پروڈیج نے کم کوڈ کمپیوٹر ویژن AI کا استعمال کرتے ہوئے سالانہ انسانی جائزے کے اخراجات میں $1.5 ملین کی بچت کی۔

اس پوسٹ کو پروڈیج، ایل ایل سی میں بزنس انٹیلی جنس کے ڈائریکٹر ارون گپتا نے شریک تحریر کیا تھا۔

Prodege ایک ڈیٹا پر مبنی مارکیٹنگ اور صارفین کی بصیرت کا پلیٹ فارم ہے جس میں صارف برانڈز — Swagbucks, MyPoints, Tada, ySense, InboxDollars, InboxPounds, DailyRewards, PollFish، اور Upromise — کے ساتھ ساتھ مارکیٹرز اور محققین کے لیے کاروباری حل کا ایک تکمیلی مجموعہ ہے۔ Prodege کے 120 ملین صارفین ہیں اور اس نے 2.1 سے اب تک $2005 بلین انعامات ادا کیے ہیں۔ 2021 میں، Prodege نے Magic Receipts کا آغاز کیا، جو اپنے صارفین کے لیے کیش بیک حاصل کرنے اور گفٹ کارڈز کو چھڑانے کا ایک نیا طریقہ ہے، صرف اپنے پسندیدہ خوردہ فروشوں سے اسٹور میں خریداری کرکے، اور رسید اپ لوڈ کرنا

گاہک کی اطمینان کے آخری کنارے پر رہنے کے لیے مسلسل توجہ اور جدت کی ضرورت ہوتی ہے۔

شروع سے ڈیٹا سائنس ٹیم بنانا ایک زبردست سرمایہ کاری ہے، لیکن اس میں وقت لگتا ہے، اور اکثر اوقات AWS AI سروسز کے ساتھ فوری کاروباری اثر پیدا کرنے کے مواقع ہوتے ہیں۔ کے مطابق گارٹنر2024 کے آخر تک، 75% انٹرپرائزز پائلٹنگ سے AI کو چلانے کی طرف منتقل ہو جائیں گے۔ AI اور مشین لرننگ (ML) کی بڑھتی ہوئی رسائی کے ساتھ، ٹیموں کو اس بات پر توجہ مرکوز کرنے کی ضرورت ہے کہ کس طرح ایک کم لاگت، زیادہ اثر والا حل تیار کیا جائے جسے ایک تنظیم آسانی سے اپنا سکتا ہے۔

اس پوسٹ میں، ہم اس بات کا اشتراک کرتے ہیں کہ کس طرح Prodege نے AI اور ML کو اپنے کاروبار میں شامل کرکے اپنے کسٹمر کے تجربے کو بہتر بنایا۔ پروڈیج اپنے صارفین کو ان کی رسیدیں اپ لوڈ کرنے کے بعد تیزی سے انعام دینے کا راستہ تلاش کرنا چاہتا تھا۔ ان کے پاس چھوٹ جاری کرنے سے پہلے بے ضابطگیوں کی رسیدوں کا بصری طور پر معائنہ کرنے کا کوئی خودکار طریقہ نہیں تھا۔ چونکہ رسیدوں کا حجم فی ہفتہ دسیوں ہزار میں تھا، اس لیے بے ضابطگیوں کی شناخت کا دستی عمل قابل توسیع نہیں تھا۔

Amazon Recognition Custom Labels کا استعمال کرتے ہوئے، Prodege نے رسیدیں اپ لوڈ کرنے کے بعد اپنے صارفین کو 5 گنا تیزی سے انعام دیا، غیر معمولی رسیدوں کی درست درجہ بندی کو 70% سے بڑھا کر 99% کر دیا، اور سالانہ انسانی جائزے کے اخراجات میں $1.5 ملین کی بچت کی۔

چیلنج: رسیدوں میں بے ضابطگیوں کا تیزی سے اور درست پیمانے پر پتہ لگانا

اعلی درجے کے کسٹمر کے تجربے کے لیے پروڈیج کی وابستگی اس رفتار میں اضافے کی ضرورت ہے جس پر صارفین کو اس کے بڑے پیمانے پر مقبول میجک ریسیپٹس پروڈکٹ کے لیے انعامات ملتے ہیں۔ ایسا کرنے کے لیے، Prodege کو رسید کی بے ضابطگیوں کا تیزی سے پتہ لگانے کی ضرورت ہے۔ پروڈیج نے کیراس کا استعمال کرتے ہوئے اپنے گہرے سیکھنے کے ماڈل بنانے کی تحقیقات کی۔ یہ حل طویل مدتی میں امید افزا تھا، لیکن درج ذیل وجوہات کی بناء پر پروڈیج کی مطلوبہ رفتار سے اس پر عمل درآمد نہیں ہو سکا:

• ایک بڑا ڈیٹا سیٹ درکار ہے۔ - پروڈیج نے محسوس کیا کہ ماڈل کی تربیت کے لیے انہیں جتنی تصاویر کی ضرورت ہوگی وہ دسیوں ہزار میں ہوں گی، اور انہیں ماڈل کی تربیت کے لیے GPUs کے ساتھ بھاری کمپیوٹ پاور کی بھی ضرورت ہوگی۔
• وقت طلب اور مہنگا ہے۔ - پروڈیج کے پاس سیکڑوں انسانی لیبل والی درست اور بے ضابطگیوں والی رسیدیں تھیں، اور بے ضابطگیاں سب بصری تھیں۔ اضافی لیبل والی تصاویر کو شامل کرنے سے آپریشنل اخراجات پیدا ہوتے ہیں اور یہ صرف عام کاروباری اوقات میں کام کر سکتے ہیں۔
• اپنی مرضی کے مطابق کوڈ اور اعلی دیکھ بھال کی ضرورت ہے۔ - پروڈیج کو کسٹم ماڈل کی تربیت اور تعیناتی اور اس کے لائف سائیکل کو برقرار رکھنے کے لیے کسٹم کوڈ تیار کرنا ہوگا۔

حل کا جائزہ: شناخت حسب ضرورت لیبلز

Prodege نے AWS اکاؤنٹ ٹیم کے ساتھ کام کیا کہ پہلے کاروباری استعمال کے معاملے کی نشاندہی کی جائے کہ وہ خودکار طریقے سے رسیدوں کو موثر طریقے سے پروسیس کر سکے تاکہ ان کا کاروبار صرف درست رسیدوں پر چھوٹ جاری کر رہا ہو۔ پروڈیج ڈیٹا سائنس ٹیم ایک ایسا حل چاہتی تھی جس کے لیے شروع کرنے کے لیے ایک چھوٹا ڈیٹا سیٹ درکار ہو، فوری کاروباری اثر پیدا کر سکے، اور کم سے کم کوڈ اور کم دیکھ بھال کی ضرورت ہو۔

ان ان پٹس کی بنیاد پر، اکاؤنٹ ٹیم نے Recognition Custom Labels کو ایک ممکنہ حل کے طور پر شناخت کیا تاکہ ماڈل کو تربیت دی جا سکے کہ کون سی رسیدیں درست ہیں اور کن میں بے ضابطگی ہے۔ ریکگنیشن کسٹم لیبلز ایک کمپیوٹر ویژن AI کی صلاحیت فراہم کرتا ہے جس میں ایک بصری انٹرفیس کے ساتھ ماڈلز کو خود بخود تربیت اور تعینات کیا جاتا ہے جس میں اپ لوڈ کردہ لیبل شدہ ڈیٹا کی چند سو تصاویر ہیں۔

پہلا قدم پروڈیج سے لیبل شدہ رسیدوں کا استعمال کرتے ہوئے ایک ماڈل کو تربیت دینا تھا۔ رسیدوں کو دو لیبلز میں درجہ بندی کیا گیا تھا: درست اور غیر معمولی۔ پروڈیج بزنس ٹیم نے ہر قسم کی تقریباً سو رسیدیں احتیاط سے منتخب کیں، جنہیں بے ضابطگیوں کا علم تھا۔ Recognition Custom Labels میں اچھے ماڈل کی کلید درست تربیتی ڈیٹا ہونا ہے۔ اگلا مرحلہ ترتیب دینا تھا۔ ماڈل کی تربیت Recognition Custom Labels کنسول پر چند کلکس کے ساتھ۔ F1 سکور، جو ماڈل کی درستگی اور معیار کو جانچنے کے لیے استعمال کیا جاتا ہے، 97% پر آیا۔ اس نے پروڈیج کو اپنے سینڈ باکس میں کچھ اضافی جانچ کرنے اور تربیت یافتہ ماڈل استعمال کرنے کی ترغیب دی کہ آیا نئی رسیدیں درست ہیں یا ان میں بے ضابطگی ہے۔ تخمینہ ترتیب دینا Recognition Custom Labels کے ساتھ ایک آسان ایک کلک کا عمل ہے، اور یہ پروگرامی قیاس ترتیب دینے کے لیے نمونہ کوڈ بھی فراہم کرتا ہے۔

ماڈل کی درستگی سے حوصلہ افزائی کرتے ہوئے، پروڈج نے ایک پائلٹ بیچ انفرنس پائپ لائن قائم کی۔ پائپ لائن ماڈل کو شروع کرے گی، ماڈل کے خلاف سینکڑوں رسیدیں چلائے گی، نتائج کو ذخیرہ کرے گی، اور پھر ہر ہفتے ماڈل کو بند کر دے گی۔ اس کے بعد تعمیل کرنے والی ٹیم درستگی کی جانچ کرنے کے لیے رسیدوں کا جائزہ لے گی۔ پائلٹ کے لیے درستگی اتنی ہی زیادہ رہی جتنی کہ ابتدائی جانچ کے دوران تھی۔ پروڈیج ٹیم نے ماڈل کی درستگی کو برقرار رکھنے اور بہتر بنانے کے لیے نئی رسیدوں کی تربیت کے لیے ایک پائپ لائن بھی ترتیب دی۔

آخر میں، پروڈیج بزنس انٹیلی جنس ٹیم نے ایپلیکیشن ٹیم کے ساتھ کام کیا اور AWS اکاؤنٹ اور پروڈکٹ ٹیم کے تعاون سے ایک انفرنس اینڈ پوائنٹ قائم کیا جو ان کی ایپلی کیشن کے ساتھ کام کرے گا تاکہ حقیقی وقت میں اپ لوڈ کردہ رسیدوں کی درستگی کا اندازہ لگایا جا سکے اور اپنے صارفین کو بہترین- ان کلاس صارفین کے انعامات کا تجربہ۔ مندرجہ ذیل تصویر میں حل کو نمایاں کیا گیا ہے۔ Recognition Custom Labels کی پیشن گوئی اور اعتماد کے اسکور کی بنیاد پر، Prodege بزنس انٹیلی جنس ٹیم نے کاروباری منطق کو یا تو اس پر کارروائی کرنے یا اضافی جانچ پڑتال سے گزرنے کے لیے لاگو کیا۔ لوپ میں ایک انسان کو متعارف کروا کر، Prodege پیشین گوئیوں کے معیار کی نگرانی کرنے اور ضرورت کے مطابق ماڈل کو دوبارہ تربیت دینے کے قابل ہے۔

نتائج کی نمائش

Recognition Custom Labels کے ساتھ، Prodege نے غیر معمولی رسیدوں کی درست درجہ بندی کو 70% سے بڑھا کر 99% کر دیا اور سالانہ انسانی جائزے کے اخراجات میں $1.5 ملین کی بچت کی۔ اس سے پروڈیج کو اپنے صارفین کو ان کی رسیدیں اپ لوڈ کرنے کے بعد 5 گنا تیزی سے انعام دینے کا موقع ملا۔ ریکگنیشن کسٹم لیبلز کا سب سے اچھا حصہ یہ تھا کہ اسے ترتیب دینا آسان تھا اور ایم ایل ماڈل کو اعلیٰ اعتماد کی تصویر کا پتہ لگانے کے لیے تربیت دینے کے لیے پہلے سے درجہ بندی شدہ تصاویر کا صرف ایک چھوٹا سیٹ درکار تھا (تقریباً 200 تصاویر بمقابلہ 50,000 ایک ماڈل کو شروع سے تربیت دینے کی ضرورت تھی۔ )۔ API کا استعمال کرتے ہوئے ماڈل کے اختتامی مقامات تک آسانی سے رسائی حاصل کی جا سکتی ہے۔ Recognition Custom Labels Prodege کے لیے ان کی تصدیق شدہ رسید اسکیننگ پروڈکٹ کے کام کو آسان بنانے کے لیے ایک انتہائی موثر حل رہا ہے، اور Prodege کو دستی پتہ لگانے میں بہت زیادہ وقت اور وسائل بچانے میں مدد ملی۔

نتیجہ

گاہک کی اطمینان کے آخری کنارے پر رہنے کے لیے مسلسل توجہ اور جدت کی ضرورت ہوتی ہے، اور یہ آج کے کاروبار کے لیے ایک اسٹریٹجک ہدف ہے۔ AWS کمپیوٹر ویژن سروسز نے Prodege کو کم لاگت اور کم کوڈ والے حل کے ساتھ فوری کاروباری اثر پیدا کرنے کی اجازت دی۔ AWS کے ساتھ شراکت داری میں، Prodege بدستور اختراعات کرتا ہے اور صارفین کی اطمینان کے آخری کنارے پر رہتا ہے۔ آپ آج کے ساتھ شروع کر سکتے ہیں۔ شناخت حسب ضرورت لیبلز اور اپنے کاروباری نتائج کو بہتر بنائیں۔

مصنفین کے بارے میں

ارون گپتا Prodege LLC میں بزنس انٹیلی جنس کے ڈائریکٹر ہیں۔ وہ مختلف کاروباری مسائل کے موثر حل فراہم کرنے کے لیے مشین لرننگ ٹیکنالوجیز کو لاگو کرنے کا پرجوش ہے۔

پرشانت گنپتی AWS میں سمال میڈیم بزنس (SMB) سیگمنٹ میں ایک سینئر سولیوشن آرکیٹیکٹ ہے۔ وہ AWS AI/ML سروسز کے بارے میں سیکھنے اور صارفین کے لیے حل تیار کر کے ان کے کاروباری نتائج کو پورا کرنے میں مدد کرتا ہے۔ کام سے باہر، پرشانت فوٹو گرافی، سفر اور مختلف کھانوں کو آزمانے سے لطف اندوز ہوتے ہیں۔

ادوست گپتا AWS میں AI سروسز سلوشنز آرکیٹیکٹ ہے۔ وہ بڑے پیمانے پر اچھی طرح سے تعمیر شدہ مشین لرننگ سلوشنز کے ساتھ صارفین کو فعال کرنے کا پرجوش ہے۔

نک راموس AWS کے ساتھ ایک سینئر اکاؤنٹ مینیجر ہے۔ وہ صارفین کو ان کے انتہائی پیچیدہ کاروباری چیلنجوں کو حل کرنے میں مدد کرنے، کسٹمرز کے کاروبار میں AI/ML کو شامل کرنے، اور صارفین کو ٹاپ لائن ریونیو بڑھانے میں مدد کرنے کا شوق رکھتا ہے۔