Kako je Prodege prihranil 1.5 milijona dolarjev letnih stroškov človeškega pregleda z uporabo umetne inteligence računalniškega vida z nizko kodo

Soavtor te objave je Arun Gupta, direktor poslovne inteligence pri Prodege, LLC.

Prodege je platforma za trženje in vpoglede potrošnikov, ki temelji na podatkih, sestavljena iz potrošniških blagovnih znamk – Swagbucks, MyPoints, Tada, ySense, InboxDollars, InboxPounds, DailyRewards, PollFish in Upromise – skupaj s komplementarnim naborom poslovnih rešitev za tržnike in raziskovalce. Prodege ima 120 milijonov uporabnikov in je od leta 2.1 izplačal 2005 milijarde dolarjev nagrad. Leta 2021 je Prodege lansiral Magic Receipts, nov način za svoje uporabnike, da zaslužijo denar nazaj in unovčijo darilne kartice, samo z nakupovanjem v trgovini pri svojih najljubših prodajalcih in nalaganje potrdila.

Ostati na samem vrhu zadovoljstva strank zahteva stalno osredotočenost in inovativnost.

Izgradnja ekipe za podatkovno znanost iz nič je odlična naložba, vendar zahteva čas in pogosto obstajajo priložnosti za ustvarjanje takojšnjega poslovnega vpliva s storitvami umetne inteligence AWS. Po navedbah Gartner, bo do konca leta 2024 75 % podjetij prešlo s pilotiranja na operacionalizacijo umetne inteligence. Ker doseg umetne inteligence in strojnega učenja (ML) narašča, se morajo ekipe osredotočiti na to, kako ustvariti poceni rešitev z velikim vplivom, ki jo lahko organizacija zlahka sprejme.

V tej objavi delimo, kako je Prodege izboljšal svojo uporabniško izkušnjo z vključitvijo AI in ML v svoje poslovanje. Prodege je želel najti način, kako hitreje nagraditi svoje stranke po nalaganju njihovih računov. Niso imeli avtomatiziranega načina za vizualni pregled računov glede nepravilnosti, preden so izdali rabate. Ker je obseg prejemkov znašal več deset tisoč na teden, ročnega postopka ugotavljanja nepravilnosti ni bilo mogoče prilagoditi.

Z uporabo oznak po meri Amazon Rekognition je Prodege 5-krat hitreje nagradil svoje stranke po nalaganju računov, povečal pravilno razvrstitev nepravilnih računov s 70 % na 99 % in prihranil 1.5 milijona USD pri letnih stroških človeškega pregleda.

Izziv: Hitro in natančno odkrivanje anomalij v potrdilih v velikem obsegu

Zaveza Prodege vrhunski izkušnji strank je zahtevala povečanje hitrosti, s katero stranke prejmejo nagrade za zelo priljubljen izdelek Magic Receipts. Za to je moral Prodege hitreje zaznati nepravilnosti pri prejemu. Prodege je raziskoval gradnjo lastnih modelov globokega učenja z uporabo Kerasa. Ta rešitev je bila dolgoročno obetavna, vendar je ni bilo mogoče izvesti z želeno hitrostjo Prodege iz naslednjih razlogov:

• Potreben je velik nabor podatkov – Prodege je ugotovil, da bi bilo število slik, ki bi jih potrebovali za usposabljanje modela, v desettisočih, za usposabljanje modela pa bi potrebovali tudi veliko računalniško moč z grafičnimi procesorji.
• Potratno in drago – Prodege je imel na stotine človeško označenih veljavnih in nenormalnih računov in vse anomalije so bile vizualne. Dodajanje dodatnih označenih slik je povzročilo operativne stroške in je lahko delovalo samo med običajnim delovnim časom.
• Zahtevana koda po meri in visoko vzdrževanje – Prodege bi moral razviti kodo po meri za usposabljanje in uvajanje modela po meri ter vzdrževanje njegovega življenjskega cikla.

Pregled rešitve: Rekognition Custom Labels

Prodege je sodeloval z ekipo za račune AWS, da bi najprej identificirali primer poslovne uporabe, da bi lahko učinkovito obdelali prejemke na avtomatiziran način, tako da je njihovo podjetje izdajalo rabate le veljavnim prejemkom. Ekipa Prodege za podatkovno znanost je želela rešitev, ki bi za začetek zahtevala majhen nabor podatkov, lahko ustvarila takojšen poslovni učinek in zahtevala minimalno kodo in malo vzdrževanja.

Na podlagi teh vnosov je skupina za račun prepoznala Rekognition Custom Labels kot potencialno rešitev za usposabljanje modela za prepoznavanje, kateri računi so veljavni in kateri imajo nepravilnosti. Rekognition Custom Labels zagotavlja zmogljivost umetne inteligence računalniškega vida z vizualnim vmesnikom za samodejno usposabljanje in uvajanje modelov s samo nekaj sto slikami naloženih označenih podatkov.

Prvi korak je bil usposabljanje modela z uporabo označenih računov Prodege. Računi so bili razvrščeni v dve oznaki: veljavni in nepravilni. Približno sto računov vsake vrste je skrbno izbrala poslovna ekipa Prodege, ki je poznala anomalije. Ključ do dobrega modela v Rekognition Custom Labels so natančni podatki o usposabljanju. Naslednji korak je bila postavitev usposabljanje modela z nekaj kliki na konzoli Rekognition Custom Labels. Rezultat F1, ki se uporablja za merjenje natančnosti in kakovosti modela, je dosegel 97 %. To je spodbudilo Prodege, da izvede nekaj dodatnih testiranj v svojem peskovniku in uporabi usposobljen model za sklepanje, ali so novi računi veljavni ali imajo nepravilnosti. Nastavitev sklepanja z Rekognition Custom Labels je enostaven postopek z enim klikom in ponuja vzorčno kodo tudi za nastavitev programskega sklepanja.

Opogumljen z natančnostjo modela, je Prodege vzpostavil cevovod sklepanja pilotne serije. Cevovod bi zagnal model, zagnal na stotine potrdil o modelu, shranil rezultate in nato vsak teden zaustavil model. Skupina za skladnost bi nato ovrednotila potrdila in preverila točnost. Natančnost je ostala tako visoka za pilota, kot je bila med začetnim testiranjem. Ekipa Prodege je vzpostavila tudi cevovod za usposabljanje novih potrdil, da bi ohranili in izboljšali natančnost modela.

Nazadnje je skupina za poslovno obveščanje Prodege sodelovala z ekipo za aplikacije in podporo iz računa AWS in skupine za izdelke, da bi vzpostavila končno točko sklepanja, ki bi delovala z njihovo aplikacijo za napovedovanje veljavnosti naloženih potrdil v realnem času in svojim uporabnikom zagotovila najboljšo izkušnjo nagrajevanja potrošnikov v svojem razredu. Rešitev je označena na naslednji sliki. Na podlagi napovedi in ocene zaupanja iz Rekognition Custom Labels je skupina za poslovno obveščanje Prodege uporabila poslovno logiko, da je bodisi obdelala ali šla skozi dodatni pregled. Z vključitvijo človeka v zanko lahko Prodege spremlja kakovost napovedi in po potrebi ponovno usposobi model.

Rezultati

Z Rekognition Custom Labels je Prodege povečal pravilno klasifikacijo nepravilnih prejemkov s 70 % na 99 % in prihranil 1.5 milijona USD pri letnih stroških človeškega pregleda. To je podjetju Prodege omogočilo, da je 5-krat hitreje nagradil svoje stranke po nalaganju njihovih računov. Najboljši del oznak po meri Rekognition je bil, da jih je bilo enostavno nastaviti in je zahteval le majhen nabor vnaprej razvrščenih slik za usposabljanje modela ML za visoko zanesljivo zaznavanje slik (približno 200 slik v primerjavi s 50,000 potrebnimi za usposabljanje modela iz nič). ). Do končnih točk modela je mogoče zlahka dostopati z uporabo API-ja. Rekognition Custom Labels je bila izjemno učinkovita rešitev za Prodege, ki je omogočila nemoteno delovanje njihovega potrjenega izdelka za skeniranje računov in je Prodegeju pomagala prihraniti veliko časa in sredstev pri ročnem zaznavanju.

zaključek

Ostati na samem vrhu zadovoljstva strank zahteva stalno osredotočenost in inovativnost, kar je strateški cilj današnjih podjetij. Storitve računalniškega vida AWS so podjetju Prodege omogočile takojšen poslovni učinek z nizkocenovno rešitvijo z nizko kodo. V partnerstvu z AWS Prodege še naprej uvaja inovacije in ostaja na samem vrhu zadovoljstva strank. Že danes lahko začnete z Prepoznavanje nalepk po meri in izboljšajte svoje poslovne rezultate.

O avtorjih

Arun Gupta je direktor poslovne inteligence pri Prodege LLC. Navdušen je nad uporabo tehnologij strojnega učenja za zagotavljanje učinkovitih rešitev za različne poslovne težave.

Prashanth Ganapathy je višji arhitekt rešitev v segmentu malih srednje velikih podjetij (SMB) pri AWS. Uživa v spoznavanju storitev AWS AI/ML in pomaga strankam pri doseganju njihovih poslovnih rezultatov z ustvarjanjem rešitev zanje. Zunaj dela Prashanth uživa v fotografiji, potovanjih in preizkušanju različnih kuhinj.

Amit Gupta je arhitekt AI Services Solutions pri AWS. Navdušen je nad tem, da strankam omogoča dobro zasnovane rešitve strojnega učenja.

Nick Ramos je višji vodja računa pri AWS. Strastno želi pomagati strankam pri reševanju njihovih najbolj zapletenih poslovnih izzivov, vnesti umetno inteligenco/ML v podjetja strank in pomagati strankam povečati vrhunski prihodek.