Como a Prodege economizou US$ 1.5 milhão em custos anuais de revisão humana usando IA de visão computacional de baixo código

Este post foi escrito em coautoria por Arun Gupta, Diretor de Business Intelligence da Prodege, LLC.

O Prodege é uma plataforma de marketing orientada por dados e insights do consumidor composta por marcas de consumo – Swagbucks, MyPoints, Tada, ySense, InboxDollars, InboxPounds, DailyRewards, PollFish e Upromise – juntamente com um conjunto complementar de soluções de negócios para profissionais de marketing e pesquisadores. A Prodege tem 120 milhões de usuários e pagou US$ 2.1 bilhões em recompensas desde 2005. Em 2021, a Prodege lançou o Magic Receipts, uma nova maneira de seus usuários ganharem dinheiro de volta e resgatar cartões-presente, apenas comprando na loja em seus varejistas favoritos e carregando um recibo.

Permanecer na vanguarda da satisfação do cliente requer foco e inovação constantes.

Construir uma equipe de ciência de dados do zero é um grande investimento, mas leva tempo e, muitas vezes, há oportunidades para criar um impacto comercial imediato com os serviços de IA da AWS. De acordo com Gartner, até o final de 2024, 75% das empresas passarão da fase piloto para a operacionalização da IA. Com o alcance da IA ​​e do aprendizado de máquina (ML) crescendo, as equipes precisam se concentrar em como criar uma solução de baixo custo e alto impacto que possa ser facilmente adotada por uma organização.

Neste post, compartilhamos como a Prodege melhorou a experiência do cliente ao incorporar IA e ML em seus negócios. A Prodege queria encontrar uma maneira de recompensar seus clientes mais rapidamente depois de enviar seus recibos. Eles não tinham uma maneira automatizada de inspecionar visualmente os recibos em busca de anomalias antes de emitir os descontos. Como o volume de recebimentos era de dezenas de milhares por semana, o processo manual de identificação de anomalias não era escalável.

Usando os rótulos personalizados do Amazon Rekognition, a Prodege recompensou seus clientes 5 vezes mais rápido após o upload de recibos, aumentou a classificação correta de recibos anômalos de 70% para 99% e economizou US$ 1.5 milhão em custos anuais de revisão humana.

O desafio: detectar anomalias em recibos com rapidez e precisão em escala

O compromisso da Prodege com a experiência do cliente de primeira linha exigiu um aumento na velocidade com que os clientes recebem recompensas por seu produto Magic Receipts, massivamente popular. Para isso, o Prodege precisava detectar anomalias de recebimento mais rapidamente. A Prodege investigou a construção de seus próprios modelos de aprendizado profundo usando Keras. Essa solução era promissora a longo prazo, mas não pôde ser implementada na velocidade desejada pelo Prodege pelos seguintes motivos:

• Necessário um grande conjunto de dados – A Prodege percebeu que o número de imagens que seriam necessárias para treinar o modelo estaria na casa das dezenas de milhares e também precisaria de poder computacional pesado com GPUs para treinar o modelo.
• Demorado e caro – O Prodege tinha centenas de recibos válidos e anômalos rotulados por humanos, e as anomalias eram todas visuais. A adição de imagens rotuladas adicionais criava despesas operacionais e só funcionava durante o horário comercial normal.
• Código personalizado necessário e alta manutenção – A Prodege teria que desenvolver código customizado para treinar e implantar o modelo customizado e manter seu ciclo de vida.

Visão geral da solução: Rótulos personalizados do Rekognition

A Prodege trabalhou com a equipe de contas da AWS para identificar primeiro o caso de uso de negócios de poder processar recibos com eficiência de maneira automatizada, para que seus negócios emitissem apenas descontos para recibos válidos. A equipe de ciência de dados do Prodege queria uma solução que exigisse um pequeno conjunto de dados para começar, pudesse criar impacto comercial imediato e exigisse código mínimo e baixa manutenção.

Com base nessas informações, a equipe de contas identificou o Rekognition Custom Labels como uma solução potencial para treinar um modelo para identificar quais recibos são válidos e quais apresentam anomalias. O Rekognition Custom Labels fornece um recurso de IA de visão computacional com uma interface visual para treinar e implantar automaticamente modelos com apenas algumas centenas de imagens de dados rotulados carregados.

O primeiro passo foi treinar um modelo utilizando os recibos rotulados do Prodege. Os recibos foram categorizados em dois rótulos: válidos e anômalos. Aproximadamente uma centena de recibos de cada tipo foram cuidadosamente selecionados pela equipe de negócios do Prodege, que tinha conhecimento das anomalias. A chave para um bom modelo no Rekognition Custom Labels é ter dados de treinamento precisos. O próximo passo foi configurar treinamento do modelo com alguns cliques no console Rekognition Custom Labels. A pontuação da F1, que é usada para medir a precisão e a qualidade do modelo, chegou a 97%. Isso encorajou a Prodege a fazer alguns testes adicionais em seu sandbox e usar o modelo treinado para inferir se os novos recibos eram válidos ou apresentavam anomalias. Configurando a inferência com os rótulos personalizados do Rekognition é um processo fácil de um clique e também fornece código de amostra para configurar a inferência programática.

Incentivado pela precisão do modelo, o Prodege montou um pipeline piloto de inferência de lote. O pipeline iniciaria o modelo, executaria centenas de recibos no modelo, armazenaria os resultados e, em seguida, encerraria o modelo todas as semanas. A equipe de conformidade avaliaria os recibos para verificar a precisão. A precisão permaneceu tão alta para o piloto quanto durante o teste inicial. A equipe do Prodege também montou um pipeline para treinar novos recebimentos, a fim de manter e melhorar a precisão do modelo.

Por fim, a equipe de inteligência de negócios da Prodege trabalhou com a equipe de aplicativos e o suporte da conta da AWS e da equipe de produtos para configurar um endpoint de inferência que funcionaria com seu aplicativo para prever a validade dos recibos carregados em tempo real e fornecer aos usuários uma melhor experiência de recompensas ao consumidor da classe. A solução está destacada na figura a seguir. Com base na previsão e pontuação de confiança do Rekognition Custom Labels, a equipe de inteligência de negócios da Prodege aplicou a lógica de negócios para processá-la ou passar por uma análise adicional. Ao introduzir um humano no loop, o Prodege é capaz de monitorar a qualidade das previsões e treinar novamente o modelo conforme necessário.

Resultados

Com o Rekognition Custom Labels, a Prodege aumentou a classificação correta de recebimentos anômalos de 70% para 99% e economizou US$ 1.5 milhão em custos anuais de revisão humana. Isso permitiu que a Prodege recompensasse seus clientes 5 vezes mais rápido após o upload de seus recibos. A melhor parte do Rekognition Custom Labels era que era fácil de configurar e exigia apenas um pequeno conjunto de imagens pré-classificadas para treinar o modelo de ML para detecção de imagem de alta confiança (aproximadamente 200 imagens versus 50,000 necessárias para treinar um modelo do zero ). Os endpoints do modelo podem ser facilmente acessados ​​usando a API. O Rekognition Custom Labels tem sido uma solução extremamente eficaz para a Prodege para permitir o bom funcionamento de seu produto de digitalização de recibos validados e ajudou a Prodege a economizar muito tempo e recursos realizando a detecção manual.

Conclusão

Permanecer na vanguarda da satisfação do cliente requer foco e inovação constantes e é um objetivo estratégico para as empresas hoje. Os serviços de visão computacional da AWS permitiram que a Prodege criasse impacto comercial imediato com uma solução de baixo custo e baixo código. Em parceria com a AWS, a Prodege continua inovando e permanecendo na vanguarda da satisfação do cliente. Você pode começar hoje com Etiquetas personalizadas de reconhecimento e melhorar os resultados do seu negócio.

Sobre os autores

Arun Gupta é o Diretor de Business Intelligence da Prodege LLC. Ele é apaixonado por aplicar tecnologias de Machine Learning para fornecer soluções eficazes em diversos problemas de negócios.

Ganapatia de Prasanth é arquiteto de soluções sênior no segmento de pequenas e médias empresas (SMB) da AWS. Ele gosta de aprender sobre os serviços de IA/ML da AWS e ajudar os clientes a alcançar os resultados de negócios criando soluções para eles. Fora do trabalho, Prashanth gosta de fotografar, viajar e experimentar diferentes cozinhas.

Amit Gupta é arquiteto de soluções de serviços de IA na AWS. Ele adora oferecer aos clientes soluções de aprendizado de máquina bem arquitetadas em escala.

entalhe Ramos é gerente de contas sênior da AWS. Ele é apaixonado por ajudar os clientes a resolver seus desafios de negócios mais complexos, infundir IA/ML nos negócios dos clientes e ajudar os clientes a aumentar a receita de primeira linha.