'examen humain.

Le défi : Détecter les anomalies dans les reçus rapidement et avec précision à grande échelle

L'engagement de Prodege envers une expérience client de premier plan a nécessité une augmentation de la vitesse à laquelle les clients reçoivent des récompenses pour son produit Magic Receipts extrêmement populaire. Pour ce faire, Prodege devait détecter plus rapidement les anomalies de réception. Prodege a étudié la création de ses propres modèles d'apprentissage en profondeur à l'aide de Keras. Cette solution était prometteuse à long terme, mais n'a pas pu être mise en œuvre à la vitesse souhaitée par Prodege pour les raisons suivantes :

• Nécessite un grand ensemble de données – Prodege a réalisé que le nombre d'images dont ils auraient besoin pour former le modèle serait de plusieurs dizaines de milliers, et qu'ils auraient également besoin d'une puissance de calcul importante avec des GPU pour former le modèle.
• Prend du temps et coûte cher - Prodege avait des centaines de reçus valides et anormaux étiquetés par l'homme, et les anomalies étaient toutes visuelles. L'ajout d'images étiquetées supplémentaires entraînait des dépenses opérationnelles et ne pouvait fonctionner que pendant les heures normales de bureau.
• Code personnalisé requis et maintenance élevée – Prodege devrait développer un code personnalisé pour former et déployer le modèle personnalisé et maintenir son cycle de vie.

Présentation de la solution : Rekognition Custom Labels

Prodege a travaillé avec l'équipe de compte AWS pour d'abord identifier le cas d'utilisation commerciale consistant à pouvoir traiter efficacement les reçus de manière automatisée afin que leur entreprise n'émette des remises que sur des reçus valides. L'équipe de science des données de Prodege voulait une solution qui nécessitait un petit ensemble de données pour démarrer, pouvait créer un impact commercial immédiat et nécessitait un code minimal et une faible maintenance.

Sur la base de ces informations, l'équipe de compte a identifié les étiquettes personnalisées Rekognition comme une solution potentielle pour entraîner un modèle afin d'identifier les reçus valides et ceux présentant des anomalies. Rekognition Custom Labels fournit une capacité d'intelligence artificielle de vision par ordinateur avec une interface visuelle pour former et déployer automatiquement des modèles avec seulement quelques centaines d'images de données étiquetées téléchargées.

La première étape consistait à former un modèle en utilisant les reçus étiquetés de Prodege. Les reçus ont été classés en deux étiquettes : valide et anormal. Une centaine de reçus de chaque nature ont été soigneusement sélectionnés par l'équipe commerciale de Prodege, qui avait connaissance des anomalies. La clé d'un bon modèle dans Rekognition Custom Labels est d'avoir des données de formation précises. L'étape suivante consistait à mettre en place formation du modèle en quelques clics sur la console Rekognition Custom Labels. Le score F1, qui est utilisé pour évaluer la précision et la qualité du modèle, est de 97 %. Cela a encouragé Prodege à effectuer des tests supplémentaires dans son bac à sable et à utiliser le modèle formé pour déduire si les nouveaux reçus étaient valides ou présentaient des anomalies. Configuration de l'inférence with Rekognition Custom Labels est un processus facile en un clic, et il fournit également un exemple de code pour configurer l'inférence programmatique.

Encouragé par la précision du modèle, Prodege a mis en place un pipeline pilote d'inférence par lots. Le pipeline démarrerait le modèle, exécuterait des centaines de reçus par rapport au modèle, stockerait les résultats, puis arrêterait le modèle chaque semaine. L'équipe de conformité évaluerait ensuite les reçus pour vérifier leur exactitude. La précision est restée aussi élevée pour le pilote qu'elle l'était lors des tests initiaux. L'équipe Prodege a également mis en place un pipeline pour former de nouveaux reçus afin de maintenir et d'améliorer la précision du modèle.

Enfin, l'équipe de Business Intelligence de Prodege a travaillé avec l'équipe d'application et le support de l'équipe de compte et de produit AWS pour mettre en place un point de terminaison d'inférence qui fonctionnerait avec leur application pour prédire la validité des reçus téléchargés en temps réel et fournir à ses utilisateurs un meilleur- l'expérience de récompenses des consommateurs en classe. La solution est mise en évidence dans la figure suivante. Sur la base de la prédiction et du score de confiance de Rekognition Custom Labels, l'équipe d'intelligence d'affaires de Prodege a appliqué une logique métier pour le faire traiter ou faire l'objet d'un examen supplémentaire. En introduisant un humain dans la boucle, Prodege est capable de surveiller la qualité des prédictions et de recycler le modèle si nécessaire.

Résultats

Avec Rekognition Custom Labels, Prodege a augmenté la classification correcte des reçus anormaux de 70 % à 99 % et a économisé 1.5 million de dollars en coûts annuels d'examen humain. Cela a permis à Prodege de récompenser ses clients 5 fois plus rapidement après avoir téléchargé leurs reçus. La meilleure partie de Rekognition Custom Labels était qu'il était facile à configurer et ne nécessitait qu'un petit ensemble d'images pré-classées pour former le modèle ML pour une détection d'image de haute confiance (environ 200 images contre 50,000 XNUMX nécessaires pour former un modèle à partir de zéro ). Les points de terminaison du modèle sont facilement accessibles à l'aide de l'API. Rekognition Custom Labels a été une solution extrêmement efficace pour Prodege pour permettre le bon fonctionnement de leur produit de numérisation de reçus validés, et a aidé Prodege à économiser beaucoup de temps et de ressources en effectuant une détection manuelle.

Conclusion

Rester à la pointe de la satisfaction client nécessite une concentration et une innovation constantes, et constitue aujourd'hui un objectif stratégique pour les entreprises. Les services de vision par ordinateur d'AWS ont permis à Prodege de créer un impact commercial immédiat avec une solution à faible coût et à faible code. En partenariat avec AWS, Prodege continue d'innover et reste à la pointe de la satisfaction client. Vous pouvez commencer dès aujourd'hui avec Étiquettes personnalisées de reconnaissance et améliorez vos résultats commerciaux.

À propos des auteurs

Arun Gupta est le directeur de l'intelligence d'affaires chez Prodege LLC. Il est passionné par l'application des technologies d'apprentissage automatique pour fournir des solutions efficaces à divers problèmes commerciaux.

Prashant Ganapathy est architecte de solutions senior dans le segment des petites et moyennes entreprises (SMB) chez AWS. Il aime découvrir les services AWS AI/ML et aider les clients à atteindre leurs résultats commerciaux en créant des solutions pour eux. En dehors du travail, Prashanth aime la photographie, les voyages et essayer différentes cuisines.

Amit Gupta est un architecte de solutions AI Services chez AWS. Il est passionné par la fourniture à ses clients de solutions d'apprentissage automatique bien conçues à grande échelle.

Nicolas Ramos est un gestionnaire de compte senior chez AWS. Il est passionné d'aider les clients à résoudre leurs défis commerciaux les plus complexes, d'intégrer l'IA/ML dans les entreprises des clients et d'aider les clients à augmenter leur chiffre d'affaires.