Un mercado en línea de medicamentos aumenta sus ingresos en 1,5 millones de dólares simplificando el recorrido del cliente

«La tasa de caída de clientes entre la subida de recetas y la confirmación del pedido fue muy alta».

— Director comercial de medicamentos con receta

‍

El método de pedido anterior requería que los clientes esperaran horas antes de poder procesar sus pedidos. Esto provocó que muchos clientes abandonaran el proceso entre subir las recetas y hacer el pedido (entre el 80 y el 90% de los clientes). La empresa identificó que la automatización de los siguientes procesos podría reducir los tiempos de entrega y mejorar la tasa de conversión de clientes:

1. Detección de si la imagen cargada por los clientes es legible
2. Leer los nombres y las dosis de los medicamentos de la receta y ponerlos en el carrito del cliente

El director de la empresa se puso en contacto con el equipo de aprendizaje automático para crear un canal de aprendizaje automático que pudiera resolver estos problemas. Querían una solución rápida, ya que afectaba directamente a sus ingresos.

«Pasábamos mucho tiempo haciendo cosas que no eran de nuestra especialidad».

— Científico de datos principal

El equipo de aprendizaje automático se estaba retrasando en la entrega del proyecto. El equipo mantuvo un largo intercambio de ideas con el equipo de DevOps para configurar la infraestructura para nuevos experimentos, crear demostraciones, implementar API de modelos, etc. Se enfrentaron al desafío de crear modelos sofisticados como el OCR (reconocimiento óptico de caracteres) y la detección de imágenes borrosas en los datos de prescripción. Estos datos generaban mucho ruido, pero requerían que el modelo fuera preciso y, por lo tanto, se necesitaron varios experimentos e iteraciones con arquitecturas de modelos de última generación.

El equipo de aprendizaje automático necesitaba ayuda para concentrarse en resolver el complejo problema del aprendizaje automático porque estaba ocupado intentando preparar la producción del modelo. Esto implicó un período prolongado de retraso en la toma de conciencia del impacto empresarial.

La empresa quería una herramienta de MLOps que el equipo de aprendizaje automático pudiera usar para configurar el proceso de aprendizaje automático sin necesidad de la ayuda de DevOps para crear, probar, hacer demostraciones, producir y monitorear sus modelos.

‍

TrueFoundry ayudó a optimizar 5 veces el proceso de aprendizaje automático

TrueFoundry permitió al equipo de ciencia de datos ser independiente con respecto a sus requisitos de MLOps. El equipo podía actuar de forma independiente en cuestiones que normalmente requerían un intercambio de opiniones con el equipo de DevOps.

«TrueFoundry ha actuado como socio del equipo de ciencia de datos y, a menudo, ha ido más allá de su alcance para garantizar el éxito de nuestro equipo».

— Científico de datos sénior

‍

El equipo de aprendizaje automático usa TrueFoundry para lo siguiente:

Creación de prototipos 10 veces más rápida mediante la ejecución de experimentos en paralelo

En la fase de desarrollo, el equipo utilizó la plataforma TrueFoundry para

• Acelere la experimentación ejecutando más de 10 modelos/hiperparámetros en paralelo con Empleos en TrueFoundry, reduciendo el tiempo de experimentación en más de un 90%
• Lleve un registro de sus experimentos y registre los metadatos para reproducir los experimentos.

Reducir el tiempo de implementación del modelo de 3 días a 1 hora

El equipo podría implementar de forma independiente, con la plataforma, modelos de producción en una hora:

• Implementaron los puntos finales de la API REST de sus modelos en diferentes proveedores de nube (AWS y GCP) con un flujo de trabajo unificado a través de la interfaz de usuario o mediante el SDK de Python.
• El equipo podría configurar las estrategias de implementación, los límites de recursos, el escalado automático, etc., para los modelos.
• Una vez que los modelos tuvieran un rendimiento satisfactorio, podían promoverlos al entorno de ensayo con un solo clic en la interfaz de usuario.

Comentarios más rápidos mediante la creación de demostraciones

El equipo necesitaba regularmente los comentarios de los gerentes de producto y los directores de negocios, por lo que utilizaron la plataforma para:

• Crea demostraciones rápidamente con interfaces de usuario sencillas para validar el rendimiento del modelo directamente con farmacéuticos/expertos médicos.
• Cree una interfaz de usuario para la anotación de datos y cree un conjunto de datos dorado para el entrenamiento de modelos.

Cerrar el ciclo de valor con la supervisión y el reentrenamiento de modelos

Tras implementar el modelo, el equipo de aprendizaje automático utilizó la plataforma TrueFoundry para configurar una canalización a fin de supervisar su rendimiento y garantizar que genera un impacto empresarial al:

• Configuración tableros y alertas sobre el rendimiento del modelo, la latencia, etc.
• Configurar una canalización automatizada de reentrenamiento, validación e implementación si se detecta una desviación de datos y los datos están disponibles para el reentrenamiento

Detección de filtraciones de datos y seguridad

Dada la naturaleza confidencial de los datos y las predicciones de los modelos, el equipo de aprendizaje automático utilizó la plataforma TrueFoundry para:

• Configure un registro de auditoría de los datos que se utilizan en los modelos y sus inferencias.
• Detecte fugas de datos y memoria, configure la autenticación de API, etc.

Despliegue de aprendizaje automático en múltiples nubes

El equipo tenía cargas de trabajo ejecutándose en AWS y GCP y necesitaba mover algunos modelos de una nube a otra. Utilizaron el plano de control multinube de TrueFoundry para:

1. Gestione el acceso y la seguridad en las nubes.
2. Clone modelos y canalizaciones de inferencia de una nube a otra con un solo clic

«Nos llevó solo 6 días, en lugar de los 4 meses esperados, trasladar nuestras canalizaciones de aprendizaje automático de AWS a GCP con TrueFoundry, lo cual fue increíble. Hemos sido uno de los primeros socios de TrueFoundry y hemos visto cómo el producto ha mejorado considerablemente».

— Líder de DevOps

Crear un impacto en la experiencia de los usuarios con el aprendizaje automático

Al utilizar los modelos de aprendizaje automático implementados en la plataforma TrueFoundry, el equipo pudo ofrecer una experiencia de cliente mucho más fluida. Automatizaron los procesos manuales, lo que liberó tiempo al equipo farmacéutico. El proyecto redujo el tiempo de entrega de las recetas de los clientes a la caja de 2 horas a 5 minutos.

‍

Estos cambios mejoraron el porcentaje de conversión de los clientes al subir las recetas en aproximadamente 1 punto porcentual, lo que tendría un impacto de 1,5 millones de dólares en los ingresos de la empresa durante el primer año y, posiblemente, más en el futuro.

Testimonio del jefe de ingeniería