In che modo Prodege ha risparmiato 1.5 milioni di dollari in costi annuali di revisione umana utilizzando l'intelligenza artificiale per la visione artificiale a basso codice

Questo post è stato co-autore di Arun Gupta, Direttore della Business Intelligence di Prodege, LLC.

Prodege è una piattaforma di marketing e informazioni sui consumatori basata sui dati composta da marchi di consumo - Swagbucks, MyPoints, Tada, ySense, InboxDollars, InboxPounds, DailyRewards, PollFish e Upromise - insieme a una suite complementare di soluzioni aziendali per esperti di marketing e ricercatori. Prodege ha 120 milioni di utenti e ha pagato $ 2.1 miliardi di premi dal 2005. Nel 2021, Prodege ha lanciato Magic Receipts, un nuovo modo per i suoi utenti di guadagnare denaro e riscattare buoni regalo, semplicemente facendo acquisti in negozio presso i loro rivenditori preferiti e caricamento di una ricevuta.

Rimanere all'avanguardia nella soddisfazione del cliente richiede costante attenzione e innovazione.

Costruire un team di data science da zero è un ottimo investimento, ma richiede tempo e spesso ci sono opportunità per creare un impatto aziendale immediato con i servizi di intelligenza artificiale di AWS. Secondo Gartner, entro la fine del 2024, il 75% delle imprese passerà dalla fase pilota all'operatività dell'IA. Con la crescente portata dell'IA e dell'apprendimento automatico (ML), i team devono concentrarsi su come creare una soluzione a basso costo e ad alto impatto che possa essere facilmente adottata da un'organizzazione.

In questo post, condividiamo il modo in cui Prodege ha migliorato la propria customer experience inserendo AI e ML nella propria attività. Prodege voleva trovare un modo per premiare i propri clienti più velocemente dopo aver caricato le loro ricevute. Non disponevano di un modo automatizzato per ispezionare visivamente le ricevute per rilevare eventuali anomalie prima di emettere sconti. Poiché il volume delle ricevute era di decine di migliaia a settimana, il processo manuale di identificazione delle anomalie non era scalabile.

Utilizzando Amazon Rekognition Custom Labels, Prodege ha premiato i propri clienti 5 volte più velocemente dopo aver caricato le ricevute, aumentato la classificazione corretta delle ricevute anomale dal 70% al 99% e risparmiato 1.5 milioni di dollari sui costi annuali di revisione umana.

La sfida: rilevare le anomalie negli scontrini in modo rapido e accurato su larga scala

L'impegno di Prodege per un'esperienza cliente di alto livello ha richiesto un aumento della velocità con cui i clienti ricevono i premi per il suo prodotto Magic Receipts, estremamente popolare. Per fare ciò, Prodege aveva bisogno di rilevare più rapidamente le anomalie di ricezione. Prodege ha studiato la costruzione dei propri modelli di deep learning utilizzando Keras. Questa soluzione era promettente a lungo termine, ma non poteva essere implementata alla velocità desiderata da Prodege per i seguenti motivi:

• Necessario un set di dati di grandi dimensioni – Prodege si è reso conto che il numero di immagini di cui avrebbero avuto bisogno per addestrare il modello sarebbe stato di decine di migliaia e che avrebbero anche avuto bisogno di una potenza di calcolo elevata con le GPU per addestrare il modello.
• Dispendioso in termini di tempo e costoso – Prodege aveva centinaia di ricevute valide e anomale etichettate dall'uomo e le anomalie erano tutte visive. L'aggiunta di ulteriori immagini etichettate creava spese operative e poteva funzionare solo durante il normale orario lavorativo.
• Richiesto codice personalizzato e manutenzione elevata – Prodege dovrebbe sviluppare codice personalizzato per addestrare e distribuire il modello personalizzato e mantenerne il ciclo di vita.

Panoramica della soluzione: etichette personalizzate di Recognition

Prodege ha collaborato con il team dell'account AWS per identificare prima il caso d'uso aziendale di essere in grado di elaborare in modo efficiente le ricevute in modo automatizzato in modo che la loro attività emettesse sconti solo su ricevute valide. Il team di data science di Prodege desiderava una soluzione che richiedesse un piccolo set di dati per iniziare, che potesse creare un impatto aziendale immediato e richiedesse un codice minimo e una manutenzione ridotta.

Sulla base di questi input, il team dell'account ha identificato Rekognition Custom Labels come una potenziale soluzione per addestrare un modello per identificare quali ricevute sono valide e quali presentano anomalie. Rekognition Custom Labels fornisce una capacità di intelligenza artificiale per la visione artificiale con un'interfaccia visiva per addestrare e distribuire automaticamente modelli con un minimo di un paio di centinaia di immagini di dati etichettati caricati.

Il primo passo è stato addestrare un modello utilizzando le ricevute etichettate di Prodege. Le ricevute sono state classificate in due etichette: valide e anomale. Circa un centinaio di ricevute di ogni tipo sono state accuratamente selezionate dal team aziendale di Prodege, che era a conoscenza delle anomalie. La chiave per un buon modello in Rekognition Custom Labels è disporre di dati di addestramento accurati. Il passo successivo è stato l'installazione formazione del modello con pochi clic sulla console Rekognition Custom Labels. Il punteggio F1, utilizzato per misurare l'accuratezza e la qualità del modello, è arrivato al 97%. Ciò ha incoraggiato Prodege a eseguire alcuni test aggiuntivi nella propria sandbox e utilizzare il modello addestrato per dedurre se le nuove ricevute erano valide o presentavano anomalie. Impostazione dell'inferenza con Rekognition Custom Labels è un processo semplice con un clic e fornisce anche un codice di esempio per impostare l'inferenza programmatica.

Incoraggiato dall'accuratezza del modello, Prodege ha creato una pipeline di inferenza batch pilota. La pipeline avvierà il modello, eseguirà centinaia di ricevute rispetto al modello, memorizzerà i risultati e quindi spegnerà il modello ogni settimana. Il team di conformità valuterebbe quindi le ricevute per verificarne l'accuratezza. La precisione è rimasta alta per il pilota come durante i test iniziali. Il team di Prodege ha anche creato una pipeline per addestrare nuove ricevute al fine di mantenere e migliorare l'accuratezza del modello.

Infine, il team di business intelligence di Prodege ha collaborato con il team dell'applicazione e il supporto dell'account AWS e del team del prodotto per configurare un endpoint di inferenza che funzionasse con la loro applicazione per prevedere la validità delle ricevute caricate in tempo reale e fornire ai propri utenti un esperienza di premi del consumatore in classe. La soluzione è evidenziata nella figura seguente. Sulla base della previsione e del punteggio di affidabilità di Rekognition Custom Labels, il team di business intelligence di Prodege ha applicato la logica aziendale per farla elaborare o sottoporla a un ulteriore controllo. Introducendo un essere umano nel circuito, Prodege è in grado di monitorare la qualità delle previsioni e riqualificare il modello secondo necessità.

Risultati

Con Rekognition Custom Labels, Prodege ha aumentato la corretta classificazione delle ricevute anomale dal 70% al 99% e ha risparmiato 1.5 milioni di dollari in costi annuali di revisione umana. Ciò ha permesso a Prodege di premiare i propri clienti 5 volte più velocemente dopo aver caricato le loro ricevute. La parte migliore di Rekognition Custom Labels era che era facile da configurare e richiedeva solo un piccolo set di immagini preclassificate per addestrare il modello ML per il rilevamento di immagini ad alta affidabilità (circa 200 immagini contro 50,000 richieste per addestrare un modello da zero ). È possibile accedere facilmente agli endpoint del modello utilizzando l'API. Rekognition Custom Labels è stata una soluzione estremamente efficace per Prodege per consentire il corretto funzionamento del loro prodotto di scansione delle ricevute convalidato e ha aiutato Prodege a risparmiare molto tempo e risorse eseguendo il rilevamento manuale.

Conclusione

Rimanere all'avanguardia nella soddisfazione del cliente richiede costante attenzione e innovazione ed è un obiettivo strategico per le aziende di oggi. I servizi di visione artificiale di AWS hanno consentito a Prodege di creare un impatto aziendale immediato con una soluzione a basso costo e con codice ridotto. In collaborazione con AWS, Prodege continua a innovare e rimane all'avanguardia nella soddisfazione dei clienti. Puoi iniziare oggi con Riconoscimento etichette personalizzate e migliorare i tuoi risultati di business.

Informazioni sugli autori

Arun Gupta è il Direttore della Business Intelligence presso Prodege LLC. È appassionato di applicare le tecnologie di Machine Learning per fornire soluzioni efficaci a diversi problemi aziendali.

Prashanth Ganapatia è Senior Solutions Architect nel segmento Small Medium Business (SMB) di AWS. Gli piace conoscere i servizi AWS AI/ML e aiutare i clienti a raggiungere i loro risultati di business creando soluzioni per loro. Al di fuori del lavoro, Prashanth ama fotografare, viaggiare e provare diverse cucine.

Amit Gupta è un AI Services Solutions Architect presso AWS. È appassionato di offrire ai clienti soluzioni di machine learning ben progettate su larga scala.

Nick Ramos è un Senior Account Manager con AWS. È appassionato di aiutare i clienti a risolvere le loro sfide aziendali più complesse, infondendo AI/ML nelle attività dei clienti e aiutando i clienti a far crescere i ricavi di prima linea.