Як Prodege заощадив 1.5 мільйона доларів на щорічних витратах на перевірку персоналом за допомогою штучного інтелекту комп’ютерного зору з низьким кодом

Співавтором цієї публікації є Арун Гупта, директор відділу бізнес-аналітики Prodege, LLC.

Prodege — це маркетингова платформа, що керується даними та аналізує споживачів, що складається з споживчих брендів — Swagbucks, MyPoints, Tada, ySense, InboxDollars, InboxPounds, DailyRewards, PollFish і Upromise — разом із додатковим набором бізнес-рішень для маркетологів і дослідників. Prodege має 120 мільйонів користувачів і з 2.1 року виплатила 2005 мільярда доларів винагороди. У 2021 році Prodege запустила Magic Receipts, новий спосіб для своїх користувачів повертати готівку та активувати подарункові картки, просто роблячи покупки в магазині у своїх улюблених роздрібних продавців, і завантаження квитанції.

Залишатися на передньому краї задоволеності клієнтів вимагає постійної зосередженості та інновацій.

Створення команди з аналізу даних з нуля — це чудова інвестиція, але потребує часу, і часто є можливості негайного впливу на бізнес за допомогою послуг штучного інтелекту AWS. Згідно з Gartner, до кінця 2024 року 75% підприємств перейдуть від пілотування до впровадження ШІ. У зв’язку зі зростанням масштабів штучного інтелекту та машинного навчання (ML) командам потрібно зосередитися на тому, як створити недороге та ефективне рішення, яке легко буде прийнято в організації.

У цій публікації ми розповідаємо про те, як Prodege покращила взаємодію з клієнтами, впровадивши AI та ML у свій бізнес. Prodege хотів знайти спосіб винагороджувати своїх клієнтів швидше після завантаження їхніх квитанцій. У них не було автоматичного способу візуально перевірити квитанції на наявність аномалій перед видачею знижок. Оскільки обсяг надходжень обчислювався десятками тисяч на тиждень, ручний процес виявлення аномалій не можна було масштабувати.

Використовуючи спеціальні мітки Amazon Rekognition, Prodege винагороджував своїх клієнтів у 5 разів швидше після завантаження квитанцій, збільшив правильну класифікацію аномальних квитанцій із 70% до 99% і заощадив 1.5 мільйона доларів США на щорічних витратах на перевірку людьми.

Завдання: Швидке й точне виявлення аномалій у квитанціях у масштабі

Прагнення Prodege до обслуговування клієнтів найвищого рівня вимагало збільшення швидкості, з якою клієнти отримують винагороду за її надзвичайно популярний продукт Magic Receipts. Для цього Prodege потрібно було швидше виявляти аномалії отримання. Prodege досліджували створення власних моделей глибокого навчання за допомогою Keras. Це рішення було перспективним у довгостроковій перспективі, але його не вдалося реалізувати з бажаною швидкістю Prodege з таких причин:

• Потрібен великий набір даних – Prodege зрозумів, що кількість зображень, які їм знадобляться для навчання моделі, обчислюватиметься десятками тисяч, і їм також знадобиться потужна обчислювальна потужність із графічним процесором для навчання моделі.
• Час і дорогі кошти – У Prodege були сотні позначених людьми дійсних і аномальних квитанцій, і всі аномалії були візуальними. Додавання додаткових зображень із мітками призвело до операційних витрат і могло працювати лише у звичайний робочий час.
• Необхідний спеціальний код і високий рівень обслуговування – Prodege мав би розробити спеціальний код для навчання та розгортання спеціальної моделі та підтримки її життєвого циклу.

Огляд рішення: Rekognition Custom Labels

Prodege працював із командою облікових записів AWS, щоб спершу визначити бізнес-випадок ефективної обробки квитанцій в автоматизований спосіб, щоб їхній бізнес надавав знижки лише дійсним квитанціям. Команда Prodege Data Science хотіла рішення, яке потребувало б невеликого набору даних для початку роботи, могло б мати негайний вплив на бізнес і вимагало мінімального коду та незначного обслуговування.

На основі цих вхідних даних команда облікових записів визначила користувацькі мітки Rekognition як потенційне рішення для навчання моделі визначати, які квитанції є дійсними, а які мають аномалії. Rekognition Custom Labels надає можливості штучного інтелекту комп’ютерного зору з візуальним інтерфейсом для автоматичного навчання та розгортання моделей лише з кількома сотнями зображень завантажених даних із мітками.

Першим кроком було навчання моделі за допомогою мічених квитанцій від Prodege. Квитанції було розділено на дві категорії: дійсні та аномальні. Приблизно сто квитанцій кожного виду були ретельно відібрані бізнес-командою Prodege, яка знала про аномалії. Ключ до гарної моделі в Rekognition Custom Labels — наявність точних навчальних даних. Наступним кроком було налаштування навчання моделі кількома клацаннями на консолі Rekognition Custom Labels. Оцінка F1, яка використовується для оцінки точності та якості моделі, склала 97%. Це спонукало Prodege провести додаткове тестування у своєму пісочнику та використати навчену модель, щоб зробити висновок, чи дійсні нові квитанції чи містять аномалії. Постановка умовиводу з користувацькими мітками Rekognition — це простий процес одним клацанням миші, і він також надає зразок коду для налаштування програмного висновку.

Підбадьорений точністю моделі, Prodege створив пілотний партійний конвеєр. Конвеєр запускав би модель, запускав сотні квитанцій щодо моделі, зберігав результати, а потім вимикав модель щотижня. Потім команда відповідності оцінює квитанції, щоб перевірити точність. Точність залишилася для пілота такою ж високою, як і під час початкового тестування. Команда Prodege також створила конвеєр для навчання нових квитанцій, щоб підтримувати та покращувати точність моделі.

Нарешті, команда бізнес-аналітики Prodege працювала з командою розробки додатків і підтримкою з боку облікового запису AWS і групи продуктів, щоб налаштувати кінцеву точку висновку, яка працюватиме з їхнім додатком, щоб передбачати дійсність завантажених квитанцій у режимі реального часу та надавати своїм користувачам найкращу інформацію. досвід винагород споживачів у своєму класі. Рішення виділено на наступному малюнку. Ґрунтуючись на прогнозі та оцінці достовірності від Rekognition Custom Labels, команда бізнес-аналітики Prodege застосувала бізнес-логіку, щоб її обробити або пройти додаткову перевірку. Вводячи людину в цикл, Prodege може контролювати якість прогнозів і за потреби перенавчати модель.

результати

За допомогою Rekognition Custom Labels компанія Prodege збільшила правильну класифікацію аномальних квитанцій із 70% до 99% і заощадила 1.5 мільйона доларів США на щорічних витратах на перевірку людьми. Це дозволило Prodege винагороджувати своїх клієнтів у 5 разів швидше після завантаження їхніх квитанцій. Найкраща частина користувацьких міток Rekognition полягала в тому, що їх було легко налаштувати та вимагав лише невеликий набір попередньо класифікованих зображень для навчання моделі ML для виявлення зображень з високою достовірністю (приблизно 200 зображень проти 50,000 XNUMX, необхідних для навчання моделі з нуля). ). За допомогою API можна легко отримати доступ до кінцевих точок моделі. Rekognition Custom Labels був надзвичайно ефективним рішенням для Prodege для забезпечення безперебійної роботи їх перевіреного продукту для сканування квитанцій і допоміг Prodege заощадити багато часу та ресурсів, виконуючи ручне виявлення.

Висновок

Залишатися на передньому краї задоволеності клієнтів вимагає постійної зосередженості та інновацій, що є стратегічною метою сучасного бізнесу. Послуги комп’ютерного зору AWS дозволили Prodege створити негайний вплив на бізнес за допомогою недорогого рішення з низьким кодом. У партнерстві з AWS Prodege продовжує впроваджувати інновації та залишатися на передовій задоволеності клієнтів. Ви можете розпочати сьогодні з Розпізнавання спеціальних міток і покращити результати вашого бізнесу.

Про авторів

Арун Гупта є директором бізнес-аналітики в Prodege LLC. Він захоплений застосуванням технологій машинного навчання для ефективного вирішення різноманітних бізнес-проблем.

Прашант Ганапаті є старшим архітектором рішень у сегменті малого середнього бізнесу (SMB) в AWS. Йому подобається вивчати послуги AWS AI/ML і допомагати клієнтам досягати бізнес-результатів, створюючи для них рішення. Окрім роботи, Прашант любить фотографувати, подорожувати та пробувати різні кухні.

Amit Гупта є архітектором рішень AI Services Solutions в AWS. Він захоплений тим, щоб надавати клієнтам добре розроблені масштабні рішення для машинного навчання.

Нік Рамос є старшим менеджером з роботи з клієнтами в AWS. Він захоплено допомагає клієнтам вирішувати найскладніші бізнес-завдання, впроваджуючи AI/ML у бізнес клієнтів і допомагаючи клієнтам збільшити прибутки.