Hur Prodege sparade 1.5 miljoner dollar i årliga kostnader för mänsklig granskning med lågkodad datorseende AI

Det här inlägget skrevs av Arun Gupta, chefen för Business Intelligence på Prodege, LLC.

Prodege är en datadriven marknadsförings- och konsumentinsiktsplattform som består av konsumentvarumärken – Swagbucks, MyPoints, Tada, ySense, InboxDollars, InboxPounds, DailyRewards, PollFish och Upromise – tillsammans med en kompletterande svit av affärslösningar för marknadsförare och forskare. Prodege har 120 miljoner användare och har betalat 2.1 miljarder dollar i belöningar sedan 2005. 2021 lanserade Prodege Magic Receipts, ett nytt sätt för sina användare att tjäna pengar tillbaka och lösa in presentkort, bara genom att handla i butik hos sina favoritåterförsäljare, och ladda upp ett kvitto.

Att ligga i framkant när det gäller kundnöjdhet kräver konstant fokus och innovation.

Att bygga ett datavetenskapsteam från grunden är en stor investering, men det tar tid, och ofta finns det möjligheter att skapa omedelbar affärseffekt med AWS AI-tjänster. Enligt Gartner, i slutet av 2024 kommer 75 % av företagen att övergå från pilotering till operationalisering av AI. Med räckvidden för AI och maskininlärning (ML) växande måste teamen fokusera på hur man skapar en billig och effektiv lösning som lätt kan användas av en organisation.

I det här inlägget delar vi hur Prodege förbättrade deras kundupplevelse genom att ingjuta AI och ML i sin verksamhet. Prodege ville hitta ett sätt att belöna sina kunder snabbare efter att ha laddat upp sina kvitton. De hade inte ett automatiserat sätt att visuellt inspektera kvittona för avvikelser innan de utfärdade rabatter. Eftersom mängden kvitton uppgick till tiotusentals per vecka var den manuella processen att identifiera avvikelser inte skalbar.

Med hjälp av Amazon Rekognition Custom Labels belönade Prodege sina kunder 5 gånger snabbare efter att ha laddat upp kvitton, ökade den korrekta klassificeringen av avvikande kvitton från 70 % till 99 % och sparade 1.5 miljoner USD i årliga kostnader för mänsklig granskning.

Utmaningen: Upptäcka avvikelser i kvitton snabbt och exakt i stor skala

Prodeges engagemang för kundupplevelse på toppnivå krävde en ökning av hastigheten med vilken kunder får belöningar för sin enormt populära Magic Receipts-produkt. För att göra det behövde Prodege upptäcka avvikelser i kvittot snabbare. Prodege undersökte att bygga sina egna modeller för djupinlärning med hjälp av Keras. Denna lösning var lovande på lång sikt, men kunde inte implementeras i Prodeges önskade hastighet av följande skäl:

• Krävde en stor datamängd – Prodege insåg att antalet bilder de skulle behöva för att träna modellen skulle uppgå till tiotusentals, och de skulle också behöva stor datorkraft med GPU:er för att träna modellen.
• Tidskrävande och kostsamt – Prodege hade hundratals människomärkta giltiga och onormala kvitton, och alla anomalierna var visuella. Att lägga till ytterligare märkta bilder skapade driftskostnader och kunde bara fungera under normala arbetstider.
• Krävs anpassad kod och högt underhåll – Prodege skulle behöva utveckla anpassad kod för att träna och distribuera den anpassade modellen och behålla dess livscykel.

Översikt över lösningen: Rekognition Custom Labels

Prodege arbetade med AWS-kontoteamet för att först identifiera affärsanvändningsfallet för att effektivt kunna bearbeta kvitton på ett automatiserat sätt så att deras verksamhet bara utfärdade rabatter på giltiga kvitton. Prodeges datavetenskapsteam ville ha en lösning som krävde en liten datauppsättning för att komma igång, som kunde skapa omedelbar affärseffekt och som krävde minimal kod och lågt underhåll.

Baserat på dessa indata identifierade kontoteamet Rekognition Custom Labels som en potentiell lösning för att träna en modell för att identifiera vilka kvitton som är giltiga och vilka som har avvikelser. Rekognition Custom Labels ger en datorseende AI-kapacitet med ett visuellt gränssnitt för att automatiskt träna och distribuera modeller med så få som ett par hundra bilder av uppladdade märkta data.

Det första steget var att träna en modell med hjälp av de märkta kvittonen från Prodege. Kvittona kategoriserades i två etiketter: giltiga och avvikande. Ungefär hundra kvitton av varje slag valdes noggrant ut av Prodeges affärsteam, som hade kunskap om anomalierna. Nyckeln till en bra modell i Rekognition Custom Labels är att ha korrekt träningsdata. Nästa steg var att sätta upp utbildning av modellen med några klick på Rekognition Custom Labels-konsolen. F1-poängen, som används för att mäta modellens noggrannhet och kvalitet, kom in på 97 %. Detta uppmuntrade Prodege att göra några ytterligare tester i sin sandlåda och använda den utbildade modellen för att sluta sig till om nya kvitton var giltiga eller hade avvikelser. Att ställa in slutledning med Rekognition Custom Labels är en enkel process med ett klick, och den tillhandahåller exempelkod för att ställa in programmatisk slutledning också.

Uppmuntrad av modellens noggrannhet satte Prodege upp en pilotbatch-inferenspipeline. Pipelinen skulle starta modellen, köra hundratals kvitton mot modellen, lagra resultaten och sedan stänga av modellen varje vecka. Efterlevnadsteamet skulle sedan utvärdera kvittonen för att kontrollera om de är riktiga. Noggrannheten förblev lika hög för piloten som den var under den första testningen. Prodege-teamet satte också upp en pipeline för att träna nya kvitton för att bibehålla och förbättra modellens noggrannhet.

Slutligen arbetade Prodege Business Intelligence-teamet med applikationsteamet och support från AWS-kontot och produktteamet för att skapa en slutpunkt som skulle fungera med deras applikation för att förutsäga giltigheten av uppladdade kvitton i realtid och ge sina användare en bästa- upplevelse av konsumentbelöningar i klass. Lösningen markeras i följande figur. Baserat på förutsägelse- och konfidenspoängen från Rekognition Custom Labels, tillämpade Prodege Business Intelligence-teamet affärslogik för att antingen få det bearbetat eller gå igenom ytterligare granskning. Genom att introducera en människa i slingan kan Prodege övervaka kvaliteten på förutsägelserna och träna om modellen efter behov.

Resultat

Med Rekognition Custom Labels ökade Prodege den korrekta klassificeringen av onormala kvitton från 70 % till 99 % och sparade 1.5 miljoner USD i årliga kostnader för mänsklig granskning. Detta gjorde att Prodege kunde belöna sina kunder 5 gånger snabbare efter att ha laddat upp sina kvitton. Det bästa med Rekognition Custom Labels var att det var lätt att ställa in och krävde bara en liten uppsättning förklassificerade bilder för att träna ML-modellen för högsäkerhetsbilddetektering (ungefär 200 bilder mot 50,000 XNUMX som krävs för att träna en modell från början ). Modellens slutpunkter kunde lätt nås med hjälp av API:et. Rekognition Custom Labels har varit en extremt effektiv lösning för Prodege för att möjliggöra smidig funktion av deras validerade kvittoskanningsprodukt, och hjälpt Prodege att spara mycket tid och resurser genom att utföra manuell detektering.

Slutsats

Att ligga i framkant när det gäller kundnöjdhet kräver konstant fokus och innovation, och är ett strategiskt mål för företag idag. AWS datorsynstjänster gjorde det möjligt för Prodege att skapa omedelbar affärseffekt med en låg kostnad och låg kodlösning. Tillsammans med AWS fortsätter Prodege att förnya sig och förbli i framkant när det gäller kundnöjdhet. Du kan börja idag med Anpassade etiketter för erkännande och förbättra dina affärsresultat.

Om författarna

Arun Gupta är direktör för Business Intelligence på Prodege LLC. Han brinner för att tillämpa maskininlärningsteknik för att tillhandahålla effektiva lösningar på olika affärsproblem.

Prashanth Ganapathy är Senior Solutions Architect inom Small Medium Business (SMB) segmentet på AWS. Han tycker om att lära sig om AWS AI/ML-tjänster och hjälpa kunder att möta sina affärsresultat genom att bygga lösningar för dem. Utanför jobbet tycker Prashanth om att fotografera, resa och prova olika kök.

Amit Gupta är AI Services Solutions Architect på AWS. Han brinner för att möjliggöra för kunder med välarkitekterade maskininlärningslösningar i stor skala.

Nick Ramos är Senior Account Manager med AWS. Han brinner för att hjälpa kunder att lösa sina mest komplexa affärsutmaningar, ingjuta AI/ML i kundernas verksamheter och hjälpa kunder att öka omsättningen.