W jaki sposób firma Prodege zaoszczędziła 1.5 miliona dolarów na rocznych kosztach przeglądu przez człowieka dzięki sztucznej inteligencji opartej na widzeniu komputerowym o niskim kodzie?

Współautorem tego posta jest Arun Gupta, dyrektor Business Intelligence w Prodege, LLC.

Prodege to oparta na danych platforma marketingu i analizy konsumenckiej, składająca się z marek konsumenckich — Swagbucks, MyPoints, Tada, ySense, InboxDollars, InboxPounds, DailyRewards, PollFish i Upromise — wraz z uzupełniającym pakietem rozwiązań biznesowych dla marketerów i badaczy. Prodege ma 120 milionów użytkowników i od 2.1 r. zapłacił 2005 miliarda dolarów w nagrodach. W 2021 r. firma Prodege wprowadziła Magic Receipts, nowy sposób uzyskiwania przez użytkowników zwrotu gotówki i wymiany kart podarunkowych, po prostu robiąc zakupy w sklepach u swoich ulubionych sprzedawców i przesyłanie paragonu.

Utrzymywanie się w czołówce zadowolenia klientów wymaga ciągłego skupienia i innowacji.

Zbudowanie zespołu data science od podstaw to świetna inwestycja, ale wymaga czasu i często istnieją możliwości wywarcia natychmiastowego wpływu na biznes dzięki usługom AWS AI. Według Gartner, do końca 2024 r. 75% przedsiębiorstw przejdzie z pilotażu na operacjonalizację sztucznej inteligencji. Wraz z rosnącym zasięgiem sztucznej inteligencji i uczenia maszynowego (ML), zespoły muszą skoncentrować się na tworzeniu niedrogiego rozwiązania o dużym wpływie, które może być łatwo zaadoptowane przez organizację.

W tym poście dzielimy się tym, jak firma Prodege poprawiła jakość obsługi klienta, wprowadzając sztuczną inteligencję i ML do swojej działalności. Firma Prodege chciała znaleźć sposób na szybsze nagradzanie swoich klientów po przesłaniu ich paragonów. Nie mieli automatycznego sposobu wizualnego sprawdzania paragonów pod kątem anomalii przed wydaniem rabatu. Ponieważ ilość wpływów wynosiła dziesiątki tysięcy tygodniowo, ręczny proces identyfikacji anomalii nie był skalowalny.

Korzystając z etykiet niestandardowych Amazon Rekognition, firma Prodege nagradzała swoich klientów 5 razy szybciej po przesłaniu paragonów, zwiększyła poprawną klasyfikację paragonów anomalnych z 70% do 99% i zaoszczędziła 1.5 miliona dolarów na rocznych kosztach przeglądu przez człowieka.

Wyzwanie: szybkie i dokładne wykrywanie anomalii w paragonach na dużą skalę

Zaangażowanie firmy Prodege w obsługę klienta na najwyższym poziomie wymagało zwiększenia szybkości, z jaką klienci otrzymują nagrody za niezwykle popularny produkt Magic Receipts. Aby to zrobić, Prodege musiał szybciej wykrywać anomalie paragonów. Firma Prodege badała tworzenie własnych modeli uczenia głębokiego przy użyciu Keras. To rozwiązanie było obiecujące w dłuższej perspektywie, ale nie mogło zostać wdrożone z pożądaną szybkością Prodege z następujących powodów:

• Wymagany duży zbiór danych – Firma Prodege zdała sobie sprawę, że liczba obrazów potrzebnych do trenowania modelu wynosiłaby dziesiątki tysięcy, a do trenowania modelu potrzebowaliby również dużej mocy obliczeniowej z procesorami graficznymi.
• Czasochłonne i kosztowne – Prodege miał setki potwierdzonych przez człowieka ważnych i anomalnych paragonów, a wszystkie anomalie były wizualne. Dodanie dodatkowych obrazów z etykietami powodowało koszty operacyjne i mogło działać tylko w normalnych godzinach pracy.
• Wymagany kod niestandardowy i wysoka konserwacja – Prodege musiałby opracować niestandardowy kod, aby trenować i wdrażać niestandardowy model oraz utrzymywać jego cykl życia.

Przegląd rozwiązania: Rozpoznawanie etykiet niestandardowych

Firma Prodege współpracowała z zespołem ds. kont AWS, aby najpierw zidentyfikować biznesowy przypadek użycia polegający na możliwości wydajnego przetwarzania paragonów w sposób zautomatyzowany, tak aby ich firma wydawała rabaty tylko na ważne paragony. Zespół zajmujący się analizą danych Prodege poszukiwał rozwiązania, które wymagałoby małego zestawu danych, aby rozpocząć, miałoby natychmiastowy wpływ na biznes i wymagało minimalnej ilości kodu i niewielkiej konserwacji.

Na podstawie tych danych zespół księgowy zidentyfikował niestandardowe etykiety Rekognition jako potencjalne rozwiązanie do trenowania modelu w celu identyfikacji, które paragony są ważne, a które mają anomalie. Rekognition Custom Labels zapewnia komputerową sztuczną inteligencję z interfejsem wizualnym do automatycznego trenowania i wdrażania modeli z zaledwie kilkuset obrazami przesłanych danych oznaczonych etykietami.

Pierwszym krokiem było przeszkolenie modelu przy użyciu oznakowanych paragonów z Prodege. Paragony zostały podzielone na dwie kategorie: ważne i anomalne. Zespół biznesowy Prodege, dysponujący wiedzą na temat anomalii, starannie wybrał około stu paragonów każdego rodzaju. Kluczem do dobrego modelu w etykietach niestandardowych Rekognition jest posiadanie dokładnych danych treningowych. Następnym krokiem było założenie szkolenie modela za pomocą kilku kliknięć w konsoli Rekognition Custom Labels. Wynik F1, który służy do pomiaru dokładności i jakości modelu, wyniósł 97%. Zachęciło to Prodege do wykonania dodatkowych testów w swojej piaskownicy i użycia wytrenowanego modelu do wywnioskowania, czy nowe paragony są prawidłowe lub czy mają anomalie. Konfigurowanie wnioskowania z Rekognition Custom Labels to prosty proces za pomocą jednego kliknięcia, który zapewnia również przykładowy kod do konfigurowania wnioskowania programowego.

Zachęcony dokładnością modelu firma Prodege utworzyła pilotażowy potok wnioskowania wsadowego. Potok uruchamiałby model, uruchamiał setki potwierdzeń w modelu, zapisywał wyniki, a następnie co tydzień zamykał model. Zespół ds. zgodności oceniałby następnie wpływy, aby sprawdzić ich poprawność. Dokładność pozostała tak wysoka dla pilota, jak podczas pierwszych testów. Zespół Prodege przygotował również potok do trenowania nowych przyjęć w celu utrzymania i poprawy dokładności modelu.

Na koniec zespół ds. analizy biznesowej Prodege współpracował z zespołem aplikacji i wsparciem ze strony konta AWS i zespołu produktów, aby skonfigurować punkt końcowy wnioskowania, który będzie współpracował z ich aplikacją w celu przewidywania ważności przesłanych pokwitowań w czasie rzeczywistym i zapewniania użytkownikom najlepszych w swojej klasie doświadczenie nagradzania konsumentów. Rozwiązanie zostało przedstawione na poniższym rysunku. W oparciu o przewidywania i wynik zaufania z Rekognition Custom Labels zespół analityki biznesowej Prodege zastosował logikę biznesową, aby albo zlecić jej przetworzenie, albo przejść przez dodatkową kontrolę. Wprowadzając człowieka w pętlę, Prodege jest w stanie monitorować jakość prognoz i w razie potrzeby ponownie trenować model.

Efekt

Dzięki etykietom Rekognition Custom Labels firma Prodege zwiększyła poprawną klasyfikację nietypowych paragonów z 70% do 99% i zaoszczędziła 1.5 miliona USD na rocznych kosztach przeglądu przez człowieka. Dzięki temu firma Prodege mogła 5 razy szybciej nagradzać swoich klientów po przesłaniu ich paragonów. Najlepszą częścią Rekognition Custom Labels było to, że łatwo było je skonfigurować i wymagało tylko małego zestawu wstępnie sklasyfikowanych obrazów, aby wytrenować model ML pod kątem wykrywania obrazów o wysokim stopniu ufności (około 200 obrazów w porównaniu do 50,000 XNUMX wymaganych do przeszkolenia modelu od podstaw ). Punkty końcowe modelu mogą być łatwo dostępne za pomocą interfejsu API. Rekognition Custom Labels to niezwykle skuteczne rozwiązanie dla firmy Prodege, które umożliwia płynne działanie zatwierdzonego produktu do skanowania paragonów i pomogło firmie Prodege zaoszczędzić dużo czasu i zasobów podczas ręcznego wykrywania.

Wnioski

Utrzymywanie się w czołówce zadowolenia klientów wymaga ciągłego skupienia i innowacji oraz jest strategicznym celem dzisiejszych firm. Usługi wizji komputerowej AWS pozwoliły firmie Prodege wywrzeć natychmiastowy wpływ na biznes dzięki tanim i niskokodowym rozwiązaniom. We współpracy z AWS, Prodege kontynuuje innowacje i pozostaje w czołówce zadowolenia klientów. Już dziś możesz zacząć od Rozpoznawanie etykiet niestandardowych i poprawić wyniki biznesowe.

O autorach

Aruna Gupty jest dyrektorem Business Intelligence w Prodege LLC. Pasjonuje go stosowanie technologii uczenia maszynowego w celu dostarczania skutecznych rozwiązań w różnych problemach biznesowych.

Prashanth Ganapatia jest starszym architektem rozwiązań w segmencie małych i średnich firm (SMB) w AWS. Lubi poznawać usługi AWS AI/ML i pomagać klientom osiągać wyniki biznesowe, budując dla nich rozwiązania. Poza pracą Prashanth lubi fotografować, podróżować i próbować różnych kuchni.

Amit Gupta jest architektem rozwiązań AI Services w AWS. Jego pasją jest udostępnianie klientom dobrze zaprojektowanych rozwiązań uczenia maszynowego na dużą skalę.

nacięcie Ramos jest Senior Account Managerem w AWS. Jego pasją jest pomaganie klientom w rozwiązywaniu ich najbardziej złożonych wyzwań biznesowych, wprowadzanie AI/ML do firm klientów i pomaganie klientom w zwiększaniu przychodów.