Älykäs asiakirjojen käsittely AWS AI -palveluilla vakuutusalalla: Osa 1

Älykkään dokumenttien käsittelyn (IDP) tavoitteena on auttaa organisaatiotasi tekemään nopeampia ja tarkempia päätöksiä käyttämällä tekoälyä paperityösi käsittelyyn. Tämä kaksiosainen sarja korostaa AWS AI -teknologioita, joita vakuutusyhtiöt voivat käyttää liiketoimintaprosessiensa nopeuttamiseen. Näitä tekoälytekniikoita voidaan käyttää kaikissa vakuutuskäyttötapauksissa, kuten vaateissa, vakuutuksissa, asiakaskirjeenvaihdossa, sopimuksissa tai riitojenratkaisujen käsittelyssä. Tämä sarja keskittyy korvauskäsittelyn käyttötapaukseen vakuutusalalla; Lisätietoja AWS IDP -ratkaisun peruskonsepteista on seuraavassa kaksiosainen sarja.

Vaatimusten käsittely koostuu useista työnkulun tarkistuspisteistä, joita tarvitaan tarkastamaan, varmistamaan aitous ja määrittämään oikean taloudellisen vastuun vaatimuksen ratkaisemiseksi. Vakuutusyhtiöt käyvät nämä korvaustarkastuspisteet läpi ennen korvausten ratkaisemista. Jos korvausvaatimus menee kaikkien näiden tarkistuspisteiden läpi ilman ongelmia, vakuutusyhtiö hyväksyy sen ja käsittelee mahdolliset maksut. He voivat kuitenkin vaatia lisätietoa kanteen ratkaisemiseksi. Tämä vaateiden käsittelyprosessi on usein manuaalinen, mikä tekee siitä kallista, virhealtista ja aikaa vievää. Vakuutusasiakkaat voivat automatisoida tämän prosessin AWS AI -palveluilla korvausten käsittelyn dokumenttien käsittelyprosessin automatisoimiseksi.

Tässä kaksiosaisessa sarjassa käymme läpi, kuinka voit automatisoida ja älykkäästi käsitellä asiakirjoja mittakaavassa AWS AI -palveluilla vakuutuskorvauskäsittelyn käyttötapauksessa.

Ratkaisun yleiskatsaus

Seuraava kaavio esittää jokaista vaihetta, jonka näemme tyypillisesti IDP-liukuhihnassa. Käymme läpi kaikki nämä vaiheet ja kuinka ne liittyvät korvaushakemusprosessin vaiheisiin hakemuksen jättämisestä hakemuksen tutkimiseen ja sulkemiseen. Tässä viestissä käsittelemme tiedonkeruun, luokittelun ja poiminnan vaiheiden tekniset yksityiskohdat. Sisään Osa 2, laajennamme asiakirjojen poimintavaihetta ja jatkamme asiakirjojen rikastamista, tarkistamista ja todentamista sekä laajennamme ratkaisua tarjoamaan analytiikkaa ja visualisointeja vaatimuspetoskäyttötapaukseen.

Seuraavassa arkkitehtuurikaaviossa on esitetty IDP-putken eri vaiheissa käytetyt erilaiset AWS-palvelut vaatimuksenkäsittelysovelluksen eri vaiheiden mukaan.

Ratkaisu käyttää seuraavia avainpalveluita:

• Amazonin teksti on koneoppimispalvelu (ML), joka poimii automaattisesti tekstin, käsinkirjoituksen ja datan skannatuista asiakirjoista. Se ylittää yksinkertaisen optisen merkintunnistuksen (OCR) tietojen tunnistamiseksi, ymmärtämiseksi ja poimimiseksi lomakkeista ja taulukoista. Amazon Textract käyttää ML:ää kaikentyyppisten asiakirjojen lukemiseen ja käsittelemiseen ja poimii tekstin, käsinkirjoituksen, taulukot ja muut tiedot tarkasti ilman manuaalista vaivaa.
• Amazonin käsitys on luonnollisen kielen käsittelypalvelu (NLP), joka käyttää ML:ää poimimaan oivalluksia tekstistä. Amazon Comprehend voi havaita kokonaisuuksia, kuten henkilö, sijainti, päivämäärä, määrä ja paljon muuta. Se voi myös havaita hallitsevan kielen, henkilökohtaisia ​​tunnistetietoja (PII) ja luokitella asiakirjat asiaankuuluvaan luokkaansa.
• Amazonin laajennettu AI (Amazon A2I) on ML-palvelu, jonka avulla on helppo rakentaa ihmisen tarkasteluun tarvittavia työnkulkuja. Amazon A2I tuo ihmisen arvioinnin kaikkien kehittäjien ulottuville, mikä poistaa yksilöimättömän raskasnostotyön, joka liittyy ihmisten arviointijärjestelmien rakentamiseen tai suurten arvioijien hallintaan. Amazon A2I integroi molemmat Amazonin teksti ja Amazonin käsitys tarjota mahdollisuus ottaa käyttöön ihmisen tarkistus tai validointi IDP-työnkulussa.

Edellytykset

Seuraavissa osioissa käymme läpi erilaisia ​​palveluita, jotka liittyvät arkkitehtuurin kolmeen ensimmäiseen vaiheeseen eli tiedonkeruu-, luokittelu- ja purkuvaiheeseen.

Katso meidän GitHub-arkisto täydellisille koodinäytteille sekä vaatimusten käsittelypaketin asiakirjanäytteille.

Tiedonkeruuvaihe

Vaatimukset ja niitä tukevat asiakirjat voivat tulla eri kanavien, kuten faksin, sähköpostin, hallintaportaalin ja muiden kautta. Voit tallentaa nämä asiakirjat erittäin skaalautuvaan ja kestävään säilytystilaan, kuten Amazonin yksinkertainen tallennuspalvelu (Amazon S3). Nämä asiakirjat voivat olla erityyppisiä, kuten PDF, JPEG, PNG, TIFF ja paljon muuta. Asiakirjat voivat olla eri muodoissa ja asetteluissa, ja ne voivat tulla eri kanavista tietovarastoon.

Luokitteluvaihe

Asiakirjojen luokitteluvaiheessa voimme yhdistää Amazon Comprehendin ja Amazon Textractin tekstin muuntamiseksi dokumentin kontekstiksi ja luokitella tiedonkeruuvaiheessa tallennetut asiakirjat. Voimme sitten käyttää mukautettua luokittelua Amazon Comprehendissä järjestääksemme asiakirjat luokkiin, jotka määritimme vaatimusten käsittelypaketissa. Mukautettu luokittelu auttaa myös automatisoimaan asiakirjan vahvistusprosessia ja tunnistamaan paketista puuttuvat asiakirjat. Mukautetussa luokittelussa on kaksi vaihetta, kuten arkkitehtuurikaaviossa näkyy:

1. Pura tekstiä Amazon Textractin avulla kaikista tietovaraston asiakirjoista valmistaaksesi harjoitustiedot mukautettua luokittelijaa varten.
2. Harjoittele mukautettua Amazon Comprehend -luokitusmallia (kutsutaan myös a asiakirja luokitella) tunnistaa kiinnostavat luokat tekstisisällön perusteella.

Kun Amazon Comprehend mukautettu luokitusmalli on koulutettu, voimme käyttää reaaliaikaista päätepistettä asiakirjojen luokittelemiseen. Amazon Comprehend palauttaa kaikki asiakirjaluokat luotettavuuspisteillä, jotka on linkitetty kuhunkin luokkaan joukossa avainarvopareja (Doc_name - Confidence_score). Suosittelemme käymään läpi yksityiskohtaisen asiakirjaluokituksen mallikoodin GitHub.

Uuttovaihe

Poimintavaiheessa poimimme tietoja asiakirjoista Amazon Textractin ja Amazon Comprehendin avulla. Käytä tätä viestiä varten seuraavia esimerkkiasiakirjoja korvausten käsittelypaketissa: Center of Medicaid and Medicare Services (CMS)-1500 -vaatimuslomake, ajokortti ja vakuutustunnus sekä lasku.

Poimi tiedot CMS-1500-vaatimuslomakkeesta

CMS-1500-lomake on vakiovaatimuslomake, jota ei-instituutioiden tarjoaja tai toimittaja käyttää laskuttaakseen Medicare-operaattoreita.

On tärkeää käsitellä CMS-1500-lomake tarkasti, muuten se voi hidastaa reklamaatioprosessia tai viivästyttää liikenteenharjoittajan maksua. Amazon Textractin kanssa AnalyzeDocument API, voimme nopeuttaa poimintaprosessia entistä tarkemmin poimiaksemme tekstiä asiakirjoista ymmärtääksemme lisätietoa vaatimuslomakkeessa. Seuraava on esimerkkiasiakirja CMS-1500-vaatimuslomakkeesta.

Käytämme nyt AnalyzeDocument API poimia kaksi FeatureTypes, FORMS ja TABLES, asiakirjasta:

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"))

Seuraavia tuloksia on lyhennetty luettavuuden parantamiseksi. Katso tarkemmat tiedot meidän GitHub-repo.

- FORMS poiminta tunnistetaan avainarvo-pareiksi.

- TABLES poiminta sisältää solut, yhdistetyt solut ja sarakeotsikot havaitussa taulukossa vaatimuslomakkeessa.

Poimi tiedot henkilöllisyystodistuksista

Henkilöasiakirjoille, kuten vakuutustunnukselle, jolla voi olla erilaisia ​​asetteluja, voimme käyttää Amazon Textractia AnalyzeDocument API. Käytämme FeatureType FORMS kokoonpanoksi AnalyzeDocument API avainarvoparien poimimiseen vakuutustunnuksesta (katso seuraava esimerkki):

Suorita seuraava koodi:

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"))

Saamme avain-arvo-parit tulostaulukossa, kuten seuraavassa kuvakaappauksessa näkyy.

Amazon Textract tarjoaa erikoistuen henkilöllisyystodistusasiakirjoille, kuten yhdysvaltalaiselle ajokortille tai yhdysvaltalaiselle passille, avaintermien automaattiseen purkamiseen ilman malleja tai muotoja, toisin kuin aiemmin vakuutustunnusesimerkin kohdalla. Kanssa AnalyzeID API, yritykset voivat nopeasti ja tarkasti poimia tietoja henkilöllisyystodistusasiakirjoista, joissa on erilaisia ​​malleja tai muotoja. The AnalyzeID API palauttaa kaksi tietotyyppiluokkaa:

• Tunnuksessa saatavilla olevat avainarvoparit, kuten syntymäaika, myöntämispäivä, tunnusnumero, luokka ja rajoitukset
• Asiakirjan oletetut kentät, joihin ei välttämättä ole liitetty eksplisiittisiä avaimia, kuten nimi, osoite ja myöntäjä

Käytämme seuraavaa yhdysvaltalaisen ajokortin mallia vaateiden käsittelypaketistamme.

Suorita seuraava koodi:

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]))

Seuraava kuvakaappaus näyttää tuloksemme.

Tulosten kuvakaappauksesta voit havaita, että tietyt avaimet esitetään, joita ei itse ajokortissa ollut. Esimerkiksi, Veteran ei ole lisenssissä oleva avain; Se on kuitenkin valmiiksi täytetty avainarvo AnalyzeID tukee, koska lisensseissä on eroja osavaltioiden välillä.

Poimi tiedot laskuista ja kuiteista

Samanlainen AnalyzeID API, AnalyzeExpense API tarjoaa erikoistukea laskuille ja kuiteille tärkeiden tietojen, kuten toimittajan nimen, välisumman ja kokonaissumman, poimimiseksi mistä tahansa laskutositemuodosta. Et tarvitse mallia tai kokoonpanoa purkamiseen. Amazon Textract käyttää ML:ää ymmärtääkseen moniselitteisten laskujen ja kuittien kontekstin.

Alla on esimerkki sairausvakuutuslaskusta.

Käytämme AnalyzeExpense API nähdäksesi luettelon standardoiduista kentistä. Kentät, joita ei tunnisteta vakiokentiksi, luokitellaan 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))

Tuloksissa saamme seuraavan luettelon kentistä avainarvo-pareina (katso kuvakaappaus vasemmalla) ja koko rivin yksittäisiä ostettuja rivikohtia (katso kuvakaappaus oikealla).

Yhteenveto

Tässä postauksessa esittelimme vaatimuskäsittelyn yleisiä haasteita ja kuinka voimme käyttää AWS AI -palveluita automatisoimaan älykkään asiakirjankäsittelyputken, jotta vaatimus ratkaistaan ​​automaattisesti. Näimme kuinka luokitella asiakirjoja eri asiakirjaluokkiin käyttämällä mukautettua Amazon Comprehend -luokitinta ja kuinka käyttää Amazon Textractia poimimaan rakenteettomia, puolirakenteisia, jäsenneltyjä ja erikoistuneita asiakirjatyyppejä.

In Osa 2, laajennamme uuttamisvaihetta Amazon Textractin avulla. Käytämme myös Amazon Comprehendin ennalta määritettyjä kokonaisuuksia ja mukautettuja entiteettejä rikastuttaaksemme tietoja ja näyttääksemme, kuinka IDP-putkilinjaa voidaan laajentaa integroitumaan analytiikka- ja visualisointipalveluihin jatkokäsittelyä varten.

Suosittelemme tutustumaan tietoturvaosioihin Amazon Texttract, Amazon Comprehend, ja Amazon A2I dokumentaatiota ja noudattamalla annettuja ohjeita. Saat lisätietoja ratkaisun hinnoittelusta tutustumalla tuotteen hinnoitteluun Amazon Texttract, Amazonin käsitysja Amazon A2I.

Tietoja Tekijät

Chinmayee Rane on AI/ML Specialist Solutions -arkkitehti Amazon Web Servicesissä. Hän on intohimoinen soveltavaan matematiikkaan ja koneoppimiseen. Hän keskittyy älykkäiden asiakirjojen käsittelyratkaisujen suunnitteluun AWS-asiakkaille. Työn ulkopuolella hän harrastaa salsaa ja bachata-tanssia.

Sonali Sahu johtaa Intelligent Document Processing AI/ML Solutions Architect -tiimiä Amazon Web Services -palvelussa. Hän on intohimoinen teknofiili ja nauttii työskentelystä asiakkaiden kanssa monimutkaisten ongelmien ratkaisemiseksi innovaatioiden avulla. Hänen painopistealueensa ovat tekoäly ja koneoppiminen älykkään asiakirjojen käsittelyyn.

Tim Condello on vanhempi AI/ML Specialist Solutions -arkkitehti Amazon Web Servicesissä. Hän keskittyy luonnolliseen kielenkäsittelyyn ja tietokonenäköön. Tim nauttii asiakkaiden ideoiden ottamisesta ja muuttamisesta skaalautuviksi ratkaisuiksi.