เป้าหมายของการประมวลผลเอกสารอัจฉริยะ (IDP) คือการช่วยให้องค์กรของคุณตัดสินใจได้เร็วและแม่นยำยิ่งขึ้นโดยใช้ AI ในการประมวลผลเอกสารของคุณ ซีรีส์สองส่วนนี้เน้นย้ำถึงเทคโนโลยี AI ของ AWS ที่บริษัทประกันภัยสามารถใช้เพื่อเร่งกระบวนการทางธุรกิจของตนได้ เทคโนโลยี AI เหล่านี้สามารถนำมาใช้ในกรณีการใช้งานประกันภัยต่างๆ เช่น การเรียกร้อง การรับประกันภัย การติดต่อลูกค้า สัญญา หรือการจัดการข้อโต้แย้ง ชุดนี้มุ่งเน้นไปที่กรณีการใช้งานการประมวลผลการเคลมในอุตสาหกรรมประกันภัย สำหรับข้อมูลเพิ่มเติมเกี่ยวกับแนวคิดพื้นฐานของโซลูชัน AWS IDP โปรดดูข้อมูลต่อไปนี้ ซีรีย์สองส่วน.
การประมวลผลการเรียกร้องประกอบด้วยจุดตรวจสอบหลายจุดในเวิร์กโฟลว์ที่จำเป็นในการตรวจสอบ ตรวจสอบความถูกต้อง และกำหนดความรับผิดชอบทางการเงินที่ถูกต้องเพื่อตัดสินการเรียกร้อง บริษัทประกันภัยจะผ่านจุดตรวจเหล่านี้เพื่อเรียกร้องค่าสินไหมทดแทนก่อนตัดสินการเรียกร้องค่าสินไหมทดแทน หากการเคลมสำเร็จผ่านจุดตรวจเหล่านี้โดยไม่มีปัญหาใดๆ บริษัทประกันภัยจะอนุมัติและดำเนินการชำระเงินใดๆ อย่างไรก็ตาม พวกเขาอาจต้องการข้อมูลสนับสนุนเพิ่มเติมเพื่อตัดสินการเรียกร้อง กระบวนการเรียกร้องค่าสินไหมทดแทนนี้มักจะดำเนินการด้วยตนเอง ทำให้มีค่าใช้จ่ายสูง เกิดข้อผิดพลาดได้ง่าย และใช้เวลานาน ลูกค้าประกันภัยสามารถทำให้กระบวนการนี้เป็นไปโดยอัตโนมัติโดยใช้บริการ AWS AI เพื่อทำให้ไปป์ไลน์การประมวลผลเอกสารสำหรับการประมวลผลการเคลมเป็นไปโดยอัตโนมัติ
ในชุดข้อมูลสองส่วนนี้ เราจะอธิบายวิธีดำเนินการเอกสารตามขนาดโดยอัตโนมัติและชาญฉลาดโดยใช้บริการ AI ของ AWS สำหรับกรณีการใช้งานการประมวลผลการเคลมประกัน
การประมวลผลเอกสารอัจฉริยะด้วยบริการ AWS AI และ Analytics ในอุตสาหกรรมประกันภัย |
ภาพรวมโซลูชัน
ไดอะแกรมต่อไปนี้แสดงถึงแต่ละขั้นตอนที่เรามักจะเห็นในไปป์ไลน์ IDP เราอธิบายแต่ละขั้นตอนเหล่านี้และวิธีที่พวกเขาเชื่อมต่อกับขั้นตอนที่เกี่ยวข้องในกระบวนการยื่นคำร้อง เริ่มจากเวลาที่ส่งใบสมัคร ไปจนถึงการตรวจสอบและปิดใบสมัคร ในโพสต์นี้ เราจะกล่าวถึงรายละเอียดทางเทคนิคของขั้นตอนการเก็บข้อมูล การจัดประเภท และการแยกข้อมูล ใน 2 หมายเลขเราขยายขั้นตอนการแยกเอกสารและดำเนินการจัดทำเอกสารเพิ่มเติม ตรวจสอบและยืนยัน และขยายโซลูชันเพื่อให้การวิเคราะห์และการแสดงภาพสำหรับกรณีการใช้งานการอ้างสิทธิ์การฉ้อโกง
แผนภาพสถาปัตยกรรมต่อไปนี้แสดงบริการต่างๆ ของ AWS ที่ใช้ในระหว่างขั้นตอนของไปป์ไลน์ IDP ตามขั้นตอนต่างๆ ของแอปพลิเคชันประมวลผลการเคลม
โซลูชันใช้บริการหลักต่อไปนี้:
- Amazon Text คือบริการแมชชีนเลิร์นนิง (ML) ที่แยกข้อความ ลายมือ และข้อมูลจากเอกสารที่สแกนโดยอัตโนมัติ นอกเหนือไปจากการรู้จำอักขระด้วยแสง (OCR) อย่างง่ายในการระบุ ทำความเข้าใจ และดึงข้อมูลจากแบบฟอร์มและตาราง Amazon Texttract ใช้ ML เพื่ออ่านและประมวลผลเอกสารประเภทใดก็ได้ แยกข้อความ ลายมือ ตาราง และข้อมูลอื่นๆ ได้อย่างแม่นยำโดยไม่ต้องใช้ความพยายามด้วยตนเอง
- เข้าใจ Amazon เป็นบริการประมวลผลภาษาธรรมชาติ (NLP) ที่ใช้ ML เพื่อดึงข้อมูลเชิงลึกจากข้อความ Amazon Comprehend สามารถตรวจจับเอนทิตีต่างๆ เช่น บุคคล สถานที่ วันที่ ปริมาณ และอื่นๆ นอกจากนี้ยังสามารถตรวจจับภาษาที่โดดเด่น ข้อมูลข้อมูลส่วนบุคคลที่สามารถระบุตัวตนได้ (PII) และจัดประเภทเอกสารเป็นหมวดหมู่ที่เกี่ยวข้อง
- อเมซอน เสริม AI (Amazon A2I) เป็นบริการ ML ที่ทำให้ง่ายต่อการสร้างเวิร์กโฟลว์ที่จำเป็นสำหรับการตรวจทานโดยเจ้าหน้าที่ Amazon A2I นำการตรวจสอบโดยเจ้าหน้าที่มาสู่นักพัฒนาทุกคน ขจัดภาระงานหนักที่ไม่แตกต่างซึ่งเกี่ยวข้องกับการสร้างระบบการตรวจสอบโดยเจ้าหน้าที่หรือการจัดการผู้ตรวจสอบที่เป็นมนุษย์จำนวนมาก Amazon A2I รวมเข้ากับ Amazon Text และ เข้าใจ Amazon เพื่อให้ความสามารถในการแนะนำการตรวจสอบโดยเจ้าหน้าที่หรือการตรวจสอบภายในเวิร์กโฟลว์ IDP
เบื้องต้น
ในส่วนต่อไปนี้ เราจะอธิบายเกี่ยวกับบริการต่างๆ ที่เกี่ยวข้องกับสามเฟสแรกของสถาปัตยกรรม กล่าวคือ ขั้นตอนการเก็บข้อมูล การจัดประเภท และการแยกข้อมูล
โปรดดูที่ พื้นที่เก็บข้อมูล GitHub สำหรับตัวอย่างโค้ดแบบเต็มพร้อมกับตัวอย่างเอกสารในแพ็กเก็ตการประมวลผลการเคลม
ขั้นตอนการเก็บข้อมูล
การอ้างสิทธิ์และเอกสารสนับสนุนสามารถมาผ่านช่องทางต่างๆ เช่น โทรสาร อีเมล พอร์ทัลผู้ดูแลระบบ และอื่นๆ คุณสามารถจัดเก็บเอกสารเหล่านี้ในที่เก็บข้อมูลที่ปรับขนาดได้สูงและทนทานเช่น บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (อเมซอน เอส3). เอกสารเหล่านี้มีได้หลายประเภท เช่น PDF, JPEG, PNG, TIFF และอื่นๆ เอกสารสามารถมาในรูปแบบและเลย์เอาต์ที่หลากหลาย และสามารถมาจากช่องทางต่างๆ ไปยังที่เก็บข้อมูลได้
ขั้นตอนการจำแนกประเภท
ในขั้นตอนการจัดประเภทเอกสาร เราสามารถรวม Amazon Comprehend กับ Amazon Texttract เพื่อแปลงข้อความเป็นบริบทของเอกสารเพื่อจัดประเภทเอกสารที่จัดเก็บไว้ในขั้นตอนการเก็บข้อมูลได้ จากนั้น เราสามารถใช้การจัดประเภทแบบกำหนดเองใน Amazon Comprehend เพื่อจัดระเบียบเอกสารเป็นคลาสที่เรากำหนดไว้ในแพ็กเก็ตการประมวลผลการเคลม การจัดประเภทแบบกำหนดเองยังมีประโยชน์สำหรับกระบวนการตรวจสอบเอกสารโดยอัตโนมัติและระบุเอกสารที่ขาดหายไปจากแพ็กเก็ต การจัดประเภทแบบกำหนดเองมีสองขั้นตอน ดังแสดงในแผนภาพสถาปัตยกรรม:
- แยกข้อความโดยใช้ Amazon Texttract จากเอกสารทั้งหมดในที่จัดเก็บข้อมูลเพื่อเตรียมข้อมูลการฝึกอบรมสำหรับตัวแยกประเภทที่กำหนดเอง
- ฝึกโมเดลการจัดหมวดหมู่แบบกำหนดเองของ Amazon Comprehend (เรียกอีกอย่างว่าa เอกสาร จำแนก) เพื่อจำแนกชั้นเรียนที่น่าสนใจตามเนื้อหาข้อความ
หลังจากที่ฝึกโมเดลการจัดประเภทแบบกำหนดเองของ Amazon Comprehend แล้ว เราก็สามารถใช้ปลายทางแบบเรียลไทม์เพื่อจัดประเภทเอกสารได้ Amazon Comprehend ส่งคืนเอกสารทุกคลาสด้วยคะแนนความเชื่อมั่นที่เชื่อมโยงกับแต่ละคลาสในอาร์เรย์ของคู่คีย์-ค่า (Doc_name
- Confidence_score
). เราแนะนำให้อ่านโค้ดตัวอย่างการจัดประเภทเอกสารโดยละเอียดที่ GitHub.
ขั้นตอนการสกัด
ในขั้นตอนการแยก เราดึงข้อมูลจากเอกสารโดยใช้ Amazon Text และ Amazon Comprehend สำหรับโพสต์นี้ ให้ใช้เอกสารตัวอย่างต่อไปนี้ในแพ็กเก็ตการประมวลผลการเคลม: แบบฟอร์มการเคลม Center of Medicaid and Medicare Services (CMS)-1500 ใบขับขี่และบัตรประจำตัวประกัน และใบแจ้งหนี้
ดึงข้อมูลจากแบบฟอร์มการเรียกร้อง CMS-1500
แบบฟอร์ม CMS-1500 เป็นแบบฟอร์มการเรียกร้องมาตรฐานที่ใช้โดยผู้ให้บริการหรือซัพพลายเออร์ที่ไม่ใช่สถาบันเพื่อเรียกเก็บเงินผู้ให้บริการ Medicare
การประมวลผลแบบฟอร์ม CMS-1500 อย่างถูกต้องเป็นสิ่งสำคัญ มิฉะนั้น อาจทำให้กระบวนการเรียกร้องค่าสินไหมทดแทนช้าลง หรือการชำระเงินโดยผู้ให้บริการขนส่งล่าช้า ด้วยสารสกัดอเมซอน AnalyzeDocument
API เราสามารถเร่งกระบวนการสกัดด้วยความแม่นยำที่สูงขึ้นในการดึงข้อความจากเอกสารเพื่อให้เข้าใจข้อมูลเชิงลึกเพิ่มเติมภายในแบบฟอร์มการเรียกร้อง ต่อไปนี้เป็นตัวอย่างเอกสารของแบบฟอร์มการเรียกร้อง CMS-1500
ตอนนี้เราใช้ AnalyzeDocument
API เพื่อแยกสอง FeatureTypes
, FORMS
และ TABLES
, จากเอกสาร:
ผลลัพธ์ต่อไปนี้สั้นลงเพื่อให้อ่านง่ายขึ้น สำหรับข้อมูลเพิ่มเติม โปรดดูที่ ที่เก็บ GitHub
พื้นที่ FORMS
การดึงข้อมูลถูกระบุเป็นคู่คีย์-ค่า
พื้นที่ TABLES
การแยกประกอบด้วยเซลล์ เซลล์ที่ผสาน และส่วนหัวของคอลัมน์ภายในตารางที่ตรวจพบในแบบฟอร์มการอ้างสิทธิ์
ดึงข้อมูลจากเอกสารประจำตัว
สำหรับเอกสารระบุตัวตน เช่น ID ประกัน ซึ่งสามารถมีเลย์เอาต์ต่างกันได้ เราสามารถใช้ Amazon Text AnalyzeDocument
เอพีไอ เราใช้ FeatureType
FORMS
เป็นการกำหนดค่าสำหรับ AnalyzeDocument
API เพื่อแยกคู่คีย์-ค่าจาก ID ประกัน (ดูตัวอย่างต่อไปนี้):
เรียกใช้รหัสต่อไปนี้:
เราได้รับคู่คีย์-ค่าในอาร์เรย์ผลลัพธ์ ดังที่แสดงในภาพหน้าจอต่อไปนี้
สำหรับเอกสารประจำตัว เช่น ใบขับขี่สหรัฐฯ หรือหนังสือเดินทางของสหรัฐอเมริกา Amazon Texttract ให้การสนับสนุนพิเศษในการดึงข้อมูลคำสำคัญโดยอัตโนมัติโดยไม่ต้องใช้เทมเพลตหรือรูปแบบ ซึ่งแตกต่างจากที่เราเห็นก่อนหน้านี้สำหรับตัวอย่าง ID ประกัน กับ AnalyzeID
API ธุรกิจสามารถดึงข้อมูลจากเอกสารประจำตัวที่มีแม่แบบหรือรูปแบบที่แตกต่างกันได้อย่างรวดเร็วและแม่นยำ ดิ AnalyzeID
API ส่งคืนประเภทข้อมูลสองประเภท:
- คู่คีย์-ค่าที่มีอยู่ใน ID เช่น วันเดือนปีเกิด วันที่ออก หมายเลข ID คลาส และข้อจำกัด
- ฟิลด์โดยนัยในเอกสารที่อาจไม่มีคีย์ที่ชัดเจนที่เกี่ยวข้อง เช่น ชื่อ ที่อยู่ และผู้ออก
เราใช้ตัวอย่างใบขับขี่ของสหรัฐอเมริกาต่อไปนี้จากแพ็กเก็ตการประมวลผลการเรียกร้องของเรา
เรียกใช้รหัสต่อไปนี้:
ภาพหน้าจอต่อไปนี้แสดงผลของเรา
จากภาพหน้าจอของผลลัพธ์ คุณสามารถสังเกตได้ว่ามีการแสดงคีย์บางตัวที่ไม่ได้อยู่ในใบขับขี่ ตัวอย่างเช่น, Veteran
ไม่ใช่คีย์ที่พบในใบอนุญาต อย่างไรก็ตาม เป็นคีย์-ค่าที่เติมไว้ล่วงหน้าที่ AnalyzeID
รองรับเนื่องจากความแตกต่างที่พบในใบอนุญาตระหว่างรัฐ
ดึงข้อมูลจากใบแจ้งหนี้และใบเสร็จรับเงิน
คล้ายกับ AnalyzeID
API, การ AnalyzeExpense
API ให้การสนับสนุนเฉพาะสำหรับใบแจ้งหนี้และใบเสร็จรับเงินเพื่อดึงข้อมูลที่เกี่ยวข้อง เช่น ชื่อผู้ขาย ยอดรวมย่อยและจำนวนเงินทั้งหมด และอื่นๆ จากรูปแบบเอกสารใบแจ้งหนี้ใดๆ คุณไม่จำเป็นต้องมีเทมเพลตหรือการกำหนดค่าใดๆ สำหรับการดึงข้อมูล Amazon Texttract ใช้ ML เพื่อทำความเข้าใจบริบทของใบแจ้งหนี้ที่คลุมเครือและใบเสร็จ
ต่อไปนี้เป็นตัวอย่างใบกำกับการประกันสุขภาพ
เราใช้ AnalyzeExpense
API เพื่อดูรายการช่องมาตรฐาน ฟิลด์ที่ไม่รู้จักเป็นฟิลด์มาตรฐานจะถูกจัดประเภทเป็น OTHER
:
เราได้รับรายการฟิลด์ต่อไปนี้เป็นคู่คีย์-ค่า (ดูภาพหน้าจอทางด้านซ้าย) และแถวทั้งหมดของรายการโฆษณาแต่ละรายการที่ซื้อ (ดูภาพหน้าจอทางด้านขวา) ในผลลัพธ์
สรุป
ในโพสต์นี้ เราแสดงความท้าทายทั่วไปในการประมวลผลการเคลม และวิธีที่เราสามารถใช้บริการ AWS AI เพื่อทำให้ไปป์ไลน์การประมวลผลเอกสารอัจฉริยะเป็นอัตโนมัติเพื่อตัดสินการอ้างสิทธิ์โดยอัตโนมัติ เราเห็นวิธีการจัดประเภทเอกสารเป็นคลาสเอกสารต่างๆ โดยใช้ตัวแยกประเภทแบบกำหนดเองของ Amazon Comprehend และวิธีใช้ Amazon Texttract เพื่อแยกประเภทเอกสารที่ไม่มีโครงสร้าง กึ่งโครงสร้าง มีโครงสร้าง และเฉพาะทาง
In 2 หมายเลขเราขยายขั้นตอนการแยกด้วย Amazon Text เรายังใช้เอนทิตีที่กำหนดไว้ล่วงหน้าของ Amazon Comprehend และเอนทิตีแบบกำหนดเองเพื่อเพิ่มข้อมูล และแสดงวิธีขยายไปป์ไลน์ IDP เพื่อผสานรวมกับบริการการวิเคราะห์และการแสดงภาพเพื่อการประมวลผลต่อไป
เราขอแนะนำให้ตรวจสอบส่วนความปลอดภัยของ ข้อความอเมซอน, อเมซอนเข้าใจ, และ อเมซอน A2I เอกสารและปฏิบัติตามแนวทางที่ให้ไว้ หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับราคาของโซลูชัน ให้ตรวจสอบรายละเอียดราคาของ ข้อความอเมซอน, เข้าใจ Amazonและ อเมซอน A2I.
เกี่ยวกับผู้เขียน
ชินมยีระเนะ เป็นสถาปนิกโซลูชันผู้เชี่ยวชาญ AI/ML ที่ Amazon Web Services เธอหลงใหลเกี่ยวกับคณิตศาสตร์ประยุกต์และการเรียนรู้ของเครื่อง เธอมุ่งเน้นที่การออกแบบโซลูชันการประมวลผลเอกสารอัจฉริยะสำหรับลูกค้า AWS นอกงาน เธอชอบเต้นซัลซ่าและบาคาต้า
โซนาลี ซาฮู เป็นผู้นำทีมสถาปนิกโซลูชัน AI/ML Solutions ของการประมวลผลเอกสารอัจฉริยะที่ Amazon Web Services เธอเป็นคนที่หลงใหลในเทคโนโลยีและชอบที่จะทำงานร่วมกับลูกค้าในการแก้ปัญหาที่ซับซ้อนโดยใช้นวัตกรรม จุดสนใจหลักของเธอคือปัญญาประดิษฐ์และการเรียนรู้ของเครื่องสำหรับการประมวลผลเอกสารอัจฉริยะ
ทิม คอนเดลโล เป็นสถาปนิกโซลูชันผู้เชี่ยวชาญด้าน AI/ML อาวุโสที่ Amazon Web Services จุดเน้นของเขาคือการประมวลผลภาษาธรรมชาติและการมองเห็นด้วยคอมพิวเตอร์ Tim สนุกกับการนำความคิดของลูกค้ามาเปลี่ยนให้เป็นโซลูชันที่ปรับขนาดได้
- AI
- ไอ อาร์ต
- เครื่องกำเนิดไออาร์ท
- หุ่นยนต์ไอ
- เข้าใจ Amazon
- Amazon Comprehen Medical
- อเมซอน แมชชีนเลิร์นนิง
- Amazon Text
- ปัญญาประดิษฐ์
- ใบรับรองปัญญาประดิษฐ์
- ปัญญาประดิษฐ์ในการธนาคาร
- หุ่นยนต์ปัญญาประดิษฐ์
- หุ่นยนต์ปัญญาประดิษฐ์
- ซอฟต์แวร์ปัญญาประดิษฐ์
- AWS Machine Learning AWS
- blockchain
- การประชุม blockchain ai
- เหรียญอัจฉริยะ
- ปัญญาประดิษฐ์สนทนา
- การประชุม crypto ai
- ดัล-อี
- การเรียนรู้ลึก ๆ
- google ai
- ระดับกลาง (200)
- เรียนรู้เครื่อง
- เพลโต
- เพลโตไอ
- เพลโตดาต้าอินเทลลิเจนซ์
- เกมเพลโต
- เพลโตดาต้า
- เพลโตเกม
- ขนาดไอ
- วากยสัมพันธ์
- ลมทะเล