この投稿は、Prodege, LLC のビジネス インテリジェンス ディレクターである Arun Gupta によって共同執筆されました。
Prodege は、消費者ブランド (Swagbucks、MyPoints、Tada、ySense、InboxDollars、InboxPounds、DailyRewards、PollFish、および Upromise) と、マーケターおよび研究者向けの補完的なビジネス ソリューション スイートで構成される、データ駆動型のマーケティングおよび消費者インサイト プラットフォームです。 Prodege には 120 億 2.1 万人のユーザーがおり、2005 年以来 2021 億ドルの報酬を支払ってきました。Prodege は XNUMX 年に Magic Receipts を開始しました。これは、ユーザーがお気に入りの小売店で店内で買い物をするだけでキャッシュバックを獲得し、ギフトカードを交換できる新しい方法です。領収書のアップロード。
顧客満足度の最先端を維持するには、絶え間ない集中力と革新が必要です。
データサイエンスチームをゼロから構築することは大きな投資ですが、時間がかかります。多くの場合、AWS AI サービスを使用してすぐにビジネスに影響を与える機会があります。 によると ガートナー、2024 年末までに、企業の 75% が AI のパイロットから運用へと移行します。 AI と機械学習 (ML) の範囲が拡大するにつれて、チームは、組織が簡単に採用できる低コストで影響力の高いソリューションを作成する方法に集中する必要があります。
この投稿では、Prodege が AI と ML をビジネスに導入することでカスタマー エクスペリエンスを改善した方法を紹介します。 Prodege は、領収書をアップロードした後、顧客に迅速に報酬を与える方法を見つけたいと考えていました。 リベートを発行する前にレシートに異常がないか視覚的に検査する自動化された方法がありませんでした。 領収書の量は XNUMX 週間に数万件だったため、異常を特定する手動のプロセスはスケーラブルではありませんでした。
Amazon Rekognition Custom Labels を使用して、Prodege はレシートをアップロードした後、5 倍速く顧客に報酬を与え、異常なレシートの正しい分類を 70% から 99% に増やし、年間の人によるレビューコストを 1.5 万ドル節約しました。
課題: レシートの異常を大規模かつ迅速かつ正確に検出する
一流のカスタマー エクスペリエンスを提供するという Prodege の取り組みには、非常に人気のある Magic Receipts 製品の顧客が報酬を受け取るスピードを速める必要がありました。 そのために、Prodege は領収書の異常をより迅速に検出する必要がありました。 Prodege は、Keras を使用して独自の深層学習モデルを構築することを調査しました。 このソリューションは長期的には有望でしたが、次の理由により、Prodege の希望する速度で実装できませんでした。
- 大規模なデータセットが必要 – Prodege は、モデルのトレーニングに必要な画像の数が数万になることに気付きました。また、モデルをトレーニングするには、GPU による大量の計算能力が必要になることにも気付きました。
- 時間と費用がかかる – Prodege には、人間がラベル付けした有効な領収書と異常な領収書が何百もあり、異常はすべて視覚的でした。 ラベル付きの画像を追加すると、運用コストが発生し、通常の営業時間中にしか機能しなくなります。
- 必要なカスタム コードと手間のかかるメンテナンス – Prodege は、カスタム モデルをトレーニングおよびデプロイし、そのライフサイクルを維持するために、カスタム コードを開発する必要があります。
ソリューションの概要: Rekognition カスタム ラベル
Prodege は AWS アカウント チームと協力して、ビジネスが有効な領収書に対してのみリベートを発行できるように、自動化された方法で領収書を効率的に処理できるビジネス ユース ケースを最初に特定しました。 Prodege のデータ サイエンス チームは、開始に小さなデータセットを必要とし、すぐにビジネスに影響を与えることができ、必要なコードが最小限でメンテナンスが少ないソリューションを求めていました。
これらの情報に基づいて、アカウント チームは Rekognition Custom Labels をモデルをトレーニングして有効なレシートと異常のあるレシートを識別するための潜在的なソリューションとして特定しました。 Rekognition Custom Labels は、ビジュアル インターフェイスを備えたコンピューター ビジョン AI 機能を提供し、アップロードされたラベル付きデータのわずか数百の画像でモデルを自動的にトレーニングおよび展開します。
最初のステップは、Prodege からのラベル付き領収書を使用してモデルをトレーニングすることでした。 領収書は、有効と異常の XNUMX つのラベルに分類されました。 各種類約XNUMX枚のレシートが、アノマリーを熟知しているプロデージのビジネスチームによって慎重に選択されました。 Rekognition Custom Labels の優れたモデルの鍵は、正確なトレーニング データを持つことです。 次のステップは、セットアップすることでした モデルのトレーニング Rekognition Custom Labels コンソールで数回クリックするだけです。 モデルの精度と品質を評価するために使用される F1 スコアは 97% でした。 これにより、Prodege はサンドボックスで追加のテストを行い、トレーニング済みのモデルを使用して、新しいレシートが有効かどうか、または異常があるかどうかを推測するようになりました。 推論の設定 Rekognition Custom Labels を使用すると、簡単なワンクリック プロセスで、プログラムによる推論をセットアップするためのサンプル コードも提供されます。
モデルの精度に勇気づけられて、Prodege はパイロット バッチ推論パイプラインをセットアップしました。 パイプラインは、モデルを開始し、モデルに対して数百のレシートを実行し、結果を保存してから、モデルを毎週シャットダウンします。 コンプライアンス チームは、レシートを評価して正確性をチェックします。 パイロットの精度は、最初のテスト時と同じくらい高いままでした。 Prodege チームは、モデルの精度を維持および向上させるために、新しいレシートをトレーニングするためのパイプラインも設定しました。
最後に、Prodege ビジネス インテリジェンス チームは、アプリケーション チームと協力し、AWS アカウントおよび製品チームからのサポートを利用して、アップロードされた領収書の有効性をリアルタイムで予測し、ユーザーに最高のサービスを提供するアプリケーションと連携する推論エンドポイントを設定しました。クラス内の消費者報酬体験。 このソリューションは、次の図で強調表示されています。 Prodege ビジネス インテリジェンス チームは、Rekognition Custom Labels からの予測と信頼スコアに基づいて、ビジネス ロジックを適用して処理するか、追加の精査を行いました。 Prodege はループに人間を導入することで、予測の品質を監視し、必要に応じてモデルを再トレーニングすることができます。
結果
Prodege は Rekognition Custom Labels を使用して、異常な領収書の正しい分類を 70% から 99% に増やし、人間による年間レビュー費用を 1.5 万ドル節約しました。 これにより、レシートをアップロードした後、Prodege は顧客に 5 倍の速さで報酬を与えることができました。 Rekognition Custom Labels の最も優れた点は、セットアップが簡単で、信頼性の高い画像検出のために ML モデルをトレーニングするために事前に分類された画像の小さなセットしか必要としないことでした (モデルを最初からトレーニングするために必要な画像は約 200 に対して、50,000 が必要でした)。 ）。 モデルのエンドポイントには、API を使用して簡単にアクセスできます。 Rekognition Custom Labels は、Prodege が検証済みレシート スキャン製品をスムーズに機能させるための非常に効果的なソリューションであり、Prodege が手動検出を行うために多くの時間とリソースを節約するのに役立ちました。
まとめ
顧客満足度の最先端を維持するには、絶え間ない焦点と革新が必要であり、今日のビジネスの戦略的目標です。 AWS コンピュータ ビジョン サービスにより、Prodege は低コストでローコードのソリューションを使用してビジネスに即座に影響を与えることができました。 AWS とのパートナーシップにより、Prodege は革新を続け、顧客満足度の最先端を維持しています。 今日から始められます Rekognitionカスタムラベル ビジネスの成果を向上させます。
著者について
アルン・グプタ Prodege LLC のビジネス インテリジェンス ディレクターです。 彼は、機械学習テクノロジを適用して、さまざまなビジネス上の問題に効果的なソリューションを提供することに情熱を注いでいます。
プラシャント・ガナパシー AWS の中小企業 (SMB) セグメントのシニア ソリューション アーキテクトです。 彼は、AWS AI/ML サービスについて学び、顧客向けのソリューションを構築することで、顧客がビジネスの成果を達成できるよう支援することを楽しんでいます。 仕事以外では、Prashanth は写真、旅行、さまざまな料理を試すことを楽しんでいます。
アミット グプタ AWSのAIサービスソリューションアーキテクトです。 彼は、適切に設計された機械学習ソリューションを大規模に顧客に提供することに情熱を注いでいます。
ニック 
ラモス AWS のシニア アカウント マネージャーです。 彼は、顧客が最も複雑なビジネス上の課題を解決し、AI/ML を顧客のビジネスに注入し、顧客がトップラインの収益を上げるのを支援することに情熱を注いでいます。
