Hogyan spórolt meg a Prodege 1.5 millió dollárt az éves emberi felülvizsgálati költségeken az alacsony kódú számítógépes látási MI használatával

Ennek a bejegyzésnek a társszerzője Arun Gupta, a Prodege, LLC üzleti intelligencia igazgatója.

A Prodege egy adatvezérelt marketing és fogyasztói betekintési platform, amely fogyasztói márkákból – Swagbucks, MyPoints, Tada, ySense, InboxDollars, InboxPounds, DailyRewards, PollFish és Upromise –, valamint a marketingesek és kutatók számára készült kiegészítő üzleti megoldások csomagjából áll. A Prodege-nek 120 millió felhasználója van, és 2.1 óta 2005 milliárd dollár jutalmat fizetett ki. 2021-ben a Prodege elindította a Magic Receipts szolgáltatást, amely egy új módja annak, hogy a felhasználók készpénz-visszatérítést és ajándékutalványokat váltsanak be, pusztán a kedvenc kiskereskedőiknél vásárolva. nyugta feltöltése.

A vevői elégedettség élvonalában való tartás folyamatos összpontosítást és innovációt igényel.

Egy adattudományi csapat a semmiből történő felépítése nagyszerű befektetés, de időbe telik, és gyakran van lehetőség azonnali üzleti hatás létrehozására az AWS AI-szolgáltatásokkal. Alapján Gartner, 2024 végére a vállalkozások 75%-a áttér a kísérletezésről a mesterséges intelligencia operacionalizálására. A mesterséges intelligencia és a gépi tanulás (ML) terjedésének növekedésével a csapatoknak arra kell összpontosítaniuk, hogyan hozzanak létre egy szervezet által könnyen alkalmazható, olcsó, nagy hatású megoldást.

Ebben a bejegyzésben megosztjuk, hogyan javította a Prodege ügyfélélményét az AI és az ML beillesztésével üzleti tevékenységébe. A Prodege meg akarta találni a módját, hogy gyorsabban jutalmazhassa ügyfeleit a nyugták feltöltése után. Nem volt automatizált módja annak, hogy az árengedmények kiadása előtt vizuálisan ellenőrizzék a nyugtákat anomáliák szempontjából. Mivel a bevételek mennyisége hetente több tízezerre tehető, az anomáliák azonosításának manuális folyamata nem volt méretezhető.

Az Amazon Rekognition Custom Labels használatával a Prodege ötször gyorsabban jutalmazta ügyfeleit a nyugták feltöltése után, 5%-ról 70%-ra növelte a rendellenes nyugták helyes besorolását, és 99 millió dollárt takarított meg az éves emberi felülvizsgálati költségeken.

A kihívás: a nyugták anomáliáinak gyors és pontos észlelése a méretekben

A Prodege elkötelezettsége a legmagasabb szintű ügyfélélmény iránt megkövetelte, hogy a vásárlók gyorsabban kapják meg a jutalmakat a rendkívül népszerű Magic Receipts termékért. Ehhez a Prodege-nek gyorsabban kellett észlelnie a nyugta-rendellenességeket. A Prodege saját mély tanulási modellek felépítését vizsgálta a Keras segítségével. Ez a megoldás hosszú távon ígéretes volt, de a következő okok miatt nem volt megvalósítható a Prodege által kívánt sebességgel:

• Nagy adatkészletre volt szükség – A Prodege rájött, hogy a modell betanításához szükséges képek száma több tízezerre tehető, és nagy számítási teljesítményre lesz szükségük GPU-kkal a modell betanításához.
• Időigényes és költséges – A Prodege-nek több száz, emberi címkével ellátott érvényes és rendellenes nyugtája volt, és az anomáliák mind vizuálisak voltak. További címkézett képek hozzáadása működési költségeket eredményezett, és csak a normál munkaidőben működhetett.
• Szükséges egyedi kód és magas karbantartási igény – A Prodege-nek egyéni kódot kellene kifejlesztenie az egyéni modell betanításához és üzembe helyezéséhez, valamint életciklusának fenntartásához.

A megoldás áttekintése: Egyéni felismerési címkék

A Prodege az AWS fiókcsapatával együttműködve először azonosította azt az üzleti felhasználási esetet, amikor képes volt hatékonyan feldolgozni a nyugtákat automatizált módon, így vállalkozásuk csak az érvényes nyugtákra adott visszatérítést. A Prodege adattudományi csapata olyan megoldást szeretett volna, amely kis adatkészletet igényel az induláshoz, azonnali üzleti hatást tud elérni, és minimális kódot és alacsony karbantartást igényel.

E bemenetek alapján a fiókos csapat azonosította a Rekognition egyéni címkéket, mint lehetséges megoldást egy olyan modell betanításához, amely azonosítani tudja, mely bizonylatok érvényesek és melyek anomáliák. A Rekognition Custom Labels vizuális interfésszel ellátott számítógépes látást biztosító mesterséges intelligencia képességet biztosít a modellek automatikus betanításához és üzembe helyezéséhez, mindössze néhány száz képpel a feltöltött címkézett adatokból.

Az első lépés egy modell betanítása volt a Prodege felcímkézett bizonylatainak felhasználásával. A bizonylatokat két kategóriába sorolták: érvényes és rendellenes. Körülbelül száz nyugtát minden fajtából gondosan kiválasztott a Prodege üzleti csapata, akik tudtak az anomáliákról. A Rekognition Custom Labels jó modelljének kulcsa a pontos edzési adatok. A következő lépés a beállítás volt a modell képzése néhány kattintással a Rekognition Custom Labels konzolon. A modell pontosságának és minőségének mérésére használt F1-es pontszám 97%-os volt. Ez arra ösztönözte a Prodege-et, hogy végezzen további teszteket a homokozóban, és használja a betanított modellt annak megállapítására, hogy az új nyugták érvényesek-e vagy voltak-e rendellenességek. Következtetés felállítása A Rekognition egyéni címkékkel egy egyszerű, egykattintásos folyamat, és mintakódot is biztosít a programozott következtetés beállításához.

A modell pontosságán felbuzdulva a Prodege felállított egy kísérleti kötegkövetkeztetési folyamatot. A folyamat elindítja a modellt, több száz nyugtát futtat a modell ellen, tárolja az eredményeket, majd minden héten leállítja a modellt. A megfelelőségi csoport ezt követően értékeli a bizonylatokat, hogy ellenőrizze azok pontosságát. A pontosság ugyanolyan magas maradt a pilóta számára, mint a kezdeti tesztelés során. A Prodege csapata egy folyamatot is felállított az új bevételek betanítására a modell pontosságának megőrzése és javítása érdekében.

Végül a Prodege üzleti intelligencia csapata az alkalmazáscsapattal, valamint az AWS-fiók és termékcsapat támogatásával egy olyan következtetési végpontot állított fel, amely az alkalmazásukkal együttműködve valós időben megjósolja a feltöltött nyugták érvényességét, és a felhasználók számára a legjobb osztályon belüli fogyasztói jutalmak tapasztalata. A megoldást a következő ábra emeli ki. A Rekognition Custom Labels előrejelzése és bizalmi pontszáma alapján a Prodege üzleti intelligencia csapata üzleti logikát alkalmazva vagy feldolgozta, vagy további vizsgálaton ment keresztül. Az ember bevezetésével a Prodege képes nyomon követni az előrejelzések minőségét, és szükség szerint átképezni a modellt.

Eredmények

A Rekognition Custom Labels segítségével a Prodege 70%-ról 99%-ra növelte a rendellenes bevételek helyes besorolását, és 1.5 millió dollárt takarított meg az éves emberi felülvizsgálati költségeken. Ez lehetővé tette, hogy a Prodege ötször gyorsabban jutalmazhassa ügyfeleit a nyugták feltöltése után. A Rekognition Custom Labels legjobb része az volt, hogy könnyű volt beállítani, és csak egy kis előre besorolt ​​képkészletre volt szükség ahhoz, hogy az ML-modellt megtanítsa a nagy megbízhatóságú képészleléshez (körülbelül 5 kép, szemben az 200 50,000 képpel, ami egy modell alapból történő betanításához szükséges ). A modell végpontjai könnyen elérhetők az API segítségével. A Rekognition Custom Labels rendkívül hatékony megoldást jelentett a Prodege számára az ellenőrzött nyugtaszkennelési termék zökkenőmentes működéséhez, és segített a Prodege-nek sok időt és erőforrást megtakarítani a kézi észlelés végrehajtásával.

Következtetés

A vevői elégedettség élvonalának megőrzése folyamatos összpontosítást és innovációt igényel, és ma stratégiai cél a vállalkozások számára. Az AWS számítógépes látási szolgáltatásai lehetővé tették a Prodege számára, hogy azonnali üzleti hatást érjen el egy alacsony költségű és alacsony kódú megoldással. Az AWS-szel együttműködve a Prodege folytatja az innovációt, és továbbra is a vevői elégedettség élvonalába tartozik. Ma már kezdheti is Felismerés egyéni címkék és javíthatja üzleti eredményeit.

A szerzőkről

Arun Gupta a Prodege LLC üzleti intelligencia igazgatója. Szenvedélyesen alkalmazza a gépi tanulási technológiákat, hogy hatékony megoldásokat kínálhasson különféle üzleti problémákra.

Prashanth Ganapathy az AWS kis- és középvállalkozási (SMB) szegmensében vezető megoldástervező. Szívesen tanul az AWS AI/ML szolgáltatásairól, és megoldások kidolgozásával segíti ügyfeleit üzleti eredményeik elérésében. A munkán kívül Prashanth szeret fényképezni, utazni és különféle konyhákat kipróbálni.

Amit Gupta az AWS AI Services Solutions Architect-je. Szenvedélyesen törekszik arra, hogy ügyfelei széleskörű, jól megtervezett gépi tanulási megoldásokat biztosítsanak.

nick Ramos az AWS vezető fiókkezelője. Szenvedélyes célja, hogy segítse ügyfeleit legbonyolultabb üzleti kihívásaik megoldásában, beépítse az AI/ML-t az ügyfelek vállalkozásaiba, és segítse ügyfeleit a bevételek növelésében.