Une place de marché en ligne de médicaments augmente ses revenus de 1,5 million de dollars en simplifiant le parcours client

« Le taux d'abandon des clients entre le téléchargement des ordonnances et la confirmation de la commande était très élevé. »

— Chef d'entreprise, Médecine sur ordonnance

‍

L'ancienne méthode de commande obligeait les clients à attendre des heures avant que leurs commandes ne puissent être traitées. Cela a entraîné l'abandon de nombreux clients entre le téléchargement des ordonnances et la commande (80 à 90 % des clients). L'entreprise a identifié que l'automatisation des processus suivants pourrait permettre d'accélérer les délais d'exécution et d'améliorer le taux de conversion des clients :

1. Détection de la lisibilité de l'image téléchargée par les clients
2. Lire les noms et la posologie des médicaments figurant sur la prescription et les mettre dans le panier du client

Le responsable commercial a contacté l'équipe d'apprentissage automatique pour créer un pipeline d'apprentissage automatique capable de résoudre ces problèmes. Ils souhaitaient une solution rapide car cela affectait directement leurs revenus.

« Nous passions beaucoup de temps à faire des choses qui ne relevaient pas de notre compétence. »

— Scientifique des données en chef

L'équipe d'apprentissage automatique était en retard dans la livraison du projet. L'équipe a effectué de nombreux échanges avec l'équipe DevOps pour mettre en place des infrastructures pour de nouvelles expériences, créer des démonstrations, déployer des API de modèles, etc. L'équipe a dû relever le défi de créer des modèles sophistiqués tels que l'OCR (reconnaissance optique de caractères) et la détection du flou sur les données de prescription. Ces données étaient bruyantes mais exigeaient que le modèle soit précis et nécessitaient donc de multiples expériences et itérations avec des architectures de modèles de pointe.

L'équipe d'apprentissage automatique avait besoin d'aide pour se concentrer sur la résolution de ce problème complexe d'apprentissage automatique, car elle était occupée à préparer la production du modèle. Cela a entraîné un retard prolongé dans la réalisation de l'impact commercial.

L'entreprise souhaitait un outil MLOps que l'équipe d'apprentissage automatique pourrait utiliser pour configurer le pipeline d'apprentissage automatique sans avoir besoin de l'aide de DevOps pour créer, tester, démontrer, mettre en production et surveiller ses modèles.

‍

TrueFoundry a contribué à optimiser le pipeline d'apprentissage automatique par 5

TrueFoundry a permis à l'équipe de science des données de devenir indépendante en ce qui concerne ses exigences en matière de MLOps. L'équipe pouvait agir de manière indépendante sur des sujets qui nécessitaient généralement des échanges avec l'équipe DevOps.

« TrueFoundry a agi en tant que partenaire pour l'équipe de science des données et a souvent dépassé ses limites pour assurer le succès de notre équipe. »

— Scientifique des données senior

‍

L'équipe d'apprentissage automatique utilise TrueFoundry pour les raisons suivantes :

Prototypage 10 fois plus rapide en effectuant des expériences en parallèle

Au cours de la phase de développement, l'équipe a utilisé la plateforme TrueFoundry pour

• Accélérez l'expérimentation en exécutant plus de 10 modèles/hyperparamètres en parallèle avec Offres d'emploi de TrueFoundry, réduisant le temps d'expérimentation de plus de 90 %
• Gardez une trace de leur expérience et enregistrez les métadonnées pour reproduire les expériences.

Réduction du temps de déploiement des modèles de 3 jours à 1 heure

L'équipe a pu déployer indépendamment, grâce à la plateforme, des modèles de production en une heure :

• Ils ont déployé les points de terminaison de l'API REST de leurs modèles auprès de différents fournisseurs de cloud (AWS et GCP) avec un flux de travail unifié via l'interface utilisateur ou à l'aide du SDK Python.
• L'équipe pouvait configurer des stratégies de déploiement, des limites de ressources, une mise à l'échelle automatique, etc., pour les modèles.
• Une fois que les performances des modèles étaient satisfaisantes, ils pouvaient les promouvoir dans l'environnement de test en un seul clic sur l'interface utilisateur.

Feedback plus rapide en créant des démos

L'équipe avait régulièrement besoin des commentaires des chefs de produit et des chefs d'entreprise. Elle a donc utilisé la plateforme pour :

• Lancez rapidement des démos avec des interfaces utilisateur simples pour valider les performances du modèle directement auprès des pharmaciens/experts médicaux.
• Créez une interface utilisateur pour l'annotation des données et créez un jeu de données doré pour l'entraînement des modèles.

Boucler la boucle de valeur grâce à la surveillance des modèles et à la reconversion

Après avoir déployé le modèle, l'équipe d'apprentissage automatique a utilisé la plateforme TrueFoundry pour configurer un pipeline afin de surveiller ses performances et de s'assurer qu'il a un impact commercial en :

• Configuration tableaux de bord et des alertes sur les performances du modèle, la latence, etc.
• Configuration d'un pipeline de reconversion, de validation et de déploiement automatisé si une dérive des données est détectée et que des données sont disponibles pour la reconversion

Détecter les fuites de données et de sécurité

Compte tenu de la nature sensible des données et des prévisions des modèles, l'équipe d'apprentissage automatique a utilisé la plateforme TrueFoundry pour :

• Configurez une piste d'audit des données utilisées dans les modèles et de leurs inférences.
• Détectez les fuites de données et de mémoire, configurez l'authentification par API, etc.

Déploiement de machine learning multicloud

L'équipe avait des charges de travail exécutées dans AWS et GCP et devait déplacer certains modèles d'un cloud à un autre. Ils ont utilisé le plan de contrôle multicloud de TrueFoundry pour :

1. Gérez l'accès et la sécurité dans tous les clouds.
2. Clonez des modèles et des pipelines d'inférence d'un cloud à un autre en un seul clic

« Nous n'avons mis que 6 jours au lieu des 4 mois prévus pour transférer nos pipelines de machine learning d'AWS vers la migration GCP avec TrueFoundry, ce qui était incroyable. Nous avons été l'un des premiers partenaires de TrueFoundry et nous avons constaté une amélioration significative du produit. »

— Responsable DevOps

Créer un impact sur l'expérience des utilisateurs grâce à l'apprentissage automatique

Grâce aux modèles de machine learning déployés sur la plateforme TrueFoundry, l'équipe a pu offrir une expérience client beaucoup plus fluide. Ils ont automatisé les processus manuels, libérant ainsi du temps à l'équipe du pharmacien. Le projet a réduit le délai de prescription des clients avant le paiement de 2 heures à 5 minutes.

‍

Ces changements ont amélioré le pourcentage de conversion des clients ayant téléchargé les ordonnances d'environ 1 point de pourcentage, ce qui aurait un impact global de 1,5 million de dollars pour l'entreprise la première année et potentiellement davantage à l'avenir.

Témoignage du responsable de l'ingénierie