Cách Prodege tiết kiệm 1.5 triệu đô la chi phí đánh giá con người hàng năm bằng cách sử dụng AI thị giác máy tính mã thấp

Bài đăng này được đồng tác giả bởi Arun Gupta, Giám đốc Thông tin Kinh doanh tại Prodege, LLC.

Prodege là nền tảng tiếp thị và hiểu biết về người tiêu dùng dựa trên dữ liệu bao gồm các thương hiệu tiêu dùng—Swagbucks, MyPoints, Tada, ySense, InboxDollars, InboxPounds, DailyRewards, PollFish và Upromise—cùng với bộ giải pháp kinh doanh bổ sung dành cho nhà tiếp thị và nhà nghiên cứu. Prodege có 120 triệu người dùng và đã trả 2.1 tỷ USD tiền thưởng kể từ năm 2005. Năm 2021, Prodege ra mắt Magic Receipts, một cách mới để người dùng kiếm lại tiền mặt và đổi thẻ quà tặng, chỉ bằng cách mua sắm tại cửa hàng tại các nhà bán lẻ yêu thích của họ và tải lên một biên lai.

Để luôn dẫn đầu về sự hài lòng của khách hàng đòi hỏi phải có sự tập trung và đổi mới liên tục.

Xây dựng nhóm khoa học dữ liệu từ đầu là một khoản đầu tư lớn nhưng cần có thời gian và thường có cơ hội tạo ra tác động kinh doanh ngay lập tức với các dịch vụ AI của AWS. Dựa theo Gartner, đến cuối năm 2024, 75% doanh nghiệp sẽ chuyển từ thí điểm sang vận hành AI. Với tầm phát triển của AI và máy học (ML), các nhóm cần tập trung vào cách tạo ra giải pháp chi phí thấp, tác động cao mà tổ chức có thể dễ dàng áp dụng.

Trong bài đăng này, chúng tôi chia sẻ cách Prodege cải thiện trải nghiệm khách hàng của họ bằng cách đưa AI và ML vào hoạt động kinh doanh của mình. Prodege muốn tìm cách tặng thưởng cho khách hàng của mình nhanh hơn sau khi tải biên lai của họ lên. Họ không có cách tự động để kiểm tra trực quan các điểm bất thường trên biên lai trước khi đưa ra các khoản giảm giá. Vì khối lượng biên nhận lên tới hàng chục nghìn mỗi tuần nên quy trình thủ công để xác định các điểm bất thường không thể mở rộng được.

Bằng cách sử dụng Nhãn tùy chỉnh Rekognition của Amazon, Prodege đã tặng thưởng cho khách hàng của họ nhanh hơn 5 lần sau khi tải biên nhận lên, tăng khả năng phân loại chính xác các biên nhận bất thường từ 70% lên 99% và tiết kiệm 1.5 triệu USD chi phí đánh giá con người hàng năm.

Thách thức: Phát hiện những điểm bất thường trong biên lai một cách nhanh chóng và chính xác trên quy mô lớn

Cam kết của Prodege đối với trải nghiệm khách hàng hàng đầu đòi hỏi phải tăng tốc độ khách hàng nhận được phần thưởng cho sản phẩm Magic Receipts cực kỳ phổ biến của mình. Để làm được điều đó, Prodege cần phát hiện các điểm bất thường trong biên nhận nhanh hơn. Prodege đã nghiên cứu việc xây dựng mô hình học sâu của riêng họ bằng Keras. Giải pháp này đầy hứa hẹn về lâu dài nhưng không thể triển khai với tốc độ mong muốn của Prodege vì những lý do sau:

• Yêu cầu một tập dữ liệu lớn – Prodege nhận ra rằng số lượng hình ảnh họ cần để đào tạo mô hình sẽ lên tới hàng chục nghìn và họ cũng sẽ cần sức mạnh tính toán mạnh mẽ với GPU để đào tạo mô hình.
• Tốn thời gian và tốn kém – Prodege có hàng trăm hóa đơn hợp lệ và bất thường được con người dán nhãn, và những điều bất thường đều có thể nhìn thấy được. Việc thêm các hình ảnh được gắn nhãn bổ sung sẽ tạo ra chi phí hoạt động và chỉ có thể hoạt động trong giờ làm việc bình thường.
• Mã tùy chỉnh bắt buộc và bảo trì cao – Prodege sẽ phải phát triển mã tùy chỉnh để đào tạo và triển khai mô hình tùy chỉnh cũng như duy trì vòng đời của nó.

Tổng quan về giải pháp: Nhãn tùy chỉnh Rekognition

Prodege đã làm việc với nhóm tài khoản AWS để trước tiên xác định trường hợp sử dụng của doanh nghiệp về khả năng xử lý biên lai một cách hiệu quả theo cách tự động để doanh nghiệp của họ chỉ đưa ra khoản giảm giá cho các biên lai hợp lệ. Nhóm khoa học dữ liệu Prodege muốn có một giải pháp yêu cầu một tập dữ liệu nhỏ để bắt đầu, có thể tạo ra tác động kinh doanh ngay lập tức, đồng thời yêu cầu mã tối thiểu và mức bảo trì thấp.

Dựa trên những thông tin đầu vào này, nhóm tài khoản đã xác định Nhãn tùy chỉnh Rekognition là một giải pháp tiềm năng để đào tạo mô hình nhằm xác định biên nhận nào hợp lệ và biên nhận nào có điểm bất thường. Nhãn tùy chỉnh Rekognition cung cấp khả năng AI thị giác máy tính với giao diện trực quan để tự động huấn luyện và triển khai các mô hình chỉ với vài trăm hình ảnh về dữ liệu được gắn nhãn được tải lên.

Bước đầu tiên là đào tạo một mô hình bằng cách sử dụng các biên lai được dán nhãn từ Prodege. Các biên lai được phân loại thành hai nhãn: hợp lệ và bất thường. Khoảng một trăm biên lai mỗi loại đã được đội ngũ kinh doanh của Prodege lựa chọn cẩn thận, những người hiểu biết về những điều bất thường. Chìa khóa để có một mô hình tốt trong Nhãn tùy chỉnh Rekognition là có dữ liệu đào tạo chính xác. Bước tiếp theo là thiết lập đào tạo người mẫu với một vài cú nhấp chuột trên bảng điều khiển Nhãn tùy chỉnh Rekognition. Điểm F1, được sử dụng để đánh giá độ chính xác và chất lượng của mô hình, đạt 97%. Điều này đã khuyến khích Prodege thực hiện một số thử nghiệm bổ sung trong hộp cát của họ và sử dụng mô hình đã được đào tạo để suy ra xem các biên lai mới có hợp lệ hay có điểm bất thường hay không. Thiết lập suy luận với Nhãn tùy chỉnh Rekognition là một quy trình dễ dàng chỉ bằng một cú nhấp chuột và nó cũng cung cấp mã mẫu để thiết lập suy luận theo chương trình.

Được khích lệ bởi tính chính xác của mô hình, Prodege đã thiết lập một quy trình suy luận hàng loạt thí điểm. Quy trình sẽ khởi động mô hình, chạy hàng trăm biên lai dựa trên mô hình, lưu trữ kết quả và sau đó tắt mô hình mỗi tuần. Sau đó, nhóm tuân thủ sẽ đánh giá các biên lai để kiểm tra tính chính xác. Độ chính xác vẫn cao đối với phi công như trong lần thử nghiệm đầu tiên. Nhóm Prodege cũng thiết lập một quy trình đào tạo các khoản thu mới nhằm duy trì và cải thiện độ chính xác của mô hình.

Cuối cùng, nhóm thông minh kinh doanh Prodege đã làm việc với nhóm ứng dụng và sự hỗ trợ từ nhóm sản phẩm và tài khoản AWS để thiết lập điểm cuối suy luận sẽ hoạt động với ứng dụng của họ nhằm dự đoán tính hợp lệ của các biên nhận được tải lên trong thời gian thực và cung cấp cho người dùng những giải pháp tốt nhất- trải nghiệm phần thưởng của người tiêu dùng trong lớp. Giải pháp được nêu bật trong hình dưới đây. Dựa trên dự đoán và điểm tin cậy từ Nhãn tùy chỉnh Rekognition, nhóm kinh doanh thông minh Prodege đã áp dụng logic kinh doanh để xử lý hoặc xem xét kỹ lưỡng hơn. Bằng cách đưa con người vào vòng lặp, Prodege có thể giám sát chất lượng của các dự đoán và đào tạo lại mô hình nếu cần.

Kết quả

Với Nhãn tùy chỉnh Rekognition, Prodege đã tăng khả năng phân loại chính xác các khoản thu bất thường từ 70% lên 99% và tiết kiệm 1.5 triệu USD chi phí đánh giá con người hàng năm. Điều này cho phép Prodege thưởng cho khách hàng của mình nhanh hơn 5 lần sau khi tải biên lai của họ lên. Điểm hay nhất của Nhãn tùy chỉnh Rekognition là dễ thiết lập và chỉ yêu cầu một bộ nhỏ hình ảnh được phân loại trước để huấn luyện mô hình ML nhằm phát hiện hình ảnh có độ tin cậy cao (khoảng 200 hình ảnh so với 50,000 hình ảnh cần thiết để huấn luyện mô hình từ đầu ). Điểm cuối của mô hình có thể dễ dàng truy cập bằng API. Nhãn tùy chỉnh Rekognition là một giải pháp cực kỳ hiệu quả để Prodege giúp sản phẩm quét biên nhận đã được xác thực của họ hoạt động trơn tru và giúp Prodege tiết kiệm rất nhiều thời gian và tài nguyên khi thực hiện phát hiện thủ công.

Kết luận

Duy trì sự hài lòng của khách hàng đòi hỏi sự tập trung và đổi mới liên tục và là mục tiêu chiến lược của các doanh nghiệp ngày nay. Dịch vụ thị giác máy tính của AWS cho phép Prodege tạo ra tác động kinh doanh ngay lập tức bằng giải pháp chi phí thấp và ít mã. Hợp tác với AWS, Prodege tiếp tục đổi mới và luôn dẫn đầu về sự hài lòng của khách hàng. Bạn có thể bắt đầu ngay hôm nay với Nhãn tùy chỉnh Rekognition và cải thiện kết quả kinh doanh của bạn.

Về các tác giả

Arun Gupta là Giám đốc Thông tin Kinh doanh tại Prodege LLC. Anh đam mê áp dụng công nghệ Machine Learning để cung cấp các giải pháp hiệu quả cho các vấn đề kinh doanh đa dạng.

Prashanth Ganapathie là Kiến trúc sư giải pháp cấp cao trong phân khúc Doanh nghiệp vừa nhỏ (SMB) tại AWS. Anh thích tìm hiểu về các dịch vụ AI/ML của AWS và giúp khách hàng đạt được kết quả kinh doanh bằng cách xây dựng các giải pháp cho họ. Ngoài công việc, Prashanth thích chụp ảnh, du lịch và thử các món ăn khác nhau.

Amit Gupta là Kiến trúc sư Giải pháp Dịch vụ AI tại AWS. Anh ấy đam mê tạo điều kiện cho khách hàng có các giải pháp máy học được kiến ​​trúc tốt trên quy mô lớn.

nick Ramos là Người quản lý tài khoản cấp cao của AWS. Anh ấy đam mê giúp đỡ khách hàng giải quyết những thách thức kinh doanh phức tạp nhất của họ, đưa AI/ML vào hoạt động kinh doanh của khách hàng và giúp khách hàng tăng doanh thu hàng đầu.