বীমা শিল্পে AWS AI পরিষেবাগুলির সাথে বুদ্ধিমান নথি প্রক্রিয়াকরণ: পার্ট 1

বুদ্ধিমান ডকুমেন্ট প্রসেসিং (IDP) এর লক্ষ্য হল আপনার কাগজপত্র প্রক্রিয়া করার জন্য AI প্রয়োগ করে আপনার প্রতিষ্ঠানকে দ্রুত এবং আরও সঠিক সিদ্ধান্ত নিতে সাহায্য করা। এই দুই-অংশের সিরিজ AWS AI প্রযুক্তিগুলিকে হাইলাইট করে যা বীমা কোম্পানিগুলি তাদের ব্যবসায়িক প্রক্রিয়াগুলিকে গতিশীল করতে ব্যবহার করতে পারে। এই AI প্রযুক্তিগুলি বীমা ব্যবহারের ক্ষেত্রে যেমন দাবি, আন্ডাররাইটিং, গ্রাহকের চিঠিপত্র, চুক্তি, বা বিরোধের সমাধান পরিচালনার ক্ষেত্রে ব্যবহার করা যেতে পারে। এই সিরিজটি বীমা শিল্পে একটি দাবি প্রক্রিয়াকরণ ব্যবহারের ক্ষেত্রে ফোকাস করে; AWS IDP সমাধানের মৌলিক ধারণা সম্পর্কে আরও তথ্যের জন্য, নিম্নলিখিতটি পড়ুন দুটি অংশ সিরিজ.

দাবি প্রসেসিং একটি ওয়ার্কফ্লোতে একাধিক চেকপয়েন্ট নিয়ে গঠিত যা পর্যালোচনা, সত্যতা যাচাই এবং দাবির বিচার করার জন্য সঠিক আর্থিক দায়িত্ব নির্ধারণের জন্য প্রয়োজন। বীমা কোম্পানিগুলি দাবির বিচারের আগে দাবির জন্য এই চেকপয়েন্টগুলির মধ্য দিয়ে যায়। যদি কোনো দাবি সফলভাবে এই সমস্ত চেকপয়েন্টের মধ্য দিয়ে যায় কোনো সমস্যা ছাড়াই, বীমা কোম্পানি তা অনুমোদন করে এবং কোনো অর্থপ্রদান প্রক্রিয়া করে। যাইহোক, তাদের দাবির বিচারের জন্য অতিরিক্ত সহায়ক তথ্যের প্রয়োজন হতে পারে। এই দাবি প্রক্রিয়াকরণ প্রক্রিয়া প্রায়ই ম্যানুয়াল হয়, এটি ব্যয়বহুল, ত্রুটি-প্রবণ, এবং সময়সাপেক্ষ করে তোলে। বীমা গ্রাহকরা দাবি প্রক্রিয়াকরণের জন্য নথি প্রক্রিয়াকরণ পাইপলাইন স্বয়ংক্রিয় করতে AWS AI পরিষেবাগুলি ব্যবহার করে এই প্রক্রিয়াটিকে স্বয়ংক্রিয় করতে পারেন।

এই দুই-অংশের সিরিজে, আমরা আপনাকে একটি বীমা দাবি প্রক্রিয়াকরণ ব্যবহারের ক্ষেত্রে AWS AI পরিষেবাগুলি ব্যবহার করে কীভাবে স্বয়ংক্রিয়ভাবে এবং বুদ্ধিমত্তার সাথে ডকুমেন্টগুলিকে স্কেলে প্রসেস করতে পারেন তা নিয়ে আলোচনা করব।

সমাধান ওভারভিউ

নিম্নলিখিত চিত্রটি প্রতিটি পর্যায়ের প্রতিনিধিত্ব করে যা আমরা সাধারণত একটি IDP পাইপলাইনে দেখি। আমরা এই প্রতিটি ধাপের মধ্য দিয়ে হেঁটে যাই এবং কীভাবে তারা একটি দাবির আবেদন প্রক্রিয়ার সাথে জড়িত ধাপগুলির সাথে সংযুক্ত হয়, যখন একটি আবেদন জমা দেওয়া হয় থেকে শুরু করে, তদন্ত করা এবং আবেদনটি বন্ধ করা পর্যন্ত। এই পোস্টে, আমরা ডেটা ক্যাপচার, শ্রেণীবিভাগ, এবং নিষ্কাশন পর্যায়ের প্রযুক্তিগত বিবরণ কভার করি। ভিতরে পার্ট 2, আমরা নথি নিষ্কাশন পর্যায়টি প্রসারিত করি এবং নথি সমৃদ্ধকরণ, পর্যালোচনা এবং যাচাইকরণ অব্যাহত রাখি এবং একটি দাবি জালিয়াতি ব্যবহারের ক্ষেত্রে বিশ্লেষণ এবং ভিজ্যুয়ালাইজেশন প্রদানের সমাধান প্রসারিত করি।

নিম্নলিখিত স্থাপত্য চিত্রটি একটি দাবি প্রক্রিয়াকরণ আবেদনের বিভিন্ন ধাপ অনুযায়ী IDP পাইপলাইনের পর্যায়গুলির সময় ব্যবহৃত বিভিন্ন AWS পরিষেবাগুলি দেখায়।

সমাধান নিম্নলিখিত মূল পরিষেবাগুলি ব্যবহার করে:

• অ্যামাজন টেক্সট্র্যাক একটি মেশিন লার্নিং (ML) পরিষেবা যা স্বয়ংক্রিয়ভাবে স্ক্যান করা নথি থেকে পাঠ্য, হাতের লেখা এবং ডেটা বের করে। ফর্ম এবং টেবিল থেকে ডেটা সনাক্ত করতে, বুঝতে এবং বের করতে এটি সহজ অপটিক্যাল ক্যারেক্টার রিকগনিশন (OCR) এর বাইরে চলে যায়। অ্যামাজন টেক্সট্র্যাক্ট যেকোন ধরণের নথি পড়তে এবং প্রক্রিয়া করতে ML ব্যবহার করে, সঠিকভাবে পাঠ্য, হস্তাক্ষর, টেবিল এবং অন্যান্য ডেটা নিষ্কাশন করার জন্য কোন ম্যানুয়াল প্রচেষ্টা ছাড়াই।
• অ্যামাজন সমঝোতা একটি প্রাকৃতিক ভাষা প্রক্রিয়াকরণ (NLP) পরিষেবা যা পাঠ্য থেকে অন্তর্দৃষ্টি বের করতে ML ব্যবহার করে। Amazon Comprehend ব্যক্তি, অবস্থান, তারিখ, পরিমাণ এবং আরও অনেক কিছু সনাক্ত করতে পারে। এটি প্রভাবশালী ভাষা, ব্যক্তিগতভাবে সনাক্তযোগ্য তথ্য (PII) তথ্য সনাক্ত করতে পারে এবং নথিগুলিকে তাদের প্রাসঙ্গিক শ্রেণিতে শ্রেণীবদ্ধ করতে পারে।
• অ্যামাজন অগমেন্টেড এআই (Amazon A2I) হল একটি ML পরিষেবা যা মানুষের পর্যালোচনার জন্য প্রয়োজনীয় কর্মপ্রবাহ তৈরি করা সহজ করে তোলে। Amazon A2I সমস্ত ডেভেলপারদের কাছে মানব পর্যালোচনা নিয়ে আসে, মানব পর্যালোচনা সিস্টেম নির্মাণ বা বিপুল সংখ্যক মানব পর্যালোচক পরিচালনার সাথে সম্পর্কিত অপ্রত্যাশিত ভারী উত্তোলনকে সরিয়ে দেয়। Amazon A2I উভয়ের সাথে একীভূত করে অ্যামাজন টেক্সট্র্যাক এবং অ্যামাজন সমঝোতা IDP কর্মপ্রবাহের মধ্যে মানব পর্যালোচনা বা বৈধতা প্রবর্তন করার ক্ষমতা প্রদান করতে।

পূর্বশর্ত

নিম্নলিখিত বিভাগে, আমরা আর্কিটেকচারের প্রথম তিনটি ধাপের সাথে সম্পর্কিত বিভিন্ন পরিষেবার মধ্য দিয়ে চলেছি, অর্থাৎ, ডেটা ক্যাপচার, শ্রেণীবিভাগ এবং নিষ্কাশন পর্যায়গুলি।

আমাদের পড়ুন GitHub সংগ্রহস্থল দাবি প্রক্রিয়াকরণ প্যাকেটে নথির নমুনা সহ সম্পূর্ণ কোড নমুনার জন্য।

ডেটা ক্যাপচার ফেজ

দাবি এবং এর সমর্থনকারী নথিগুলি বিভিন্ন চ্যানেলের মাধ্যমে আসতে পারে, যেমন ফ্যাক্স, ইমেল, একটি অ্যাডমিন পোর্টাল এবং আরও অনেক কিছু। আপনি এই নথিগুলিকে একটি উচ্চ মাপযোগ্য এবং টেকসই স্টোরেজের মতো সংরক্ষণ করতে পারেন আমাজন সিম্পল স্টোরেজ সার্ভিস (Amazon S3)। এই নথিগুলি বিভিন্ন ধরনের হতে পারে, যেমন PDF, JPEG, PNG, TIFF এবং আরও অনেক কিছু। নথিগুলি বিভিন্ন ফর্ম্যাট এবং লেআউটে আসতে পারে এবং বিভিন্ন চ্যানেল থেকে ডেটা স্টোরে আসতে পারে।

শ্রেণিবিন্যাস পর্ব

নথির শ্রেণীবিভাগের পর্যায়ে, ডেটা ক্যাপচার পর্যায়ে সংরক্ষিত নথিগুলিকে শ্রেণীবদ্ধ করতে আমরা টেক্সটকে নথির প্রসঙ্গে রূপান্তর করতে অ্যামাজন টেক্সট্র্যাক্টের সাথে অ্যামাজন কম্প্রিহেন্ডকে একত্রিত করতে পারি। তারপরে আমরা দাবি প্রক্রিয়াকরণ প্যাকেটে সংজ্ঞায়িত ক্লাসগুলিতে নথিগুলিকে সংগঠিত করতে Amazon Comprehend-এ কাস্টম শ্রেণীবিভাগ ব্যবহার করতে পারি। কাস্টম শ্রেণীবিভাগও নথি যাচাইকরণ প্রক্রিয়া স্বয়ংক্রিয় করতে এবং প্যাকেট থেকে অনুপস্থিত নথি সনাক্ত করতে সহায়ক। কাস্টম শ্রেণীবিভাগে দুটি ধাপ রয়েছে, যেমনটি আর্কিটেকচার ডায়াগ্রামে দেখানো হয়েছে:

1. কাস্টম ক্লাসিফায়ারের জন্য প্রশিক্ষণ ডেটা প্রস্তুত করতে ডেটা স্টোরেজের সমস্ত নথি থেকে Amazon Textract ব্যবহার করে পাঠ্য বের করুন।
2. একটি Amazon Comprehend কাস্টম শ্রেণীবিভাগ মডেলকে প্রশিক্ষণ দিন (এটিও বলা হয় a দলিল শ্রেণিবদ্ধ) পাঠ্য বিষয়বস্তুর উপর ভিত্তি করে আগ্রহের শ্রেণীগুলি চিনতে।

Amazon Comprehend কাস্টম ক্লাসিফিকেশন মডেল প্রশিক্ষিত হওয়ার পরে, আমরা নথি শ্রেণীবদ্ধ করতে রিয়েল-টাইম এন্ডপয়েন্ট ব্যবহার করতে পারি। অ্যামাজন কম্প্রিহেন্ড কী-মান জোড়ার একটি অ্যারেতে প্রতিটি ক্লাসের সাথে লিঙ্কযুক্ত আত্মবিশ্বাসের স্কোর সহ সমস্ত শ্রেণীর নথি ফেরত দেয় (Doc_name - Confidence_score) আমরা বিস্তারিত নথির শ্রেণিবিন্যাস নমুনা কোডের মাধ্যমে যাওয়ার পরামর্শ দিই GitHub.

নিষ্কাশন পর্ব

নিষ্কাশন পর্বে, আমরা Amazon Textract এবং Amazon Comprehend ব্যবহার করে নথি থেকে ডেটা বের করি। এই পোস্টের জন্য, দাবি প্রক্রিয়াকরণ প্যাকেটে নিম্নলিখিত নমুনা নথিগুলি ব্যবহার করুন: একটি সেন্টার অফ মেডিকেড এবং মেডিকেয়ার পরিষেবা (CMS)-1500 দাবি ফর্ম, ড্রাইভারের লাইসেন্স এবং বীমা আইডি এবং চালান৷

একটি CMS-1500 দাবি ফর্ম থেকে ডেটা বের করুন

CMS-1500 ফর্মটি একটি অ-প্রাতিষ্ঠানিক প্রদানকারী বা সরবরাহকারী দ্বারা মেডিকেয়ার ক্যারিয়ারকে বিল করার জন্য ব্যবহৃত স্ট্যান্ডার্ড দাবি ফর্ম।

CMS-1500 ফর্মটি সঠিকভাবে প্রক্রিয়া করা গুরুত্বপূর্ণ, অন্যথায় এটি দাবির প্রক্রিয়াকে ধীর করে দিতে পারে বা ক্যারিয়ার দ্বারা অর্থপ্রদানে বিলম্ব করতে পারে। অ্যামাজন টেক্সট্র্যাক্ট সহ AnalyzeDocument API, আমরা দাবি ফর্মের মধ্যে আরও অন্তর্দৃষ্টি বোঝার জন্য নথি থেকে পাঠ্য বের করতে উচ্চ নির্ভুলতার সাথে নিষ্কাশন প্রক্রিয়াটিকে দ্রুততর করতে পারি। নিচে একটি CMS-1500 দাবি ফর্মের নমুনা নথি।

আমরা এখন ব্যবহার AnalyzeDocument এপিআই দুটি এক্সট্র্যাক্ট করতে FeatureTypes, FORMS এবং TABLES, নথি থেকে:

from IPython.display import display, JSON
form_resp = textract.analyze_document(Document={'S3Object':{"Bucket": data_bucket, "Name": cms_key}}, FeatureTypes=['FORMS', 'TABLES'])

# print tables
print(get_string(textract_json=form_resp, output_type=[Textract_Pretty_Print.TABLES], table_format=Pretty_Print_Table_Format.fancy_grid))

# using our constructed helper function - values returned as a dictionary

display(JSON(getformkeyvalue(form_resp), root="Claim Form"))

ভাল পঠনযোগ্যতার জন্য নিম্নলিখিত ফলাফলগুলি সংক্ষিপ্ত করা হয়েছে। আরো বিস্তারিত তথ্যের জন্য, আমাদের দেখুন GitHub রেপো।

সার্জারির FORMS নিষ্কাশন কী-মান জোড়া হিসাবে চিহ্নিত করা হয়।

সার্জারির TABLES নিষ্কাশন দাবি ফর্মে একটি শনাক্ত করা টেবিলের মধ্যে সেল, মার্জড সেল এবং কলাম হেডার ধারণ করে।

আইডি নথি থেকে ডেটা বের করুন

একটি বীমা আইডির মতো পরিচয় নথিগুলির জন্য, যার বিভিন্ন লেআউট থাকতে পারে, আমরা অ্যামাজন টেক্সট্র্যাক্ট ব্যবহার করতে পারি AnalyzeDocument API আমরা ব্যবহার করি FeatureType FORMS জন্য কনফিগারেশন হিসাবে AnalyzeDocument ইন্সুরেন্স আইডি থেকে মূল-মান জোড়া বের করতে API (নিম্নলিখিত নমুনা দেখুন):

নিম্নলিখিত কোড চালান:

ins_form_resp = textract.analyze_document(Document={'S3Object':{"Bucket": data_bucket, "Name": ins_card_key}}, FeatureTypes=['FORMS'])

# using our constructed helper function - values returned as a dictionary

display(JSON(getformkeyvalue(ins_form_resp), root="Insurance card"))

আমরা ফলাফল অ্যারেতে কী-মানের জোড়াগুলি পাই, যেমনটি নিম্নলিখিত স্ক্রিনশটে দেখানো হয়েছে।

মার্কিন ড্রাইভিং লাইসেন্স বা ইউএস পাসপোর্টের মতো আইডি নথিগুলির জন্য, Amazon Textract টেমপ্লেট বা বিন্যাসের প্রয়োজন ছাড়াই স্বয়ংক্রিয়ভাবে মূল পদগুলি বের করার জন্য বিশেষ সহায়তা প্রদান করে, যা আমরা আগে বীমা আইডি উদাহরণের জন্য দেখেছি তার বিপরীতে। সঙ্গে AnalyzeID API, ব্যবসাগুলি বিভিন্ন টেমপ্লেট বা বিন্যাস আছে এমন ID নথিগুলি থেকে দ্রুত এবং সঠিকভাবে তথ্য বের করতে পারে। দ্য AnalyzeID এপিআই ডেটা প্রকারের দুটি বিভাগ প্রদান করে:

• আইডিতে পাওয়া মূল-মান জোড়া যেমন জন্ম তারিখ, ইস্যু তারিখ, আইডি নম্বর, শ্রেণী এবং সীমাবদ্ধতা
• নথিতে অন্তর্নিহিত ক্ষেত্রগুলি যেগুলির সাথে স্পষ্ট কী যুক্ত নাও থাকতে পারে, যেমন নাম, ঠিকানা এবং ইস্যুকারী

আমরা আমাদের দাবি প্রক্রিয়াকরণ প্যাকেট থেকে নিম্নলিখিত নমুনা ইউএস ড্রাইভার লাইসেন্স ব্যবহার করি।

নিম্নলিখিত কোড চালান:

ID_resp = textract.analyze_id(DocumentPages=[{'S3Object':{"Bucket": data_bucket, "Name": key}}])

# once again using the textract response parser
from trp.trp2_analyzeid import TAnalyzeIdDocument, TAnalyzeIdDocumentSchema

t_doc = TAnalyzeIdDocumentSchema().load(ID_resp)

list_of_results = t_doc.get_values_as_list()
print(tabulate([x[1:3] for x in list_of_results]))

নিম্নলিখিত স্ক্রিনশট আমাদের ফলাফল দেখায়.

ফলাফলের স্ক্রিনশট থেকে, আপনি লক্ষ্য করতে পারেন যে নির্দিষ্ট কীগুলি উপস্থাপন করা হয়েছে যা ড্রাইভিং লাইসেন্সে ছিল না। উদাহরণ স্বরূপ, Veteran লাইসেন্সে একটি কী পাওয়া যায় না; যাইহোক, এটি একটি প্রাক-জনবহুল কী-মান যা AnalyzeID সমর্থন করে, রাজ্যগুলির মধ্যে লাইসেন্সের মধ্যে পার্থক্যের কারণে।

চালান এবং রসিদ থেকে ডেটা বের করুন

অনুরূপ AnalyzeID API, the AnalyzeExpense এপিআই ইনভয়েস এবং রসিদগুলির জন্য বিশেষ সহায়তা প্রদান করে প্রাসঙ্গিক তথ্য যেমন বিক্রেতার নাম, সাবটোটাল এবং মোট পরিমাণ এবং আরও অনেক কিছু ইনভয়েস নথির ফর্ম্যাট থেকে। নিষ্কাশনের জন্য আপনার কোন টেমপ্লেট বা কনফিগারেশনের প্রয়োজন নেই। Amazon Textract অস্পষ্ট চালান এবং সেইসাথে রসিদগুলির প্রসঙ্গ বুঝতে ML ব্যবহার করে।

নিম্নলিখিত একটি নমুনা চিকিৎসা বীমা চালান.

আমরা ব্যবহার করি AnalyzeExpense প্রমিত ক্ষেত্রগুলির একটি তালিকা দেখতে API। যে ক্ষেত্রগুলি আদর্শ ক্ষেত্র হিসাবে স্বীকৃত নয় সেগুলিকে শ্রেণীবদ্ধ করা হয়৷ OTHER:

expense_resp = textract.analyze_expense(Document={'S3Object':{"Bucket": data_bucket, "Name": invc_key}})

# print invoice summary

print(get_expensesummary_string(textract_json=expense_resp, table_format=Pretty_Print_Table_Format.fancy_grid))

# print invoice line items

print(get_expenselineitemgroups_string(textract_json=expense_resp, table_format=Pretty_Print_Table_Format.fancy_grid))

আমরা ফলাফলগুলিতে কী-মানের জোড়া (বাম দিকে স্ক্রিনশট দেখুন) এবং ক্রয় করা পৃথক লাইন আইটেমগুলির সম্পূর্ণ সারি (ডানদিকে স্ক্রিনশট দেখুন) হিসাবে ক্ষেত্রগুলির নিম্নলিখিত তালিকাটি পাই৷

উপসংহার

এই পোস্টে, আমরা দাবি প্রক্রিয়াকরণের সাধারণ চ্যালেঞ্জগুলি প্রদর্শন করেছি, এবং কীভাবে আমরা একটি দাবির স্বয়ংক্রিয় বিচারের জন্য একটি বুদ্ধিমান নথি প্রক্রিয়াকরণ পাইপলাইন স্বয়ংক্রিয় করতে AWS AI পরিষেবাগুলি ব্যবহার করতে পারি। আমরা দেখেছি কিভাবে একটি Amazon Comprehend কাস্টম ক্লাসিফায়ার ব্যবহার করে ডকুমেন্টগুলিকে বিভিন্ন ডকুমেন্ট ক্লাসে শ্রেণীবদ্ধ করতে হয়, এবং কিভাবে অ্যামাজন টেক্সট্র্যাক্ট ব্যবহার করে আনস্ট্রাকচার্ড, সেমি-স্ট্রাকচার্ড, স্ট্রাকচার্ড এবং বিশেষায়িত ডকুমেন্টের ধরন বের করতে হয়।

In পার্ট 2, আমরা অ্যামাজন টেক্সট্র্যাক্টের মাধ্যমে নিষ্কাশন পর্যায়ে প্রসারিত করি। এছাড়াও আমরা ডেটা সমৃদ্ধ করার জন্য Amazon Comprehend পূর্ব-নির্ধারিত সত্তা এবং কাস্টম সত্ত্বাগুলি ব্যবহার করি এবং আরও প্রক্রিয়াকরণের জন্য বিশ্লেষণ এবং ভিজ্যুয়ালাইজেশন পরিষেবাগুলির সাথে সংহত করতে IDP পাইপলাইনকে কীভাবে প্রসারিত করতে হয় তা দেখাই৷

আমরা এর সুরক্ষা বিভাগগুলি পর্যালোচনা করার পরামর্শ দিই৷ আমাজন টেক্সট্র্যাক্ট, আমাজন বোঝা, এবং আমাজন A2I ডকুমেন্টেশন এবং প্রদত্ত নির্দেশিকা অনুসরণ। সমাধানের মূল্য সম্পর্কে আরও জানতে, এর মূল্যের বিবরণ পর্যালোচনা করুন আমাজন টেক্সট্র্যাক্ট, অ্যামাজন সমঝোতা, এবং আমাজন A2I.

লেখক সম্পর্কে

চিন্ময়ী রানে অ্যামাজন ওয়েব সার্ভিসেসের একজন এআই/এমএল বিশেষজ্ঞ সলিউশন আর্কিটেক্ট। তিনি ফলিত গণিত এবং মেশিন লার্নিং সম্পর্কে উত্সাহী। তিনি AWS গ্রাহকদের জন্য বুদ্ধিমান ডকুমেন্ট প্রসেসিং সমাধান ডিজাইন করার উপর ফোকাস করেন। কাজের বাইরে, তিনি সালসা এবং বাছাটা নাচ উপভোগ করেন।

সোনালী সাহু আমাজন ওয়েব সার্ভিসে ইন্টেলিজেন্ট ডকুমেন্ট প্রসেসিং এআই/এমএল সলিউশন আর্কিটেক্ট দলের নেতৃত্ব দিচ্ছে। তিনি একজন উত্সাহী টেকনোফাইল এবং উদ্ভাবন ব্যবহার করে জটিল সমস্যা সমাধানের জন্য গ্রাহকদের সাথে কাজ করা উপভোগ করেন। তার ফোকাসের মূল ক্ষেত্র হল কৃত্রিম বুদ্ধিমত্তা এবং বুদ্ধিমান নথি প্রক্রিয়াকরণের জন্য মেশিন লার্নিং।

টিম কনডেলো আমাজন ওয়েব সার্ভিসে একজন সিনিয়র এআই/এমএল স্পেশালিস্ট সলিউশন আর্কিটেক্ট। তার ফোকাস প্রাকৃতিক ভাষা প্রক্রিয়াকরণ এবং কম্পিউটার দৃষ্টি। টিম গ্রাহকের ধারনা নেওয়া এবং সেগুলিকে মাপযোগ্য সমাধানে পরিণত করা উপভোগ করে।