Как компания Prodege сэкономила 1.5 миллиона долларов на ежегодных проверках человека с помощью искусственного интеллекта с низким кодом

Этот пост был написан в соавторстве с Аруном Гуптой, директором по бизнес-аналитике в Prodege, LLC.

Prodege — это основанная на данных платформа для маркетинга и изучения потребителей, состоящая из потребительских брендов — Swagbucks, MyPoints, Tada, ySense, InboxDollars, InboxPounds, DailyRewards, PollFish и Upromise — наряду с дополнительным набором бизнес-решений для маркетологов и исследователей. У Prodege 120 миллионов пользователей, и с 2.1 года компания выплатила вознаграждения в размере 2005 миллиарда долларов. В 2021 году Prodege запустила Magic Receipts, новый способ для своих пользователей получать наличные и использовать подарочные карты, просто совершая покупки в магазинах своих любимых розничных продавцов и загрузка квитанции.

Чтобы оставаться на переднем крае удовлетворения потребностей клиентов, требуется постоянное внимание и инновации.

Создание команды специалистов по обработке и анализу данных с нуля — это отличное вложение, но оно требует времени, и часто есть возможность оказать немедленное влияние на бизнес с помощью сервисов искусственного интеллекта AWS. Согласно с Gartner, к концу 2024 года 75 % предприятий перейдут от пилотных проектов к внедрению ИИ. С ростом охвата ИИ и машинного обучения (ML) командам необходимо сосредоточиться на том, как создать недорогое и эффективное решение, которое может быть легко внедрено в организации.

В этом посте мы расскажем, как компания Prodege улучшила качество обслуживания клиентов, внедрив в свой бизнес искусственный интеллект и машинное обучение. Компания Prodege хотела найти способ быстрее вознаграждать своих клиентов после загрузки их квитанций. У них не было автоматизированного способа визуально проверять квитанции на наличие аномалий перед выдачей скидок. Поскольку объем квитанций исчислялся десятками тысяч в неделю, ручной процесс выявления аномалий не поддавался масштабированию.

Используя пользовательские метки Amazon Rekognition, Prodege вознаграждала своих клиентов в 5 раз быстрее после загрузки квитанций, увеличила правильную классификацию аномальных квитанций с 70 % до 99 % и сэкономила 1.5 миллиона долларов США на ежегодных затратах на проверку человеком.

Задача: быстрое и точное обнаружение аномалий в чеках в любом масштабе.

Стремление компании Prodege к повышению качества обслуживания клиентов потребовало увеличения скорости, с которой клиенты получают вознаграждения за чрезвычайно популярный продукт Magic Receipts. Для этого Prodege нужно было быстрее обнаруживать аномалии в чеках. Компания Prodege исследовала создание собственных моделей глубокого обучения с использованием Keras. Это решение было многообещающим в долгосрочной перспективе, но не могло быть реализовано с желаемой скоростью Prodege по следующим причинам:

• Требуется большой набор данных – Компания Prodege осознала, что количество изображений, которые им потребуются для обучения модели, будет исчисляться десятками тысяч, а для обучения модели им также потребуются большие вычислительные мощности с графическими процессорами.
• Отнимает много времени и дорого - У Prodege были сотни действительных и аномальных квитанций, помеченных людьми, и все аномалии были визуальными. Добавление дополнительных помеченных изображений приводило к операционным расходам и могло работать только в обычные рабочие часы.
• Требуемый пользовательский код и высокие эксплуатационные расходы – Prodege придется разработать собственный код для обучения и развертывания пользовательской модели и поддержания ее жизненного цикла.

Обзор решения: Rekognition Custom Labels

Prodege работала с командой по работе с клиентами AWS, чтобы сначала определить бизнес-вариант использования возможности эффективной автоматической обработки квитанций, чтобы их бизнес выдавал скидки только действительным квитанциям. Команде Prodege по обработке и анализу данных требовалось решение, для запуска которого требовался небольшой набор данных, которое могло бы оказать непосредственное влияние на бизнес, а также требовало минимального кода и минимального обслуживания.

Основываясь на этих входных данных, команда по работе с клиентами определила пользовательские метки Rekognition как потенциальное решение для обучения модели определению того, какие квитанции действительны, а какие имеют аномалии. Rekognition Custom Labels предоставляет возможности искусственного интеллекта компьютерного зрения с визуальным интерфейсом для автоматического обучения и развертывания моделей с всего лишь парой сотен изображений загруженных размеченных данных.

Первым шагом было обучение модели с использованием помеченных квитанций от Prodege. Поступления были разделены на две категории: действительные и аномальные. Около сотни квитанций каждого вида были тщательно отобраны бизнес-командой Prodege, которая знала об аномалиях. Ключом к хорошей модели в Rekognition Custom Labels являются точные обучающие данные. Следующим шагом было настроить обучение модели несколькими щелчками мыши в консоли Rekognition Custom Labels. Оценка F1, которая используется для оценки точности и качества модели, составила 97%. Это побудило Prodege провести дополнительное тестирование в своей песочнице и использовать обученную модель, чтобы сделать вывод, являются ли новые квитанции действительными или имеют аномалии. Настройка вывода с Rekognition Custom Labels — это простой процесс одним щелчком мыши, который также предоставляет пример кода для настройки программного логического вывода.

Вдохновленная точностью модели, компания Prodege настроила конвейер логического вывода для пилотной партии. Конвейер запускал модель, запускал сотни квитанций по модели, сохранял результаты, а затем закрывал модель каждую неделю. Затем группа обеспечения соответствия будет оценивать квитанции, чтобы проверить их точность. Точность у пилота осталась такой же высокой, как и при начальных испытаниях. Команда Prodege также настроила конвейер для обучения новых квитанций, чтобы поддерживать и повышать точность модели.

Наконец, группа бизнес-аналитики Prodege работала с командой приложения и поддержкой со стороны аккаунта AWS и команды продукта, чтобы настроить конечную точку вывода, которая будет работать с их приложением, чтобы прогнозировать действительность загруженных квитанций в режиме реального времени и предоставлять своим пользователям наилучшие результаты. опыт поощрения потребителей в своем классе. Решение выделено на следующем рисунке. Основываясь на прогнозе и оценке достоверности от Rekognition Custom Labels, команда бизнес-аналитики Prodege применила бизнес-логику либо для обработки, либо для дополнительной проверки. Вводя человека в цикл, Prodege может отслеживать качество прогнозов и переобучать модель по мере необходимости.

Итоги

С помощью Rekognition Custom Labels компания Prodege повысила точность классификации аномальных поступлений с 70% до 99% и сэкономила 1.5 миллиона долларов США на ежегодных затратах на проверку человеком. Это позволило Prodege вознаграждать своих клиентов в 5 раз быстрее после загрузки их квитанций. Лучшая часть Rekognition Custom Labels заключалась в том, что ее было легко настроить и требовался лишь небольшой набор предварительно классифицированных изображений для обучения модели ML для обнаружения изображений с высокой степенью достоверности (примерно 200 изображений против 50,000 XNUMX, необходимых для обучения модели с нуля). ). Доступ к конечным точкам модели можно легко получить с помощью API. Пользовательские этикетки Rekognition были чрезвычайно эффективным решением для Prodege, обеспечивающим бесперебойную работу их проверенного продукта для сканирования чеков, и помогли Prodege сэкономить много времени и ресурсов при ручном обнаружении.

Заключение

Оставаться на переднем крае удовлетворенности клиентов требует постоянного внимания и инноваций, и сегодня это стратегическая цель для бизнеса. Сервисы компьютерного зрения AWS позволили Prodege оказать немедленное влияние на бизнес с помощью недорогого решения с минимальным кодом. В партнерстве с AWS Prodege продолжает внедрять инновации и оставаться на переднем крае удовлетворения потребностей клиентов. Вы можете начать сегодня с Пользовательские этикетки Rekognition и улучшить результаты вашего бизнеса.

Об авторах

Арун Гупта является директором по бизнес-аналитике ООО «Продеге». Он увлечен применением технологий машинного обучения для предоставления эффективных решений различных бизнес-задач.

Прашант Ганапати является старшим архитектором решений в сегменте малого и среднего бизнеса (SMB) в AWS. Ему нравится узнавать об сервисах AWS AI/ML и помогать клиентам добиваться результатов в бизнесе, создавая для них решения. Вне работы Прашант любит фотографировать, путешествовать и пробовать разные кухни.

Амит Гупта является архитектором решений для AI-сервисов в AWS. Он страстно желает предоставить клиентам масштабные решения для машинного обучения с хорошо продуманной архитектурой.

Ник Рамос является старшим менеджером по работе с клиентами в AWS. Он увлечен тем, что помогает клиентам решать их самые сложные бизнес-задачи, внедряя AI/ML в бизнес клиентов и помогая клиентам увеличить выручку.