这篇文章由 Prodege, LLC 的商业智能总监 Arun Gupta 合着。
Prodege 是一个数据驱动的营销和消费者洞察平台，由消费者品牌（Swagbucks、MyPoints、Tada、ySense、InboxDollars、InboxPounds、DailyRewards、PollFish 和 Upromise）以及为营销人员和研究人员提供的一套互补的业务解决方案组成。 Prodege 拥有 120 亿用户，自 2.1 年以来已支付 2005 亿美元的奖励。2021 年，Prodege 推出了 Magic Receipts，这是一种让用户只需在他们最喜欢的零售商店内购物即可赚取现金和兑换礼品卡的新方式，以及上传收据。
保持在客户满意度的前沿需要不断的专注和创新。
从头开始建立数据科学团队是一项巨大的投资，但需要时间，而且通常有机会利用 AWS AI 服务产生直接的业务影响。 根据 Gartner公司，到 2024 年底，75% 的企业将从人工智能试点转向运营。 随着人工智能和机器学习 (ML) 的覆盖范围不断扩大，团队需要专注于如何创建一个组织可以轻松采用的低成本、高影响力的解决方案。
在这篇文章中，我们分享了 Prodege 如何通过将 AI 和 ML 融入其业务来改善客户体验。 Prodege 希望找到一种方法在上传收据后更快地奖励客户。 他们没有一种自动化的方式来在发放回扣之前目视检查收据是否存在异常。 因为收据量是每周数万，识别异常的手动过程是不可扩展的。
使用 Amazon Rekognition 自定义标签，Prodege 在上传收据后奖励客户的速度提高了 5 倍，将异常收据的正确分类率从 70% 提高到 99%，并每年节省 1.5 万美元的人工审核成本。
挑战：大规模快速准确地检测收据中的异常情况
Prodege 对顶级客户体验的承诺要求提高客户因其广受欢迎的 Magic Receipts 产品获得奖励的速度。 为此，Prodege 需要更快地检测收据异常。 Prodege 研究了使用 Keras 构建自己的深度学习模型。 从长远来看，该解决方案很有前景，但由于以下原因无法以 Prodege 期望的速度实施：
- 需要大型数据集 – Prodege 意识到他们训练模型所需的图像数量将达到数万张，而且他们还需要强大的 GPU 计算能力来训练模型。
- 耗时且昂贵 – Prodege 有数百张人工标记的有效和异常收据，并且异常都是可视的。 添加额外的标记图像会产生运营费用，并且只能在正常工作时间内发挥作用。
- 需要自定义代码和高维护 – Prodege 必须开发自定义代码来训练和部署自定义模型并维护其生命周期。
解决方案概述：Rekognition 自定义标签
Prodege 与 AWS 客户团队合作，首先确定了能够以自动化方式有效处理收据的业务用例，以便他们的业务仅向有效收据发放回扣。 Prodege 数据科学团队想要一个解决方案，该解决方案需要一个小型数据集才能启动，可以立即产生业务影响，并且需要最少的代码和低维护。
根据这些输入，客户团队将 Rekognition 自定义标签确定为训练模型以识别哪些收据有效以及哪些收据存在异常的潜在解决方案。 Rekognition Custom Labels 提供计算机视觉 AI 功能和可视化界面，可自动训练和部署模型，只需上传数百张已标注数据的图像。
第一步是使用来自 Prodege 的标记收据来训练模型。 收据分为两个标签：有效和异常。 Prodege 业务团队仔细挑选了每种类型的大约一百张收据，他们了解异常情况。 Rekognition Custom Labels 中良好模型的关键是拥有准确的训练数据。 下一步是设置 模型的训练 在 Rekognition 自定义标签控制台上单击几下。 用于衡量模型准确性和质量的 F1 得分为 97%。 这鼓励 Prodege 在他们的沙箱中做一些额外的测试，并使用训练好的模型来推断新收据是否有效或有异常。 设置推理 使用 Rekognition 自定义标签是一个简单的一键式过程，它还提供示例代码来设置程序推理。
受到模型准确性的鼓舞，Prodege 建立了一个试点批量推理管道。 管道将启动模型，针对模型运行数百个收据，存储结果，然后每周关闭模型。 然后，合规团队将评估收据以检查准确性。 飞行员的准确度与初始测试期间一样高。 Prodege 团队还建立了一个管道来训练新的收据，以保持和提高模型的准确性。
最后，Prodege 商业智能团队与应用程序团队合作，并得到 AWS 账户和产品团队的支持，建立了一个推理终端节点，该终端节点将与他们的应用程序一起使用，以实时预测上传收据的有效性，并为其用户提供最佳的-一流的消费者奖励体验。 解决方案在下图中突出显示。 根据 Rekognition Custom Labels 的预测和置信度得分，Prodege 商业智能团队应用业务逻辑对其进行处理或进行额外审查。 通过在循环中引入人，Prodege 能够监控预测的质量并根据需要重新训练模型。
成果
借助 Rekognition 自定义标签，Prodege 将异常收据的正确分类率从 70% 提高到 99%，并每年节省 1.5 万美元的人工审核成本。 这使得 Prodege 在上传收据后奖励客户的速度提高了 5 倍。 Rekognition 自定义标签的最佳部分是它易于设置，只需要一小部分预分类图像来训练 ML 模型以进行高置信度图像检测（大约 200 张图像，而从头开始训练模型需要 50,000 张图像） ）。 可以使用 API 轻松访问模型的端点。 Rekognition 自定义标签一直是 Prodege 实现其经过验证的收据扫描产品顺利运行的极其有效的解决方案，并帮助 Prodege 节省了大量执行手动检测的时间和资源。
结论
保持在客户满意度的前沿需要不断的关注和创新，这是当今企业的战略目标。 AWS 计算机视觉服务使 Prodege 能够通过低成本和低代码的解决方案立即产生业务影响。 通过与 AWS 合作，Prodege 继续创新并在客户满意度方面保持领先地位。 你可以从今天开始 Rekognition 自定义标签 并改善您的业务成果。
作者简介
阿伦·古普塔 是 Prodege LLC 的商业智能总监。 他热衷于应用机器学习技术为各种业务问题提供有效的解决方案。
普拉山斯·加纳帕蒂 是 AWS 中小型企业 (SMB) 部门的高级解决方案架构师。 他喜欢了解 AWS AI/ML 服务并通过为客户构建解决方案来帮助他们实现业务成果。 工作之余，Prashanth 喜欢摄影、旅行和尝试不同的美食。
阿米特 古普塔 是AWS的AI服务解决方案架构师。 他热衷于为客户提供经过精心设计的大规模机器学习解决方案。
缺口 
拉莫斯 是 AWS 的高级客户经理。 他热衷于帮助客户解决最复杂的业务挑战，将 AI/ML 融入客户的业务，并帮助客户增加收入。
