Prodege ช่วยประหยัดค่าใช้จ่ายในการตรวจสอบโดยเจ้าหน้าที่ประจำปีได้ 1.5 ล้านเหรียญโดยใช้คอมพิวเตอร์วิทัศน์ AI ที่มีโค้ดต่ำ

โพสต์นี้เขียนร่วมโดย Arun Gupta ผู้อำนวยการ Business Intelligence ที่ Prodege, LLC

Prodege เป็นแพลตฟอร์มการตลาดที่ขับเคลื่อนด้วยข้อมูลและข้อมูลเชิงลึกของผู้บริโภคที่ประกอบด้วยแบรนด์ผู้บริโภค เช่น Swagbucks, MyPoints, Tada, ySense, InboxDollars, InboxPounds, DailyRewards, PollFish และ Upromise พร้อมด้วยชุดโซลูชันธุรกิจเสริมสำหรับนักการตลาดและนักวิจัย Prodege มีผู้ใช้ 120 ล้านคนและได้จ่ายรางวัลไปแล้ว 2.1 พันล้านดอลลาร์ตั้งแต่ปี 2005 ในปี 2021 Prodege ได้เปิดตัว Magic Receipts ซึ่งเป็นวิธีใหม่สำหรับผู้ใช้ในการรับเงินคืนและแลกบัตรของขวัญ เพียงแค่ซื้อของในร้านค้าจากร้านค้าปลีกที่พวกเขาชื่นชอบ และ กำลังอัปโหลดใบเสร็จ

การรักษาความพึงพอใจของลูกค้าให้คงอยู่นั้นต้องอาศัยความใส่ใจและนวัตกรรมอย่างต่อเนื่อง

การสร้างทีมวิทยาศาสตร์ข้อมูลตั้งแต่เริ่มต้นเป็นการลงทุนที่ยอดเยี่ยม แต่ต้องใช้เวลา และมักจะมีโอกาสสร้างผลกระทบทางธุรกิจในทันทีด้วยบริการ AWS AI ตาม Gartnerภายในสิ้นปี 2024 75% ขององค์กรจะเปลี่ยนจากการนำร่องเป็นการดำเนินการ AI ด้วยการเข้าถึงของ AI และแมชชีนเลิร์นนิง (ML) ที่เพิ่มมากขึ้น ทีมจำเป็นต้องมุ่งเน้นไปที่วิธีสร้างโซลูชันที่มีต้นทุนต่ำและมีผลกระทบสูงที่องค์กรสามารถนำไปใช้ได้อย่างง่ายดาย

ในโพสต์นี้ เราจะแชร์วิธีที่ Prodege ปรับปรุงประสบการณ์ของลูกค้าโดยผสมผสาน AI และ ML เข้ากับธุรกิจ Prodege ต้องการหาวิธีให้รางวัลแก่ลูกค้าเร็วขึ้นหลังจากอัปโหลดใบเสร็จ พวกเขาไม่มีวิธีอัตโนมัติในการตรวจสอบใบเสร็จเพื่อหาความผิดปกติก่อนที่จะออกเงินคืน เนื่องจากปริมาณการรับสินค้ามีจำนวนหลายหมื่นต่อสัปดาห์ กระบวนการระบุความผิดปกติด้วยตนเองจึงไม่สามารถปรับขนาดได้

เมื่อใช้ Amazon Rekognition Custom Labels Prodege ให้รางวัลแก่ลูกค้าเร็วขึ้น 5 เท่าหลังจากอัปโหลดใบเสร็จ เพิ่มการจัดประเภทใบเสร็จที่ผิดปกติจาก 70% เป็น 99% และประหยัดค่าใช้จ่ายในการตรวจสอบโดยเจ้าหน้าที่ประจำปีได้ 1.5 ล้านดอลลาร์

ความท้าทาย: การตรวจจับความผิดปกติในใบเสร็จได้อย่างรวดเร็วและแม่นยำในระดับ

ความมุ่งมั่นของ Prodege ต่อประสบการณ์ลูกค้าระดับบนนั้นจำเป็นต้องเพิ่มความเร็วที่ลูกค้าจะได้รับรางวัลสำหรับผลิตภัณฑ์ Magic Receipts ที่ได้รับความนิยมอย่างล้นหลาม ในการทำเช่นนั้น Prodege จำเป็นต้องตรวจจับความผิดปกติในการรับได้เร็วขึ้น Prodege สำรวจการสร้างแบบจำลองการเรียนรู้เชิงลึกของตนเองโดยใช้ Keras โซลูชันนี้มีแนวโน้มที่ดีในระยะยาว แต่ไม่สามารถใช้งานได้ตามความเร็วที่ต้องการของ Prodege ด้วยเหตุผลดังต่อไปนี้:

• ต้องการชุดข้อมูลขนาดใหญ่ – Prodege ตระหนักว่าจำนวนภาพที่พวกเขาต้องการสำหรับการฝึกโมเดลนั้นน่าจะอยู่ที่หลักหมื่น และพวกเขายังต้องการพลังประมวลผลที่หนักหน่วงด้วย GPU เพื่อฝึกโมเดลอีกด้วย
• เสียเวลาและค่าใช้จ่าย – Prodege มีใบเสร็จรับเงินที่ไม่ถูกต้องและผิดปกติหลายร้อยใบที่กำกับโดยมนุษย์ และความผิดปกติทั้งหมดนั้นมองเห็นได้ การเพิ่มรูปภาพที่มีป้ายกำกับเพิ่มเติมทำให้เกิดค่าใช้จ่ายในการดำเนินงานและสามารถทำงานได้เฉพาะในช่วงเวลาทำการปกติเท่านั้น
• รหัสที่กำหนดเองที่จำเป็นและการบำรุงรักษาสูง – Prodege จะต้องพัฒนาโค้ดแบบกำหนดเองเพื่อฝึกและปรับใช้โมเดลแบบกำหนดเองและบำรุงรักษาวงจรชีวิต

ภาพรวมของโซลูชัน: Rekognition Custom Labels

Prodege ทำงานร่วมกับทีมบัญชี AWS เพื่อระบุกรณีการใช้งานทางธุรกิจก่อนเพื่อให้สามารถประมวลผลใบเสร็จด้วยวิธีอัตโนมัติได้อย่างมีประสิทธิภาพ เพื่อให้ธุรกิจของพวกเขาออกเงินคืนเฉพาะใบเสร็จที่ถูกต้องเท่านั้น ทีมวิทยาศาสตร์ข้อมูล Prodege ต้องการโซลูชันที่ต้องใช้ชุดข้อมูลขนาดเล็กในการเริ่มต้น สามารถสร้างผลกระทบต่อธุรกิจได้ทันที และต้องใช้โค้ดเพียงเล็กน้อยและการบำรุงรักษาต่ำ

จากข้อมูลเหล่านี้ ทีมบัญชีระบุ Rekognition Custom Labels ว่าเป็นโซลูชันที่มีศักยภาพในการฝึกอบรมแบบจำลองเพื่อระบุว่าใบเสร็จใดถูกต้องและใบใดมีความผิดปกติ Rekognition Custom Labels มอบความสามารถ AI ของคอมพิวเตอร์วิทัศน์ด้วยอินเทอร์เฟซแบบภาพเพื่อฝึกและปรับใช้โมเดลโดยอัตโนมัติด้วยข้อมูลภาพที่ติดป้ายกำกับที่อัปโหลดเพียงไม่กี่ร้อยภาพ

ขั้นตอนแรกคือการฝึกโมเดลโดยใช้ใบเสร็จที่มีป้ายกำกับจาก Prodege ใบเสร็จรับเงินถูกแบ่งออกเป็นสองป้ายกำกับ: ถูกต้องและผิดปกติ ใบเสร็จแต่ละประเภทประมาณร้อยใบได้รับการคัดเลือกมาอย่างดีโดยทีมธุรกิจของ Prodege ซึ่งมีความรู้เกี่ยวกับความผิดปกติ กุญแจสู่โมเดลที่ดีใน Rekognition Custom Labels คือการมีข้อมูลการฝึกที่ถูกต้อง ขั้นตอนต่อไปคือการตั้งค่า การฝึกอบรมแบบจำลอง ด้วยการคลิกไม่กี่ครั้งบนคอนโซล Rekognition Custom Labels คะแนน F1 ซึ่งใช้เพื่อวัดความแม่นยำและคุณภาพของโมเดล อยู่ที่ 97% สิ่งนี้สนับสนุนให้ Prodege ทำการทดสอบเพิ่มเติมในแซนด์บ็อกซ์และใช้แบบจำลองที่ได้รับการฝึกอบรมเพื่ออนุมานว่าใบเสร็จใหม่ถูกต้องหรือมีความผิดปกติหรือไม่ การตั้งค่าการอนุมาน ด้วย Rekognition Custom Labels เป็นขั้นตอนง่ายๆ ในคลิกเดียว และยังมีโค้ดตัวอย่างสำหรับตั้งค่าการอนุมานแบบเป็นโปรแกรมอีกด้วย

ด้วยความแม่นยำของโมเดล Prodege จึงสร้างไปป์ไลน์การอนุมานชุดนำร่อง ไปป์ไลน์จะเริ่มต้นโมเดล เรียกใช้ใบเสร็จรับเงินหลายร้อยรายการเทียบกับโมเดล จัดเก็บผลลัพธ์ แล้วปิดโมเดลทุกสัปดาห์ จากนั้นทีมกำกับดูแลจะประเมินใบเสร็จรับเงินเพื่อตรวจสอบความถูกต้อง ความแม่นยำยังคงสูงสำหรับนักบินเช่นเดียวกับในระหว่างการทดสอบครั้งแรก ทีมงานของ Prodege ยังได้ตั้งค่าไปป์ไลน์เพื่อฝึกใบเสร็จรับเงินใหม่ เพื่อรักษาและปรับปรุงความแม่นยำของแบบจำลอง

สุดท้าย ทีมข่าวกรองธุรกิจ Prodege ทำงานร่วมกับทีมแอปพลิเคชันและการสนับสนุนจากบัญชี AWS และทีมผลิตภัณฑ์เพื่อตั้งค่าปลายทางการอนุมานที่จะทำงานร่วมกับแอปพลิเคชันของพวกเขาเพื่อคาดการณ์ความถูกต้องของใบเสร็จที่อัปโหลดในแบบเรียลไทม์และมอบสิ่งที่ดีที่สุดแก่ผู้ใช้ ประสบการณ์การตอบแทนผู้บริโภคในระดับเดียวกัน วิธีแก้ปัญหาถูกเน้นในรูปต่อไปนี้ ตามการคาดการณ์และคะแนนความเชื่อมั่นจาก Rekognition Custom Labels ทีมข่าวกรองธุรกิจของ Prodege ใช้ตรรกะทางธุรกิจเพื่อประมวลผลหรือผ่านการตรวจสอบเพิ่มเติม ด้วยการแนะนำมนุษย์ในวง Prodege สามารถตรวจสอบคุณภาพของการคาดคะเนและฝึกแบบจำลองใหม่ได้ตามต้องการ

ผลสอบ

ด้วย Rekognition Custom Labels Prodege ได้เพิ่มการจำแนกประเภทใบเสร็จรับเงินที่ผิดปกติอย่างถูกต้องจาก 70% เป็น 99% และช่วยประหยัดค่าใช้จ่ายในการตรวจสอบโดยเจ้าหน้าที่ประจำปีได้ 1.5 ล้านดอลลาร์ สิ่งนี้ทำให้ Prodege ให้รางวัลแก่ลูกค้าเร็วขึ้น 5 เท่าหลังจากอัปโหลดใบเสร็จ ส่วนที่ดีที่สุดของ Rekognition Custom Labels คือตั้งค่าได้ง่ายและต้องการเพียงชุดเล็กๆ ของภาพที่จัดประเภทไว้ล่วงหน้าเพื่อฝึกโมเดล ML สำหรับการตรวจจับภาพที่มีความมั่นใจสูง (ต้องใช้ภาพประมาณ 200 ภาพ เทียบกับ 50,000 ภาพในการฝึกโมเดลตั้งแต่เริ่มต้น ). ปลายทางของโมเดลสามารถเข้าถึงได้ง่ายโดยใช้ API Rekognition Custom Labels เป็นโซลูชันที่มีประสิทธิภาพสูงสุดสำหรับ Prodege เพื่อให้ผลิตภัณฑ์สแกนใบเสร็จที่ผ่านการตรวจสอบความถูกต้องทำงานได้อย่างราบรื่น และช่วยให้ Prodege ประหยัดเวลาและทรัพยากรในการตรวจจับด้วยตนเองได้มาก

สรุป

การคงไว้ซึ่งความพึงพอใจของลูกค้าในระดับแนวหน้าจำเป็นต้องมุ่งเน้นอย่างต่อเนื่องและสร้างสรรค์สิ่งใหม่ ๆ และเป็นเป้าหมายเชิงกลยุทธ์สำหรับธุรกิจในปัจจุบัน บริการการมองเห็นด้วยคอมพิวเตอร์ของ AWS ช่วยให้ Prodege สร้างผลกระทบทางธุรกิจได้ทันทีด้วยโซลูชันต้นทุนต่ำและรหัสต่ำ ด้วยความร่วมมือกับ AWS ทำให้ Prodege สร้างสรรค์นวัตกรรมอย่างต่อเนื่องและคงไว้ซึ่งความพึงพอใจของลูกค้าในระดับแนวหน้า คุณสามารถเริ่มต้นวันนี้ด้วย การรับรู้ฉลากที่กำหนดเอง และปรับปรุงผลลัพธ์ทางธุรกิจของคุณ

เกี่ยวกับผู้เขียน

อรุณคุปต์ เป็นผู้อำนวยการฝ่ายข่าวกรองธุรกิจที่ Prodege LLC เขาหลงใหลในการใช้เทคโนโลยีการเรียนรู้ของเครื่องเพื่อมอบโซลูชันที่มีประสิทธิภาพสำหรับปัญหาทางธุรกิจที่หลากหลาย

ปราศันถ์ คณาพาตี เป็นสถาปนิกโซลูชันอาวุโสในกลุ่มธุรกิจขนาดกลางขนาดเล็ก (SMB) ที่ AWS เขาสนุกกับการเรียนรู้เกี่ยวกับบริการ AWS AI/ML และช่วยให้ลูกค้าบรรลุผลลัพธ์ทางธุรกิจด้วยการสร้างโซลูชันสำหรับพวกเขา นอกเวลางาน Prashanth ชอบถ่ายรูป ท่องเที่ยว และลองชิมอาหารประเภทต่างๆ

Amit Gupta เป็นสถาปนิกโซลูชันบริการ AI ที่ AWS เขาหลงใหลในการช่วยให้ลูกค้าได้รับโซลูชันแมชชีนเลิร์นนิงที่มีสถาปัตยกรรมที่ดีในวงกว้าง

Nick รามอส เป็นผู้จัดการบัญชีอาวุโสของ AWS เขาหลงใหลในการช่วยลูกค้าแก้ปัญหาท้าทายทางธุรกิจที่ซับซ้อนที่สุด ผสมผสาน AI/ML เข้ากับธุรกิจของลูกค้า และช่วยให้ลูกค้าเพิ่มรายได้ในระดับสูงสุด