Έξυπνη επεξεργασία εγγράφων με υπηρεσίες AWS AI στον ασφαλιστικό κλάδο: Μέρος 1

Ο στόχος της έξυπνης επεξεργασίας εγγράφων (IDP) είναι να βοηθήσει τον οργανισμό σας να λάβει πιο γρήγορες και ακριβείς αποφάσεις, εφαρμόζοντας AI για την επεξεργασία της γραφειοκρατίας σας. Αυτή η σειρά δύο μερών υπογραμμίζει τις τεχνολογίες AWS AI που μπορούν να χρησιμοποιήσουν οι ασφαλιστικές εταιρείες για να επιταχύνουν τις επιχειρηματικές τους διαδικασίες. Αυτές οι τεχνολογίες τεχνητής νοημοσύνης μπορούν να χρησιμοποιηθούν σε περιπτώσεις ασφαλιστικής χρήσης, όπως αξιώσεις, αναδοχές, αλληλογραφία πελατών, συμβόλαια ή χειρισμός επίλυσης διαφορών. Αυτή η σειρά εστιάζει σε μια περίπτωση χρήσης επεξεργασίας αποζημιώσεων στον ασφαλιστικό κλάδο. για περισσότερες πληροφορίες σχετικά με τις θεμελιώδεις έννοιες της λύσης AWS IDP, ανατρέξτε στα παρακάτω δύο σειρών.

Η επεξεργασία των αξιώσεων αποτελείται από πολλά σημεία ελέγχου σε μια ροή εργασιών που απαιτείται για τον έλεγχο, την επαλήθευση της γνησιότητας και τον προσδιορισμό της σωστής οικονομικής ευθύνης για την εκδίκαση μιας αξίωσης. Οι ασφαλιστικές εταιρείες περνούν από αυτά τα σημεία ελέγχου για απαιτήσεις πριν από την εκδίκαση των απαιτήσεων. Εάν μια απαίτηση περάσει με επιτυχία από όλα αυτά τα σημεία ελέγχου χωρίς προβλήματα, η ασφαλιστική εταιρεία την εγκρίνει και επεξεργάζεται οποιαδήποτε πληρωμή. Ωστόσο, μπορεί να απαιτούν πρόσθετες υποστηρικτικές πληροφορίες για να εκδικάσουν μια αξίωση. Αυτή η διαδικασία επεξεργασίας αξιώσεων είναι συχνά χειροκίνητη, καθιστώντας την δαπανηρή, επιρρεπή σε σφάλματα και χρονοβόρα. Οι πελάτες ασφάλισης μπορούν να αυτοματοποιήσουν αυτή τη διαδικασία χρησιμοποιώντας υπηρεσίες AWS AI για την αυτοματοποίηση του αγωγού επεξεργασίας εγγράφων για την επεξεργασία αξιώσεων.

Σε αυτήν τη σειρά δύο μερών, σας παρουσιάζουμε πώς μπορείτε να αυτοματοποιείτε και να επεξεργάζεστε έξυπνα έγγραφα σε κλίμακα χρησιμοποιώντας υπηρεσίες AWS AI για μια περίπτωση χρήσης επεξεργασίας ασφαλιστικών αξιώσεων.

Επισκόπηση λύσεων

Το παρακάτω διάγραμμα αντιπροσωπεύει κάθε στάδιο που βλέπουμε συνήθως σε μια διοχέτευση IDP. Ακολουθούμε καθένα από αυτά τα στάδια και πώς συνδέονται με τα βήματα που εμπλέκονται σε μια διαδικασία αίτησης αξιώσεων, ξεκινώντας από τη στιγμή που υποβάλλεται μια αίτηση, έως τη διερεύνηση και το κλείσιμο της αίτησης. Σε αυτήν την ανάρτηση, καλύπτουμε τις τεχνικές λεπτομέρειες των σταδίων συλλογής, ταξινόμησης και εξαγωγής δεδομένων. Σε Μέρος 2, επεκτείνουμε το στάδιο εξαγωγής εγγράφων και συνεχίζουμε να τεκμηριώνουμε τον εμπλουτισμό, τον έλεγχο και την επαλήθευση και επεκτείνουμε τη λύση για την παροχή αναλυτικών στοιχείων και απεικονίσεων για μια περίπτωση χρήσης απάτης αξιώσεων.

Το ακόλουθο διάγραμμα αρχιτεκτονικής δείχνει τις διαφορετικές υπηρεσίες AWS που χρησιμοποιούνται κατά τις φάσεις του αγωγού IDP σύμφωνα με διαφορετικά στάδια μιας εφαρμογής επεξεργασίας αξιώσεων.

Η λύση χρησιμοποιεί τις ακόλουθες βασικές υπηρεσίες:

• Textract Amazon είναι μια υπηρεσία μηχανικής εκμάθησης (ML) που εξάγει αυτόματα κείμενο, χειρόγραφο και δεδομένα από σαρωμένα έγγραφα. Η αναγνώριση, η κατανόηση και η εξαγωγή δεδομένων από φόρμες και πίνακες υπερβαίνει την απλή οπτική αναγνώριση χαρακτήρων (OCR). Το Amazon Textract χρησιμοποιεί ML για την ανάγνωση και επεξεργασία οποιουδήποτε τύπου εγγράφου, εξάγοντας με ακρίβεια κείμενο, χειρόγραφο, πίνακες και άλλα δεδομένα χωρίς χειροκίνητη προσπάθεια.
• Κατανοήστε το Amazon είναι μια υπηρεσία επεξεργασίας φυσικής γλώσσας (NLP) που χρησιμοποιεί ML για την εξαγωγή πληροφοριών από κείμενο. Το Amazon Comprehend μπορεί να ανιχνεύσει οντότητες όπως πρόσωπο, τοποθεσία, ημερομηνία, ποσότητα και άλλα. Μπορεί επίσης να εντοπίσει την κυρίαρχη γλώσσα, τις πληροφορίες προσωπικής ταυτοποίησης (PII) και να ταξινομήσει έγγραφα στη σχετική κατηγορία τους.
• Amazon Augmented AI (Amazon A2I) είναι μια υπηρεσία ML που διευκολύνει τη δημιουργία των ροών εργασίας που απαιτούνται για την ανθρώπινη αναθεώρηση. Το Amazon A2I φέρνει την ανθρώπινη κριτική σε όλους τους προγραμματιστές, καταργώντας την αδιαφοροποίητη βαρύτητα που σχετίζεται με την κατασκευή συστημάτων ανθρώπινης αξιολόγησης ή τη διαχείριση μεγάλου αριθμού ανθρώπων αναθεωρητών. Το Amazon A2I ενσωματώνει και τα δύο Textract Amazon και Κατανοήστε το Amazon να παρέχει τη δυνατότητα εισαγωγής ανθρώπινης αναθεώρησης ή επικύρωσης στη ροή εργασιών IDP.

Προϋποθέσεις

Στις επόμενες ενότητες, περιηγούμαστε στις διάφορες υπηρεσίες που σχετίζονται με τις τρεις πρώτες φάσεις της αρχιτεκτονικής, δηλαδή τις φάσεις συλλογής, ταξινόμησης και εξαγωγής δεδομένων.

Ανατρέξτε στο δικό μας Αποθετήριο GitHub για δείγματα πλήρους κώδικα μαζί με τα δείγματα εγγράφων στο πακέτο επεξεργασίας αξιώσεων.

Φάση λήψης δεδομένων

Οι αξιώσεις και τα δικαιολογητικά τους μπορούν να έρθουν μέσω διαφόρων καναλιών, όπως φαξ, email, πύλης διαχειριστή και άλλα. Μπορείτε να αποθηκεύσετε αυτά τα έγγραφα σε μια εξαιρετικά επεκτάσιμη και ανθεκτική αποθήκευση όπως Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3). Αυτά τα έγγραφα μπορεί να είναι διαφόρων τύπων, όπως PDF, JPEG, PNG, TIFF και άλλα. Τα έγγραφα μπορούν να έρχονται σε διάφορες μορφές και διατάξεις και μπορούν να προέρχονται από διαφορετικά κανάλια στο χώρο αποθήκευσης δεδομένων.

Φάση ταξινόμησης

Στο στάδιο ταξινόμησης εγγράφων, μπορούμε να συνδυάσουμε το Amazon Comprehend με το Amazon Textract για να μετατρέψουμε κείμενο σε περιβάλλον εγγράφου για να ταξινομήσουμε τα έγγραφα που είναι αποθηκευμένα στο στάδιο λήψης δεδομένων. Στη συνέχεια, μπορούμε να χρησιμοποιήσουμε προσαρμοσμένη ταξινόμηση στο Amazon Comprehend για να οργανώσουμε τα έγγραφα σε κλάσεις που ορίσαμε στο πακέτο επεξεργασίας αξιώσεων. Η προσαρμοσμένη ταξινόμηση είναι επίσης χρήσιμη για την αυτοματοποίηση της διαδικασίας επαλήθευσης εγγράφων και τον εντοπισμό τυχόν εγγράφων που λείπουν από το πακέτο. Υπάρχουν δύο βήματα στην προσαρμοσμένη ταξινόμηση, όπως φαίνεται στο διάγραμμα αρχιτεκτονικής:

1. Εξαγάγετε κείμενο χρησιμοποιώντας το Amazon Textract από όλα τα έγγραφα στην αποθήκευση δεδομένων για να προετοιμάσετε δεδομένα εκπαίδευσης για τον προσαρμοσμένο ταξινομητή.
2. Εκπαιδεύστε ένα προσαρμοσμένο μοντέλο ταξινόμησης Amazon Comprehend (ονομάζεται επίσης α έγγραφο ταξινομητής) να αναγνωρίζουν τις κατηγορίες ενδιαφέροντος με βάση το περιεχόμενο του κειμένου.

Αφού εκπαιδευτεί το μοντέλο προσαρμοσμένης ταξινόμησης Amazon Comprehend, μπορούμε να χρησιμοποιήσουμε το τελικό σημείο σε πραγματικό χρόνο για την ταξινόμηση εγγράφων. Το Amazon Comprehend επιστρέφει όλες τις κατηγορίες εγγράφων με βαθμολογία εμπιστοσύνης που συνδέεται με κάθε κατηγορία σε μια σειρά ζευγών κλειδιών-τιμών (Doc_name - Confidence_score). Συνιστούμε να διαβάσετε το αναλυτικό δείγμα κώδικα ταξινόμησης εγγράφων GitHub.

Φάση εκχύλισης

Στη φάση εξαγωγής, εξάγουμε δεδομένα από έγγραφα χρησιμοποιώντας το Amazon Textract και το Amazon Comprehend. Για αυτήν την ανάρτηση, χρησιμοποιήστε τα ακόλουθα δείγματα εγγράφων στο πακέτο διεκπεραίωσης αξιώσεων: ένα έντυπο αξίωσης Centre of Medicaid and Medicare Services (CMS)-1500, άδεια οδήγησης και αναγνωριστικό ασφάλισης και τιμολόγιο.

Εξαγωγή δεδομένων από μια φόρμα αξίωσης CMS-1500

Το έντυπο CMS-1500 είναι το τυπικό έντυπο αξίωσης που χρησιμοποιείται από έναν μη θεσμικό πάροχο ή προμηθευτή για τη χρέωση των παρόχων της Medicare.

Είναι σημαντικό να επεξεργαστείτε το έντυπο CMS-1500 με ακρίβεια, διαφορετικά μπορεί να επιβραδύνει τη διαδικασία αξιώσεων ή να καθυστερήσει την πληρωμή από την εταιρεία κινητής τηλεφωνίας. Με το Amazon Textract AnalyzeDocument API, μπορούμε να επιταχύνουμε τη διαδικασία εξαγωγής με μεγαλύτερη ακρίβεια για την εξαγωγή κειμένου από έγγραφα, προκειμένου να κατανοήσουμε περαιτέρω πληροφορίες στο έντυπο αξίωσης. Το παρακάτω είναι δείγμα εγγράφου μιας φόρμας αξίωσης CMS-1500.

Τώρα χρησιμοποιούμε το AnalyzeDocument API για εξαγωγή δύο FeatureTypes, FORMS και TABLES, από το έγγραφο:

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"))

Τα ακόλουθα αποτελέσματα έχουν συντομευθεί για καλύτερη αναγνωσιμότητα. Για πιο λεπτομερείς πληροφορίες, ανατρέξτε στο μας Repo GitHub.

Η FORMS η εξαγωγή προσδιορίζεται ως ζεύγη κλειδιού-τιμής.

Η TABLES Η εξαγωγή περιέχει κελιά, συγχωνευμένα κελιά και κεφαλίδες στηλών σε έναν πίνακα που έχει εντοπιστεί στη φόρμα αξίωσης.

Εξαγωγή δεδομένων από έγγραφα ταυτότητας

Για έγγραφα ταυτότητας όπως η ταυτότητα ασφάλισης, τα οποία μπορεί να έχουν διαφορετικές διατάξεις, μπορούμε να χρησιμοποιήσουμε το Amazon Textract AnalyzeDocument API. Χρησιμοποιούμε το FeatureType FORMS ως διαμόρφωση για το AnalyzeDocument API για να εξαγάγετε τα ζεύγη κλειδιού-τιμής από το αναγνωριστικό ασφάλισης (δείτε το ακόλουθο δείγμα):

Εκτελέστε τον ακόλουθο κώδικα:

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"))

Λαμβάνουμε τα ζεύγη κλειδιών-τιμών στον πίνακα αποτελεσμάτων, όπως φαίνεται στο παρακάτω στιγμιότυπο οθόνης.

Για έγγραφα ταυτότητας, όπως άδεια οδήγησης ΗΠΑ ή διαβατήριο ΗΠΑ, το Amazon Textract παρέχει εξειδικευμένη υποστήριξη για την αυτόματη εξαγωγή βασικών όρων χωρίς την ανάγκη προτύπων ή μορφών, σε αντίθεση με αυτό που είδαμε νωρίτερα για το παράδειγμα ασφαλιστικής ταυτότητας. Με το AnalyzeID API, οι επιχειρήσεις μπορούν να εξάγουν γρήγορα και με ακρίβεια πληροφορίες από έγγραφα ταυτότητας που έχουν διαφορετικά πρότυπα ή μορφές. ο AnalyzeID Το API επιστρέφει δύο κατηγορίες τύπων δεδομένων:

• Ζεύγη κλειδιών-τιμών διαθέσιμα στο αναγνωριστικό, όπως ημερομηνία γέννησης, ημερομηνία έκδοσης, αριθμός ταυτότητας, τάξη και περιορισμοί
• Υπονοούμενα πεδία στο έγγραφο που μπορεί να μην έχουν ρητά κλειδιά που σχετίζονται με αυτά, όπως όνομα, διεύθυνση και εκδότης

Χρησιμοποιούμε το ακόλουθο δείγμα άδειας οδήγησης ΗΠΑ από το πακέτο διεκπεραίωσης αξιώσεων.

Εκτελέστε τον ακόλουθο κώδικα:

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]))

Το παρακάτω στιγμιότυπο οθόνης δείχνει το αποτέλεσμά μας.

Από το στιγμιότυπο οθόνης των αποτελεσμάτων, μπορείτε να παρατηρήσετε ότι παρουσιάζονται ορισμένα κλειδιά που δεν υπήρχαν στην ίδια την άδεια οδήγησης. Για παράδειγμα, Veteran δεν είναι κλειδί που βρίσκεται στην άδεια. Ωστόσο, είναι ένα προσυμπληρωμένο κλειδί-τιμή που AnalyzeID υποστηρίζει, λόγω των διαφορών που εντοπίζονται στις άδειες μεταξύ κρατών.

Εξαγωγή δεδομένων από τιμολόγια και αποδείξεις

Παρόμοιο με το AnalyzeID API, το AnalyzeExpense Το API παρέχει εξειδικευμένη υποστήριξη για τιμολόγια και αποδείξεις για εξαγωγή σχετικών πληροφοριών, όπως όνομα προμηθευτή, υποσύνολο και συνολικά ποσά και πολλά άλλα από οποιαδήποτε μορφή εγγράφων τιμολογίων. Δεν χρειάζεστε κάποιο πρότυπο ή διαμόρφωση για την εξαγωγή. Το Amazon Textract χρησιμοποιεί ML για να κατανοήσει το πλαίσιο διφορούμενων τιμολογίων καθώς και αποδείξεων.

Ακολουθεί ένα δείγμα τιμολογίου ιατρικής ασφάλισης.

Χρησιμοποιούμε το AnalyzeExpense API για να δείτε μια λίστα τυποποιημένων πεδίων. Τα πεδία που δεν αναγνωρίζονται ως τυπικά πεδία κατηγοριοποιούνται ως 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))

Λαμβάνουμε την ακόλουθη λίστα πεδίων ως ζεύγη κλειδιού-τιμής (δείτε στιγμιότυπο οθόνης στα αριστερά) και ολόκληρη τη σειρά μεμονωμένων στοιχείων γραμμής που αγοράστηκαν (δείτε στιγμιότυπο οθόνης στα δεξιά) στα αποτελέσματα.

Συμπέρασμα

Σε αυτήν την ανάρτηση, παρουσιάσαμε τις κοινές προκλήσεις στην επεξεργασία αξιώσεων και πώς μπορούμε να χρησιμοποιήσουμε τις υπηρεσίες AWS AI για να αυτοματοποιήσουμε έναν έξυπνο αγωγό επεξεργασίας εγγράφων για την αυτόματη εκδίκαση μιας αξίωσης. Είδαμε πώς να ταξινομούμε έγγραφα σε διάφορες κατηγορίες εγγράφων χρησιμοποιώντας έναν προσαρμοσμένο ταξινομητή Amazon Comprehend και πώς να χρησιμοποιούμε το Amazon Textract για την εξαγωγή μη δομημένων, ημιδομημένων, δομημένων και εξειδικευμένων τύπων εγγράφων.

In Μέρος 2, επεκτείνουμε τη φάση εξαγωγής με το Amazon Textract. Χρησιμοποιούμε επίσης προκαθορισμένες οντότητες και προσαρμοσμένες οντότητες του Amazon Comprehend για να εμπλουτίσουμε τα δεδομένα και να δείξουμε πώς να επεκτείνουμε τον αγωγό IDP ώστε να ενσωματωθεί με υπηρεσίες ανάλυσης και οπτικοποίησης για περαιτέρω επεξεργασία.

Συνιστούμε να διαβάσετε τις ενότητες ασφαλείας του Κείμενο Amazon, Amazon Comprehend, και Amazon A2I τεκμηρίωση και ακολουθώντας τις παρεχόμενες οδηγίες. Για να μάθετε περισσότερα σχετικά με την τιμολόγηση της λύσης, ανατρέξτε στις λεπτομέρειες τιμολόγησης του Κείμενο Amazon, Κατανοήστε το Amazon, να Amazon A2I.

Σχετικά με τους Συγγραφείς

Τσινμέι Ρέιν είναι Αρχιτέκτονας Ειδικών Λύσεων AI/ML στην Amazon Web Services. Είναι παθιασμένη με τα εφαρμοσμένα μαθηματικά και τη μηχανική μάθηση. Επικεντρώνεται στο σχεδιασμό έξυπνων λύσεων επεξεργασίας εγγράφων για πελάτες AWS. Εκτός δουλειάς, της αρέσει να χορεύει salsa και bachata.

Σονάλι Σάχου ηγείται της ομάδας Intelligent Document Processing AI/ML Solutions Architect της Amazon Web Services. Είναι παθιασμένη τεχνόφιλη και της αρέσει να εργάζεται με πελάτες για την επίλυση σύνθετων προβλημάτων χρησιμοποιώντας την καινοτομία. Ο βασικός τομέας εστίασής της είναι η τεχνητή νοημοσύνη και η μηχανική μάθηση για έξυπνη επεξεργασία εγγράφων.

Τιμ Κοντέλλο είναι Senior AI/ML Specialist Solutions Architect στην Amazon Web Services. Η εστίασή του είναι η επεξεργασία φυσικής γλώσσας και η όραση υπολογιστή. Ο Tim απολαμβάνει να δέχεται ιδέες πελατών και να τις μετατρέπει σε επεκτάσιμες λύσεις.