Prodege, düşük kodlu bilgisayar vizyonu yapay zekasını kullanarak yıllık insan inceleme maliyetlerinde nasıl 1.5 milyon dolar tasarruf etti?

Bu gönderi, Prodege, LLC'de İş Zekası Direktörü Arun Gupta tarafından yazılmıştır.

Prodege, tüketici markalarından (Swagbucks, MyPoints, Tada, ySense, InboxDollars, InboxPounds, DailyRewards, PollFish ve Upromise) ve pazarlamacılar ve araştırmacılar için tamamlayıcı bir iş çözümleri paketinden oluşan veri odaklı bir pazarlama ve tüketici içgörü platformudur. Prodege'in 120 milyon kullanıcısı var ve 2.1'ten beri ödül olarak 2005 milyar dolar ödedi. Prodege, 2021'de, kullanıcılarının sadece en sevdikleri perakendecilerden mağaza içinde alışveriş yaparak nakit para kazanmalarının ve hediye kartlarını kullanmalarının yeni bir yolu olan Magic Receipts'i piyasaya sürdü. makbuz yükleniyor.

Müşteri memnuniyetinin en ileri noktasında kalmak, sürekli odaklanma ve yenilik gerektirir.

Sıfırdan bir veri bilimi ekibi oluşturmak büyük bir yatırımdır, ancak zaman alır ve genellikle AWS AI hizmetleriyle anında iş etkisi yaratma fırsatları vardır. Göre Gartner2024'ün sonuna kadar işletmelerin %75'i pilot uygulamadan yapay zekayı operasyonelleştirmeye geçecek. Yapay zeka ve makine öğreniminin (ML) erişiminin artmasıyla ekiplerin, bir kuruluş tarafından kolayca benimsenebilecek düşük maliyetli, yüksek etkili bir çözümün nasıl oluşturulacağına odaklanması gerekiyor.

Bu gönderide, Prodege'in işine yapay zeka ve makine öğrenimi ekleyerek müşteri deneyimini nasıl iyileştirdiğini paylaşıyoruz. Prodege, makbuzlarını yükledikten sonra müşterilerini daha hızlı ödüllendirmenin bir yolunu bulmak istedi. İndirimleri vermeden önce makbuzları anormalliklere karşı görsel olarak incelemek için otomatik bir yöntemleri yoktu. Makbuz hacmi haftada on binlerce olduğundan, anormallikleri manuel olarak belirleme süreci ölçeklenebilir değildi.

Prodege, Amazon Rekognition Özel Etiketlerini kullanarak müşterilerini makbuzları yükledikten sonra 5 kat daha hızlı ödüllendirdi, anormal makbuzların doğru sınıflandırmasını %70'ten %99'a çıkardı ve yıllık insan inceleme maliyetlerinden 1.5 milyon dolar tasarruf etti.

Zorluk: Makbuzlardaki anormallikleri geniş ölçekte hızlı ve doğru bir şekilde tespit etmek

Prodege'in üst düzey müşteri deneyimi taahhüdü, müşterilerin çok popüler olan Magic Receipts ürünü için ödül alma hızlarında bir artış gerektirdi. Bunu yapmak için Prodege'in makbuz anormalliklerini daha hızlı algılaması gerekiyordu. Prodege, Keras'ı kullanarak kendi derin öğrenme modellerini oluşturmayı araştırdı. Bu çözüm uzun vadede umut vericiydi, ancak aşağıdaki nedenlerden dolayı Prodege'in istediği hızda uygulanamadı:

• Büyük bir veri kümesi gerekli – Prodege, modeli eğitmek için ihtiyaç duyacakları görüntü sayısının on binlerce olacağını ve ayrıca modeli eğitmek için GPU'larla yoğun bilgi işlem gücüne ihtiyaç duyacaklarını fark etti.
• Zaman alıcı ve maliyetli – Prodege'in yüzlerce insan tarafından etiketlenmiş geçerli ve anormal makbuzu vardı ve anormalliklerin tamamı görseldi. Ek etiketli görüntülerin eklenmesi işletme giderlerine yol açtı ve yalnızca normal çalışma saatleri içinde çalışabiliyordu.
• Gerekli özel kod ve yüksek bakım – Prodege, özel modeli eğitmek, dağıtmak ve yaşam döngüsünü sürdürmek için özel kod geliştirmek zorunda kalacaktı.

Çözüme genel bakış: Özel Etiketleri Tanıma

Prodege, AWS hesap ekibiyle birlikte çalışarak ilk olarak, işletmelerin yalnızca geçerli makbuzlara indirim yapması için makbuzları otomatik bir şekilde verimli bir şekilde işleyebilme şeklindeki iş kullanım durumunu belirledi. Prodege veri bilimi ekibi, başlamak için küçük bir veri kümesi gerektiren, anında iş etkisi yaratabilen ve minimum kod ve az bakım gerektiren bir çözüm istiyordu.

Hesap ekibi, bu girdilere dayanarak Rekognition Özel Etiketlerini, hangi fişlerin geçerli olduğunu ve hangilerinin anormalliklere sahip olduğunu belirlemeye yönelik bir model eğitmek için potansiyel bir çözüm olarak belirledi. Rekognition Özel Etiketleri, yüklenen etiketli verilerin birkaç yüz kadar az görüntüsüyle modelleri otomatik olarak eğitmek ve dağıtmak için görsel bir arabirime sahip bir bilgisayarla görme yapay zekası yeteneği sağlar.

İlk adım, Prodege'den alınan etiketli makbuzları kullanarak bir model eğitmekti. Makbuzlar iki etikete ayrıldı: geçerli ve anormal. Her türden yaklaşık yüz makbuz, anormallikler hakkında bilgi sahibi olan Prodege iş ekibi tarafından dikkatlice seçildi. Tanıma Özel Etiketlerinde iyi bir modelin anahtarı, doğru eğitim verilerine sahip olmaktır. Bir sonraki adım kurmaktı model eğitimi Rekognition Özel Etiketler konsolunda birkaç tıklama ile. Modelin doğruluğunu ve kalitesini ölçmek için kullanılan F1 puanı %97 olarak geldi. Bu, Prodege'i korumalı alanlarında bazı ek testler yapmaya ve yeni makbuzların geçerli olup olmadığını veya anormallikler içerip içermediğini anlamak için eğitilmiş modeli kullanmaya teşvik etti. çıkarım ayarlama Rekognition Özel Etiketler ile tek tıklamayla kolay bir işlemdir ve aynı zamanda programatik çıkarım ayarlamak için örnek kod sağlar.

Modelin doğruluğundan cesaret alan Prodege, bir pilot toplu çıkarım işlem hattı kurdu. Ardışık düzen modeli başlatır, modele karşı yüzlerce giriş çalıştırır, sonuçları depolar ve ardından her hafta modeli kapatır. Uyumluluk ekibi daha sonra doğruluğu kontrol etmek için makbuzları değerlendirecektir. Doğruluk, pilot için ilk test sırasında olduğu kadar yüksek kaldı. Prodege ekibi ayrıca, modelin doğruluğunu korumak ve iyileştirmek amacıyla yeni girişleri eğitmek için bir ardışık düzen kurdu.

Son olarak, Prodege iş zekası ekibi, uygulama ekibiyle ve AWS hesabı ve ürün ekibinin desteğiyle çalışarak, yüklenen makbuzların geçerliliğini gerçek zamanlı olarak tahmin etmek ve kullanıcılarına en iyi sınıf içi tüketici deneyimi ödüllendirir. Çözüm, aşağıdaki şekilde vurgulanmıştır. Prodege iş zekası ekibi, Rekognition Custom Labels'tan alınan tahmin ve güven puanına dayanarak, iş mantığını uygulayarak ya işleme koydurdu ya da ek incelemeye tabi tuttu. Prodege, döngüye bir insanı dahil ederek tahminlerin kalitesini izleyebilir ve gerektiğinde modeli yeniden eğitebilir.

Sonuçlar

Rekognition Özel Etiketleri ile Prodege, anormal makbuzların doğru sınıflandırmasını %70'ten %99'a çıkardı ve yıllık insan inceleme maliyetlerinde 1.5 milyon dolar tasarruf sağladı. Bu, Prodege'in müşterilerini makbuzlarını yükledikten sonra 5 kat daha hızlı ödüllendirmesini sağladı. Rekognition Özel Etiketlerinin en iyi yanı, kurulumunun kolay olması ve makine öğrenimi modelini yüksek güvenilirlikte görüntü algılama için eğitmek için yalnızca küçük bir önceden sınıflandırılmış görüntü kümesi gerektirmesiydi (bir modeli sıfırdan eğitmek için yaklaşık 200 görüntü ve 50,000 görüntü gerekir) ). Modelin uç noktalarına API kullanılarak kolayca erişilebilir. Rekognition Özel Etiketleri, doğrulanmış fiş tarama ürününün sorunsuz çalışmasını sağlamak için Prodege için son derece etkili bir çözüm oldu ve Prodege'in manuel algılama gerçekleştirerek çok fazla zaman ve kaynak tasarrufu sağlamasına yardımcı oldu.

Sonuç

Müşteri memnuniyetinin en ileri noktasında kalmak, sürekli odaklanma ve yenilik gerektirir ve günümüzde işletmeler için stratejik bir hedeftir. AWS bilgisayar görüşü hizmetleri, Prodege'in düşük maliyetli ve düşük kodlu bir çözümle anında iş etkisi yaratmasına olanak sağladı. AWS ile ortaklaşa çalışan Prodege, yenilik yapmaya ve müşteri memnuniyetinin en ileri noktasında kalmaya devam ediyor. ile bugün başlayabilirsiniz Tanıma Özel Etiketleri ve iş sonuçlarınızı iyileştirin.

Yazarlar Hakkında

Arun Gupta Prodege LLC'de İş Zekası Direktörüdür. Çeşitli iş sorunlarına etkili çözümler sağlamak için Makine Öğrenimi teknolojilerini uygulama konusunda tutkulu.

Prashanth Ganapati AWS'de Küçük ve Orta Ölçekli İşletme (KOBİ) segmentinde Kıdemli Çözüm Mimarıdır. AWS AI/ML hizmetleri hakkında bilgi edinmekten ve müşteriler için çözümler geliştirerek iş sonuçlarına ulaşmalarına yardımcı olmaktan keyif alıyor. İş dışında Prashanth fotoğraf çekmekten, seyahat etmekten ve farklı mutfakları denemekten hoşlanıyor.

Amit Gupta AWS'de Yapay Zeka Hizmetleri Çözümleri Mimarıdır. Müşterilere geniş ölçekte iyi tasarlanmış makine öğrenimi çözümleri sunma konusunda tutkulu.

çentik Ramos AWS'de Kıdemli Hesap Yöneticisidir. Müşterilerin en karmaşık iş zorluklarını çözmelerine yardımcı olma, AI/ML'yi müşterilerin işletmelerine dahil etme ve müşterilerin gelirlerini artırmalarına yardımcı olma konusunda tutkulu.