איך פרודג' חסך 1.5 מיליון דולר בעלויות שנתיות של סקירה אנושית באמצעות AI ברמת קוד נמוך של ראייה ממוחשבת

פוסט זה נכתב בשיתוף ארון גופטה, מנהל המודיעין העסקי ב-Prodege, LLC.

Prodege היא פלטפורמת שיווק ותובנות צרכניות מונעות נתונים המורכבת ממותגי צריכה - Swagbucks, MyPoints, Tada, ySense, InboxDollars, InboxPounds, DailyRewards, PollFish ו- Upromise - יחד עם חבילה משלימה של פתרונות עסקיים למשווקים וחוקרים. ל-Prodege יש 120 מיליון משתמשים והיא שילמה 2.1 מיליארד דולר בתגמולים מאז 2005. בשנת 2021 השיקה Prodege את Magic Receipts, דרך חדשה עבור המשתמשים שלה להרוויח כסף בחזרה ולממש כרטיסי מתנה, רק על ידי קניות בחנות בקמעונאים האהובים עליהם, וכן העלאת קבלה.

הישארות בחוד החנית של שביעות רצון הלקוחות דורשת מיקוד וחדשנות מתמידים.

בניית צוות מדעי נתונים מאפס היא השקעה מצוינת, אבל לוקחת זמן, ולעתים קרובות יש הזדמנויות ליצור השפעה עסקית מיידית עם שירותי AI של AWS. לפי גרטנר, עד סוף 2024, 75% מהארגונים יעברו מפיילוט להפעלת בינה מלאכותית. עם טווח ההגעה של AI ולמידת מכונה (ML), צוותים צריכים להתמקד כיצד ליצור פתרון בעלות נמוכה ובעל השפעה גבוהה שניתן לאמץ בקלות על ידי ארגון.

בפוסט זה, אנו משתפים כיצד Prodege שיפרה את חווית הלקוח שלהם על ידי החדרת AI ו-ML לעסק שלה. פרודג' רצתה למצוא דרך לתגמל את הלקוחות שלה מהר יותר לאחר העלאת הקבלות שלהם. לא הייתה להם דרך אוטומטית לבדוק חזותית את הקבלות לאיתור חריגות לפני הנפקת הנחות. מכיוון שהיקף הקבלות עמד על עשרות אלפים בשבוע, התהליך הידני של זיהוי חריגות לא היה ניתן להרחבה.

באמצעות התוויות המותאמות אישית של זיהוי אמזון, פרודג' תגמל את הלקוחות שלהם פי 5 מהר יותר לאחר העלאת קבלות, הגדיל את הסיווג הנכון של קבלות חריגות מ-70% ל-99%, וחסך 1.5 מיליון דולר בעלויות בדיקה אנושית שנתיות.

האתגר: איתור חריגות בקבלות במהירות ובדייקנות בקנה מידה

המחויבות של Prodege לחוויית לקוח מהשורה הראשונה דרשה עלייה במהירות שבה הלקוחות מקבלים תגמולים עבור מוצר ה-Magic Receipts הפופולרי ביותר שלה. כדי לעשות זאת, פרודג' היה צריך לזהות חריגות בקבלה מהר יותר. פרודג' חקר את בניית מודלים משלהם ללמידה עמוקה באמצעות Keras. פתרון זה היה מבטיח בטווח הארוך, אך לא ניתן היה ליישם במהירות הרצויה של Prodege מהסיבות הבאות:

• נדרש מערך נתונים גדול - Prodege הבינו שמספר התמונות שהם יצטרכו להכשרת המודל יעמוד על עשרות אלפים, והם גם יצטרכו כוח מחשוב כבד עם GPUs כדי לאמן את הדגם.
• גוזל זמן ויקר - לפרדג' היו מאות קבלות תקפות ואנומליות שסומנו על ידי אדם, והחריגות היו כולן ויזואליות. הוספת תמונות מתויגות נוספות יצרה הוצאות תפעוליות ויכלה לתפקד רק בשעות העבודה הרגילות.
• נדרש קוד מותאם אישית ותחזוקה גבוהה - Prodege תצטרך לפתח קוד מותאם אישית כדי לאמן ולפרוס את המודל המותאם אישית ולשמור על מחזור החיים שלו.

סקירה כללית של הפתרון: זיהוי תוויות מותאמות אישית

Prodege עבדה עם צוות חשבונות AWS כדי לזהות תחילה את מקרה השימוש העסקי של היכולת לעבד ביעילות קבלות בצורה אוטומטית כך שהעסק שלהם הוציא הנחות רק לקבלות תקפות. צוות מדעי הנתונים של Prodege רצה פתרון שדורש מערך נתונים קטן כדי להתחיל, שיוכל ליצור השפעה עסקית מיידית ודרש קוד מינימלי ותחזוקה נמוכה.

בהתבסס על תשומות אלו, צוות החשבון זיהה את התוויות המותאמות אישית של הכרה כפתרון פוטנציאלי להכשרת מודל לזהות אילו קבלות תקפות ובאילו יש חריגות. Rekognition Custom Labels מספקת יכולת AI ראיית מחשב עם ממשק ויזואלי לאימון ופריסה אוטומטית של דגמים עם כמה מאות תמונות של נתונים מתויגים שהועלו.

הצעד הראשון היה להכשיר דוגמנית באמצעות הקבלות המסומנות מ-Prodege. הקבלות סווגו לשתי תוויות: תקפות ואנומליות. כמאה קבלות מכל סוג נבחרו בקפידה על ידי הצוות העסקי של פרודג', שהיה לו ידע על החריגות. המפתח למודל טוב בתוויות מותאמות אישית של Rekognition הוא נתוני הדרכה מדויקים. השלב הבא היה להגדיר הכשרה של הדגם עם כמה לחיצות על קונסולת התוויות המותאמות אישית של זיהוי. ציון F1, המשמש לאמוד את הדיוק והאיכות של הדגם, הגיע ל-97%. זה עודד את Prodege לבצע בדיקות נוספות בארגז החול שלהם ולהשתמש במודל המיומן כדי להסיק אם קבלות חדשות תקפות או שיש בהן חריגות. הגדרת מסקנות עם Rekognition Custom Labels הוא תהליך קל בלחיצה אחת, והוא מספק קוד לדוגמה להגדרת הסקה פרוגרמטית.

מעודדים מהדיוק של המודל, פרודג' הקימה צינור להסקת אצווה פיילוט. הצינור היה מתחיל את המודל, מריץ מאות קבלות כנגד המודל, מאחסן את התוצאות ולאחר מכן מכבה את המודל מדי שבוע. לאחר מכן צוות הציות יעריך את הקבלות כדי לבדוק את הדיוק. הדיוק נשאר גבוה עבור הטייס כפי שהיה במהלך הבדיקה הראשונית. צוות Prodege גם הקים צינור להכשרת קבלות חדשות על מנת לשמור ולשפר את דיוק המודל.

לבסוף, צוות המודיעין העסקי של Prodege עבד עם צוות האפליקציה ותמיכה מצוות חשבון AWS וצוות המוצר כדי להקים נקודת קצה שתעבוד עם האפליקציה שלהם כדי לחזות את תקפות הקבלות שהועלו בזמן אמת ולספק למשתמשים שלה את הטוב ביותר- חווית תגמולים לצרכן בכיתה. הפתרון מודגש באיור הבא. בהתבסס על ציון החיזוי והביטחון מ-Rekognition Custom Labels, צוות המודיעין העסקי של Prodege יישם היגיון עסקי כדי לעבד אותו או לעבור בדיקה נוספת. על ידי הצגת אדם בלולאה, פרודג' מסוגלת לנטר את איכות התחזיות ולאמן מחדש את המודל לפי הצורך.

תוצאות

עם תוויות מותאמות אישית של Rekognition, Prodege הגדילה את הסיווג הנכון של קבלות חריגות מ-70% ל-99% וחסכה 1.5 מיליון דולר בעלויות בדיקה אנושית שנתיות. זה אפשר לפרודג' לתגמל את לקוחותיה פי 5 מהר יותר לאחר העלאת הקבלות שלהם. החלק הטוב ביותר ב-Rekognition Custom Labels היה שזה קל להגדיר ונדרש רק קבוצה קטנה של תמונות מסווגות מראש כדי לאמן את מודל ה-ML לזיהוי תמונה בביטחון גבוה (כ-200 תמונות לעומת 50,000 נדרשות כדי לאמן דגם מאפס. ). ניתן היה לגשת בקלות לנקודות הקצה של המודל באמצעות ה-API. Rekognition Custom Labels היו פתרון יעיל ביותר עבור Prodege כדי לאפשר תפקוד חלק של מוצר סריקת הקבלות המאומת שלהם, ועזרה ל-Prodege לחסוך זמן ומשאבים רבים בביצוע זיהוי ידני.

סיכום

הישארות בחוד החנית של שביעות רצון הלקוחות דורשת מיקוד מתמיד וחדשנות, ומהווה יעד אסטרטגי לעסקים כיום. שירותי ראייה ממוחשבת של AWS אפשרו ל-Prodege ליצור השפעה עסקית מיידית עם פתרון בעלות נמוכה ובעל קוד נמוך. בשיתוף עם AWS, Prodege ממשיכה לחדש ולהישאר בחוד החנית של שביעות רצון הלקוחות. אתה יכול להתחיל היום עם זיהוי תוויות מותאמות אישית ולשפר את התוצאות העסקיות שלך.

על הכותבים

ארון גופטה הוא מנהל המודיעין העסקי ב-Prodege LLC. הוא נלהב מיישום טכנולוגיות למידת מכונה כדי לספק פתרונות יעילים למגוון בעיות עסקיות.

פרשנת גנאפתיה הוא אדריכל פתרונות בכיר במגזר עסקים קטנים בינוניים (SMB) ב-AWS. הוא נהנה ללמוד על שירותי AI/ML של AWS ולעזור ללקוחות לעמוד בתוצאות העסקיות שלהם על ידי בניית פתרונות עבורם. מחוץ לעבודה, פראשנת' נהנה לצלם, לטייל ולנסות מאכלים שונים.

עמית גופטה הוא אדריכל פתרונות שירותי AI ב- AWS. הוא נלהב לאפשר ללקוחות פתרונות למידת מכונה ארכיטקטוניים בקנה מידה גדול.

ניק ראמוס הוא מנהל חשבונות בכיר עם AWS. הוא נלהב לעזור ללקוחות לפתור את האתגרים העסקיים המורכבים ביותר שלהם, להחדיר AI/ML לעסקים של הלקוחות ולעזור ללקוחות להגדיל את ההכנסות מהשורה העליונה.