Hvordan Prodege sparte 1.5 millioner dollar i årlige kostnader for menneskelig vurdering ved å bruke lavkodet datasyn AI

Dette innlegget ble medforfatter av Arun Gupta, direktør for Business Intelligence hos Prodege, LLC.

Prodege er en datadrevet markedsførings- og forbrukerinnsiktsplattform som består av forbrukermerker – Swagbucks, MyPoints, Tada, ySense, InboxDollars, InboxPounds, DailyRewards, PollFish og Upromise – sammen med en komplementær pakke med forretningsløsninger for markedsførere og forskere. Prodege har 120 millioner brukere og har betalt 2.1 milliarder dollar i belønninger siden 2005. I 2021 lanserte Prodege Magic Receipts, en ny måte for brukerne å tjene penger tilbake og løse inn gavekort, bare ved å handle i butikk hos deres favorittforhandlere, og laster opp en kvittering.

Å holde seg i forkant av kundetilfredshet krever konstant fokus og innovasjon.

Å bygge et datavitenskapsteam fra bunnen av er en flott investering, men det tar tid, og ofte er det muligheter for å skape umiddelbar forretningseffekt med AWS AI-tjenester. I følge Gartner, innen utgangen av 2024 vil 75 % av bedriftene gå over fra pilotering til operasjonalisering av AI. Ettersom rekkevidden av AI og maskinlæring (ML) vokser, må teamene fokusere på hvordan de kan lage en rimelig og effektiv løsning som enkelt kan tas i bruk av en organisasjon.

I dette innlegget deler vi hvordan Prodege forbedret kundeopplevelsen deres ved å tilføre AI og ML i virksomheten. Prodege ønsket å finne en måte å belønne kundene sine raskere etter å ha lastet opp kvitteringene deres. De hadde ikke en automatisert måte å visuelt inspisere kvitteringene for uregelmessigheter før de utstedte rabatter. Fordi volumet av kvitteringer var i titusenvis per uke, var den manuelle prosessen med å identifisere uregelmessigheter ikke skalerbar.

Ved å bruke tilpassede etiketter for Amazon Rekognition, belønnet Prodege sine kunder 5 ganger raskere etter å ha lastet opp kvitteringer, økte den korrekte klassifiseringen av unormale kvitteringer fra 70 % til 99 %, og sparte 1.5 millioner dollar i årlige kostnader for menneskelig vurdering.

Utfordringen: Å oppdage uregelmessigheter i kvitteringer raskt og nøyaktig i skala

Prodeges forpliktelse til kundeopplevelse på toppnivå krevde en økning i hastigheten der kundene mottar belønninger for sitt enormt populære Magic Receipts-produkt. For å gjøre det, trengte Prodege å oppdage kvitteringsavvik raskere. Prodege undersøkte å bygge sine egne dyplæringsmodeller ved å bruke Keras. Denne løsningen var lovende på lang sikt, men kunne ikke implementeres med Prodeges ønskede hastighet av følgende grunner:

• Krev et stort datasett – Prodege innså at antall bilder de ville trenge for å trene modellen ville være i titusenvis, og de ville også trenge tung datakraft med GPUer for å trene modellen.
• Tidkrevende og kostbart – Prodege hadde hundrevis av menneskemerkede gyldige og unormale kvitteringer, og alle uregelmessighetene var visuelle. Å legge til flere merkede bilder skapte driftskostnader og kunne bare fungere i normal arbeidstid.
• Nødvendig tilpasset kode og høyt vedlikehold – Prodege må utvikle tilpasset kode for å trene og distribuere den tilpassede modellen og opprettholde livssyklusen.

Oversikt over løsning: Rekognition Custom Labels

Prodege jobbet med AWS-kontoteamet for først å identifisere forretningsbrukssaken med å kunne behandle kvitteringer effektivt på en automatisert måte, slik at virksomheten deres bare utstedte rabatter på gyldige kvitteringer. Prodege datavitenskapsteamet ønsket en løsning som krevde et lite datasett for å komme i gang, kunne skape umiddelbar forretningseffekt, og som krevde minimalt med kode og lite vedlikehold.

Basert på disse inndataene identifiserte kontoteamet Rekognition Custom Labels som en potensiell løsning for å trene en modell for å identifisere hvilke kvitteringer som er gyldige og hvilke som har uregelmessigheter. Rekognition Custom Labels gir en datamaskinvisjon AI-kapasitet med et visuelt grensesnitt for automatisk å trene og distribuere modeller med så få som et par hundre bilder av opplastede merkede data.

Det første trinnet var å trene en modell ved å bruke de merkede kvitteringene fra Prodege. Kvitteringene ble kategorisert i to etiketter: gyldige og unormale. Omtrent hundre kvitteringer av hver type ble nøye utvalgt av Prodege-forretningsteamet, som hadde kunnskap om uregelmessighetene. Nøkkelen til en god modell i Rekognition Custom Labels er å ha nøyaktige treningsdata. Neste steg var å sette opp opplæring av modellen med noen få klikk på Rekognition Custom Labels-konsollen. F1-poengsummen, som brukes til å måle nøyaktigheten og kvaliteten til modellen, kom inn på 97 %. Dette oppmuntret Prodege til å gjøre noen ekstra tester i sandkassen deres og bruke den opplærte modellen for å konkludere om nye kvitteringer var gyldige eller hadde uregelmessigheter. Sette opp slutning med Rekognition Custom Labels er en enkel ett-klikks prosess, og den gir eksempelkode for å sette opp programmatisk slutning også.

Oppmuntret av nøyaktigheten til modellen satte Prodege opp en pilotbatch-inferensrørledning. Rørledningen ville starte modellen, kjøre hundrevis av kvitteringer mot modellen, lagre resultatene og deretter stenge modellen hver uke. Overholdelsesteamet vil deretter evaluere kvitteringene for å sjekke nøyaktigheten. Nøyaktigheten forble like høy for piloten som den var under den første testingen. Prodege-teamet satte også opp en pipeline for å trene opp nye kvitteringer for å opprettholde og forbedre nøyaktigheten til modellen.

Til slutt jobbet Prodege business intelligence-teamet med applikasjonsteamet og støtte fra AWS-kontoen og produktteamet for å sette opp et slutningsendepunkt som ville fungere med applikasjonen deres for å forutsi gyldigheten av opplastede kvitteringer i sanntid og gi brukerne en best- forbrukerbelønningsopplevelse i klassen. Løsningen er fremhevet i følgende figur. Basert på prediksjon og konfidenspoengsum fra Rekognition Custom Labels, brukte Prodege business intelligence-teamet forretningslogikk for enten å få det behandlet eller gå gjennom ytterligere gransking. Ved å introdusere et menneske i loopen, er Prodege i stand til å overvåke kvaliteten på spådommene og omskolere modellen etter behov.

Resultater

Med Rekognition Custom Labels økte Prodege den korrekte klassifiseringen av unormale kvitteringer fra 70 % til 99 % og sparte 1.5 millioner dollar i årlige kostnader for menneskelig vurdering. Dette gjorde at Prodege kunne belønne sine kunder 5 ganger raskere etter å ha lastet opp kvitteringene. Den beste delen av Rekognition Custom Labels var at det var enkelt å sette opp og krevde bare et lite sett med forhåndsklassifiserte bilder for å trene opp ML-modellen for bildegjenkjenning med høy konfidens (omtrent 200 bilder vs. 50,000 XNUMX som kreves for å trene en modell fra bunnen av ). Modellens endepunkter kunne lett nås ved hjelp av API. Rekognition Custom Labels har vært en ekstremt effektiv løsning for Prodege for å muliggjøre smidig funksjon av deres validerte kvitteringsskanningsprodukt, og hjalp Prodege med å spare mye tid og ressurser ved å utføre manuell gjenkjenning.

konklusjonen

Å holde seg i forkant av kundetilfredshet krever konstant fokus og innovasjon, og er et strategisk mål for bedrifter i dag. AWS datasynstjenester tillot Prodege å skape umiddelbar forretningseffekt med en lavkost- og lavkodeløsning. I samarbeid med AWS fortsetter Prodege å innovere og forbli i forkant av kundetilfredshet. Du kan komme i gang i dag med Egendefinerte etiketter for anerkjennelse og forbedre bedriftens resultater.

Om forfatterne

Arun Gupta er direktør for Business Intelligence hos Prodege LLC. Han brenner for å bruke maskinlæringsteknologier for å gi effektive løsninger på tvers av ulike forretningsproblemer.

Prashanth Ganapathy er Senior Solutions Architect i Small Medium Business (SMB)-segmentet hos AWS. Han liker å lære om AWS AI/ML-tjenester og hjelpe kunder med å møte sine forretningsresultater ved å bygge løsninger for dem. Utenom jobben liker Prashanth å fotografere, reise og prøve forskjellige retter.

Amit Gupta er en AI Services Solutions Architect hos AWS. Han er lidenskapelig opptatt av å gjøre det mulig for kunder med velutviklede maskinlæringsløsninger i stor skala.

Nick Ramos er Senior Account Manager med AWS. Han er lidenskapelig opptatt av å hjelpe kundene med å løse de mest komplekse forretningsutfordringene, tilføre AI/ML til kundenes virksomheter og hjelpe kundene med å øke topplinjeinntektene.