Bagaimana Prodege menghemat $1.5 juta dalam biaya tinjauan manusia tahunan menggunakan AI visi komputer kode rendah

Posting ini ditulis bersama oleh Arun Gupta, Direktur Business Intelligence di Prodege, LLC.

Prodege adalah platform wawasan konsumen dan pemasaran berbasis data yang terdiri dari merek konsumen—Swagbucks, MyPoints, Tada, ySense, InboxDollars, InboxPounds, DailyRewards, PollFish, dan Upromise—bersama dengan rangkaian solusi bisnis pelengkap untuk pemasar dan peneliti. Prodege memiliki 120 juta pengguna dan telah membayar hadiah $2.1 miliar sejak tahun 2005. Pada tahun 2021, Prodege meluncurkan Magic Receipts, cara baru bagi penggunanya untuk mendapatkan uang kembali dan menukarkan kartu hadiah, hanya dengan berbelanja di toko di pengecer favorit mereka, dan mengunggah tanda terima.

Tetap berada di ujung tombak kepuasan pelanggan membutuhkan fokus dan inovasi yang konstan.

Membangun tim ilmu data dari awal adalah investasi besar, tetapi membutuhkan waktu, dan seringkali ada peluang untuk menciptakan dampak bisnis langsung dengan layanan AI AWS. Berdasarkan Gartner, pada akhir 2024, 75% perusahaan akan beralih dari uji coba ke operasionalisasi AI. Dengan jangkauan AI dan pembelajaran mesin (ML) yang berkembang, tim perlu fokus pada cara membuat solusi berbiaya rendah dan berdampak tinggi yang dapat dengan mudah diadopsi oleh organisasi.

Dalam postingan ini, kami membagikan bagaimana Prodege meningkatkan pengalaman pelanggan mereka dengan memasukkan AI dan ML ke dalam bisnisnya. Prodege ingin menemukan cara untuk memberi penghargaan kepada pelanggannya lebih cepat setelah mengunggah tanda terima mereka. Mereka tidak memiliki cara otomatis untuk memeriksa secara visual tanda terima untuk anomali sebelum mengeluarkan potongan harga. Karena volume penerimaan mencapai puluhan ribu per minggu, proses manual untuk mengidentifikasi anomali tidak terukur.

Menggunakan Label Kustom Amazon Rekognition, Prodege memberi penghargaan kepada pelanggan mereka 5 kali lebih cepat setelah mengunggah tanda terima, meningkatkan klasifikasi penerimaan anomali yang benar dari 70% menjadi 99%, dan menghemat $1.5 juta dalam biaya tinjauan manusia tahunan.

Tantangannya: Mendeteksi anomali dalam tanda terima dengan cepat dan akurat dalam skala besar

Komitmen Prodege terhadap pengalaman pelanggan tingkat atas membutuhkan peningkatan kecepatan di mana pelanggan menerima hadiah untuk produk Tanda Terima Ajaib yang sangat populer. Untuk itu, Prodege perlu mendeteksi anomali resi lebih cepat. Prodege menyelidiki membangun model pembelajaran mendalam mereka sendiri menggunakan Keras. Solusi ini menjanjikan dalam jangka panjang, tetapi tidak dapat diterapkan pada kecepatan yang diinginkan Prodege karena alasan berikut:

• Diperlukan kumpulan data yang besar – Prodege menyadari jumlah gambar yang mereka perlukan untuk melatih model akan mencapai puluhan ribu, dan mereka juga akan membutuhkan daya komputasi yang besar dengan GPU untuk melatih model.
• Memakan waktu dan mahal – Prodege memiliki ratusan tanda terima yang valid dan anomali berlabel manusia, dan semua anomali itu visual. Menambahkan gambar berlabel tambahan menimbulkan biaya operasional dan hanya dapat berfungsi selama jam kerja normal.
• Kode khusus yang diperlukan dan perawatan yang tinggi – Prodege harus mengembangkan kode khusus untuk melatih dan menerapkan model khusus dan mempertahankan siklus hidupnya.

Ikhtisar solusi: Label Kustom Pengakuan

Prodege bekerja dengan tim akun AWS untuk pertama-tama mengidentifikasi kasus penggunaan bisnis untuk dapat memproses tanda terima secara otomatis secara efisien sehingga bisnis mereka hanya mengeluarkan potongan harga untuk tanda terima yang valid. Tim ilmu data Prodege menginginkan solusi yang memerlukan kumpulan data kecil untuk memulai, dapat menciptakan dampak bisnis langsung, dan memerlukan kode minimal serta perawatan yang rendah.

Berdasarkan masukan ini, tim akun mengidentifikasi Label Kustom Pengakuan sebagai solusi potensial untuk melatih model guna mengidentifikasi tanda terima mana yang valid dan mana yang memiliki anomali. Label Kustom Rekognition memberikan kemampuan AI visi komputer dengan antarmuka visual untuk melatih dan menerapkan model secara otomatis hanya dengan beberapa ratus gambar dari data berlabel yang diunggah.

Langkah pertama adalah melatih model menggunakan tanda terima berlabel dari Prodege. Tanda terima dikategorikan menjadi dua label: valid dan anomali. Sekitar seratus kuitansi dari setiap jenis dipilih dengan cermat oleh tim bisnis Prodege, yang memiliki pengetahuan tentang anomali tersebut. Kunci model yang baik dalam Rekognition Custom Labels adalah memiliki data pelatihan yang akurat. Langkah selanjutnya adalah mengatur pelatihan model dengan beberapa klik pada konsol Rekognition Custom Labels. Skor F1, yang digunakan untuk mengukur akurasi dan kualitas model, mencapai 97%. Ini mendorong Prodege untuk melakukan beberapa pengujian tambahan di kotak pasir mereka dan menggunakan model terlatih untuk menyimpulkan apakah tanda terima baru valid atau memiliki anomali. Menyiapkan inferensi dengan Rekognition Custom Labels adalah proses satu klik yang mudah, dan menyediakan kode contoh untuk menyiapkan inferensi terprogram juga.

Didorong oleh keakuratan model, Prodege menyiapkan saluran inferensi batch percontohan. Pipeline akan memulai model, menjalankan ratusan tanda terima terhadap model, menyimpan hasilnya, dan kemudian mematikan model setiap minggu. Tim kepatuhan kemudian akan mengevaluasi tanda terima untuk memeriksa keakuratannya. Akurasi tetap tinggi untuk pilot seperti selama pengujian awal. Tim Prodege juga menyiapkan saluran untuk melatih penerimaan baru untuk mempertahankan dan meningkatkan akurasi model.

Terakhir, tim intelijen bisnis Prodege bekerja sama dengan tim aplikasi dan dukungan dari akun AWS dan tim produk untuk menyiapkan titik akhir inferensi yang akan bekerja dengan aplikasi mereka untuk memprediksi validitas tanda terima yang diunggah secara real time dan memberikan yang terbaik bagi penggunanya. pengalaman penghargaan konsumen di kelas. Solusinya disorot pada gambar berikut. Berdasarkan prediksi dan skor keyakinan dari Label Kustom Rekognition, tim intelijen bisnis Prodege menerapkan logika bisnis untuk memprosesnya atau melalui pemeriksaan tambahan. Dengan memperkenalkan manusia dalam lingkaran, Prodege dapat memantau kualitas prediksi dan melatih kembali model sesuai kebutuhan.

Hasil

Dengan Label Kustom Rekognition, Prodege meningkatkan klasifikasi penerimaan anomali yang benar dari 70% menjadi 99% dan menghemat $1.5 juta dalam biaya tinjauan manusia tahunan. Ini memungkinkan Prodege untuk memberi penghargaan kepada pelanggannya 5 kali lebih cepat setelah mengunggah tanda terima mereka. Bagian terbaik dari Rekognition Custom Labels adalah mudah disiapkan dan hanya memerlukan sekumpulan kecil gambar pra-klasifikasi untuk melatih model ML guna deteksi gambar dengan keyakinan tinggi (sekitar 200 gambar vs. 50,000 diperlukan untuk melatih model dari awal ). Titik akhir model dapat dengan mudah diakses menggunakan API. Label Kustom Rekognition telah menjadi solusi yang sangat efektif bagi Prodege untuk memungkinkan kelancaran fungsi produk pemindaian tanda terima yang divalidasi, dan membantu Prodege menghemat banyak waktu dan sumber daya untuk melakukan deteksi manual.

Kesimpulan

Tetap berada di ujung tombak kepuasan pelanggan membutuhkan fokus dan inovasi yang konstan, dan merupakan tujuan strategis untuk bisnis saat ini. Layanan visi komputer AWS memungkinkan Prodege untuk menciptakan dampak bisnis langsung dengan solusi berbiaya rendah dan berkode rendah. Dalam kemitraan dengan AWS, Prodege terus berinovasi dan tetap menjadi yang terdepan dalam kepuasan pelanggan. Anda dapat memulai hari ini dengan Label Kustom Pengakuan dan meningkatkan hasil bisnis Anda.

Tentang Penulis

Arun Gupta adalah Direktur Intelijen Bisnis di Prodege LLC. Dia bersemangat dalam menerapkan teknologi Pembelajaran Mesin untuk memberikan solusi efektif di berbagai masalah bisnis.

Prashanth Ganapati adalah Senior Solutions Architect di segmen Small Medium Business (SMB) di AWS. Dia senang belajar tentang layanan AWS AI/ML dan membantu pelanggan memenuhi hasil bisnis mereka dengan membangun solusi untuk mereka. Di luar pekerjaan, Prashanth menikmati fotografi, perjalanan, dan mencoba berbagai masakan.

Amit Gupta adalah Arsitek Solusi Layanan AI di AWS. Dia bersemangat dalam membantu pelanggan dengan solusi pembelajaran mesin yang dirancang dengan baik dalam skala besar.

torehan Ramos adalah Manajer Akun Senior dengan AWS. Dia bersemangat membantu pelanggan memecahkan tantangan bisnis mereka yang paling kompleks, memasukkan AI/ML ke dalam bisnis pelanggan, dan membantu pelanggan menumbuhkan pendapatan utama.