Cum Prodege a economisit 1.5 milioane de dolari în costurile anuale de analiză umană folosind inteligența artificială low-code cu viziune pe computer

Această postare a fost coautoră de Arun Gupta, directorul Business Intelligence la Prodege, LLC.

Prodege este o platformă de marketing bazată pe date și informații despre consumatori, compusă din mărci de consum - Swagbucks, MyPoints, Tada, ySense, InboxDollars, InboxPounds, DailyRewards, PollFish și Upromise - împreună cu o suită complementară de soluții de afaceri pentru marketeri și cercetători. Prodege are 120 de milioane de utilizatori și a plătit 2.1 miliarde de dolari în recompense din 2005. În 2021, Prodege a lansat Magic Receipts, o nouă modalitate prin care utilizatorii săi să câștige bani înapoi și să răscumpere carduri cadou, doar cumpărând în magazin de la comercianții lor preferați și încărcarea unei chitanțe.

A rămâne la vârf în ceea ce privește satisfacția clienților necesită o concentrare constantă și inovație.

Construirea unei echipe de știință a datelor de la zero este o investiție excelentă, dar necesită timp și adesea există oportunități de a crea un impact imediat asupra afacerii cu serviciile AWS AI. Conform Gartner, până la sfârșitul anului 2024, 75% dintre întreprinderi vor trece de la pilotare la operaționalizarea IA. Odată cu creșterea IA și a învățării automate (ML), echipele trebuie să se concentreze asupra modului de a crea o soluție cu costuri reduse, cu impact ridicat, care poate fi adoptată cu ușurință de către o organizație.

În această postare, împărtășim modul în care Prodege și-a îmbunătățit experiența clienților, introducând AI și ML în afacerea sa. Prodege a vrut să găsească o modalitate de a-și recompensa clienții mai rapid după ce le-a încărcat chitanțele. Nu aveau o modalitate automată de a inspecta vizual chitanțele pentru anomalii înainte de a emite reduceri. Deoarece volumul de încasări a fost de zeci de mii pe săptămână, procesul manual de identificare a anomaliilor nu a fost scalabil.

Folosind etichetele personalizate Amazon Rekognition, Prodege și-a recompensat clienții de 5 ori mai rapid după încărcarea chitanțelor, a crescut clasificarea corectă a chitanțelor anormale de la 70% la 99% și a economisit 1.5 milioane USD în costurile anuale de evaluare umană.

Provocarea: detectarea anomaliilor în chitanțe rapid și precis la scară

Angajamentul Prodege față de experiența clienților de top a necesitat o creștere a vitezei cu care clienții primesc recompense pentru produsul său foarte popular Magic Receipts. Pentru a face acest lucru, Prodege trebuia să detecteze mai rapid anomaliile de chitanță. Prodege a investigat construirea propriilor modele de învățare profundă folosind Keras. Această soluție a fost promițătoare pe termen lung, dar nu a putut fi implementată la viteza dorită de Prodege din următoarele motive:

• Necesită un set de date mare – Prodege și-a dat seama că numărul de imagini de care ar avea nevoie pentru antrenarea modelului va fi de zeci de mii și ar avea nevoie, de asemenea, de putere mare de calcul cu GPU-uri pentru a antrena modelul.
• Consumatoare de timp și costisitoare – Prodege avea sute de chitanțe valide și anormale etichetate de om, iar anomaliile erau toate vizuale. Adăugarea de imagini suplimentare etichetate a creat cheltuieli operaționale și ar putea funcționa numai în timpul programului normal de lucru.
• Cod personalizat necesar și întreținere ridicată – Prodege ar trebui să dezvolte cod personalizat pentru a instrui și a implementa modelul personalizat și pentru a-și menține ciclul de viață.

Prezentare generală a soluției: Etichete personalizate Rekognition

Prodege a lucrat cu echipa de cont AWS pentru a identifica mai întâi cazul de utilizare în afaceri de a putea procesa în mod eficient chitanțele într-un mod automat, astfel încât afacerea lor să emită reduceri doar pentru chitanțe valide. Echipa de știință a datelor Prodege dorea o soluție care necesită un set mic de date pentru a începe, care ar putea crea un impact imediat asupra afacerii și necesită cod minim și întreținere redusă.

Pe baza acestor intrări, echipa de cont a identificat etichetele personalizate Rekognition ca o soluție potențială pentru a antrena un model pentru a identifica ce chitanțe sunt valide și care au anomalii. Etichetele personalizate Rekognition oferă o capacitate AI de viziune computerizată cu o interfață vizuală pentru a antrena și a implementa automat modele cu doar câteva sute de imagini cu date etichetate încărcate.

Primul pas a fost să antrenezi un model folosind chitanțele etichetate de la Prodege. Chitantele au fost clasificate în două etichete: valide și anormale. Aproximativ o sută de chitanțe de fiecare fel au fost atent selectate de echipa de afaceri Prodege, care avea cunoștință de anomalii. Cheia unui model bun în Rekognition Custom Labels este să aveți date exacte de antrenament. Următorul pas a fost configurarea antrenamentul modelului cu câteva clicuri pe consola Rekognition Custom Labels. Scorul F1, care este folosit pentru a măsura acuratețea și calitatea modelului, a ajuns la 97%. Acest lucru a încurajat Prodege să facă niște teste suplimentare în sandbox-ul și să folosească modelul antrenat pentru a deduce dacă noile chitanțe erau valide sau prezentau anomalii. Configurarea inferenței cu Rekognition Custom Labels este un proces ușor cu un singur clic și oferă exemplu de cod pentru a configura și inferența programatică.

Încurajat de acuratețea modelului, Prodege a înființat o conductă de inferență de lot pilot. Conducta ar porni modelul, ar rula sute de chitanțe pe model, ar stoca rezultatele și apoi ar închide modelul în fiecare săptămână. Echipa de conformitate ar evalua apoi chitanțele pentru a verifica acuratețea. Precizia a rămas la fel de mare pentru pilot ca și în timpul testării inițiale. Echipa Prodege a înființat, de asemenea, o conductă pentru a instrui noi chitanțe pentru a menține și îmbunătăți acuratețea modelului.

În cele din urmă, echipa de business intelligence Prodege a lucrat cu echipa de aplicații și cu asistența din partea contului AWS și a echipei de produs pentru a configura un punct final de inferență care să funcționeze cu aplicația lor pentru a prezice în timp real valabilitatea chitanțelor încărcate și pentru a oferi utilizatorilor săi cea mai bună soluție. experiență de recompense pentru consumatori la clasă. Soluția este evidențiată în figura următoare. Pe baza scorului de predicție și încredere de la Rekognition Custom Labels, echipa de business intelligence Prodege a aplicat logica de afaceri fie pentru a o procesa, fie pentru a trece printr-un control suplimentar. Prin introducerea unui om în buclă, Prodege este capabil să monitorizeze calitatea predicțiilor și să reantreneze modelul după cum este necesar.

REZULTATE

Cu etichetele personalizate Rekognition, Prodege a crescut clasificarea corectă a chitanțelor anormale de la 70% la 99% și a economisit 1.5 milioane USD în costurile anuale de evaluare umană. Acest lucru a permis lui Prodege să-și răsplătească clienții de 5 ori mai rapid după ce le-a încărcat chitanțele. Cea mai bună parte a etichetelor personalizate Rekognition a fost că a fost ușor de configurat și a necesitat doar un set mic de imagini preclasificate pentru a antrena modelul ML pentru detectarea imaginii de mare încredere (aproximativ 200 de imagini față de 50,000 necesare pentru a antrena un model de la zero. ). Punctele finale ale modelului ar putea fi ușor accesate folosind API-ul. Etichetele personalizate Rekognition a fost o soluție extrem de eficientă pentru Prodege pentru a permite funcționarea armonioasă a produsului de scanare a chitanțelor validate și a ajutat Prodege să economisească mult timp și resurse pentru a realiza detectarea manuală.

Concluzie

A rămâne la vârf în ceea ce privește satisfacția clienților necesită o concentrare constantă și inovare și este un obiectiv strategic pentru afaceri de astăzi. Serviciile de viziune computerizată AWS au permis lui Prodege să creeze un impact imediat asupra afacerii cu o soluție low-cost și low-code. În parteneriat cu AWS, Prodege continuă să inoveze și să rămână la vârf în ceea ce privește satisfacția clienților. Puteți începe astăzi cu Recunoașterea etichetelor personalizate și îmbunătățiți rezultatele afacerii dvs.

Despre Autori

Arun Gupta este Director de Business Intelligence la Prodege LLC. Este pasionat de aplicarea tehnologiilor de învățare automată pentru a oferi soluții eficiente pentru diverse probleme de afaceri.

Prashanth Ganapathy este arhitect senior de soluții în segmentul întreprinderilor mici și mijlocii (IMM) la AWS. Îi face plăcere să învețe despre serviciile AWS AI/ML și să ajute clienții să-și atingă rezultatele afacerii, creând soluții pentru ei. În afara serviciului, lui Prashanth îi place fotografierea, călătoriile și încercarea diferitelor bucătării.

Amit Gupta este arhitect de soluții de servicii AI la AWS. Este pasionat de a oferi clienților soluții de învățare automată bine proiectate la scară.

nick Ramos este Senior Account Manager la AWS. Este pasionat să-i ajute pe clienți să-și rezolve cele mai complexe provocări de afaceri, introducând AI/ML în afacerile clienților și să îi ajute pe clienți să crească veniturile de top.