In 1 หมายเลข ในชุดนี้ เราได้พูดถึงการประมวลผลเอกสารอัจฉริยะ (IDP) และวิธีที่ IDP สามารถเร่งการประมวลผลการเคลมกรณีการใช้งานในอุตสาหกรรมประกันภัย เราได้พูดคุยถึงวิธีที่เราสามารถใช้บริการ AWS AI เพื่อจัดหมวดหมู่เอกสารการเรียกร้องได้อย่างถูกต้องพร้อมกับเอกสารสนับสนุน นอกจากนี้เรายังกล่าวถึงวิธีการดึงเอกสารประเภทต่างๆ ในชุดเคลมประกัน เช่น แบบฟอร์ม ตาราง หรือเอกสารเฉพาะทาง เช่น ใบแจ้งหนี้ ใบเสร็จ หรือเอกสารแสดงตน เราตรวจสอบความท้าทายในกระบวนการเอกสารแบบเดิม ซึ่งใช้เวลานาน เกิดข้อผิดพลาด มีราคาแพง และดำเนินการตามขนาดได้ยาก และคุณจะใช้บริการ AWS AI เพื่อช่วยปรับใช้ไปป์ไลน์ IDP ของคุณได้อย่างไร
ในโพสต์นี้ เราจะแนะนำคุณเกี่ยวกับฟีเจอร์ IDP ขั้นสูงสำหรับการดึงเอกสาร การสืบค้น และการตกแต่ง เรายังพิจารณาถึงวิธีการใช้ข้อมูลที่มีโครงสร้างที่ดึงออกมาจากข้อมูลการอ้างสิทธิ์เพิ่มเติมเพื่อรับข้อมูลเชิงลึกโดยใช้ AWS Analytics และบริการการแสดงภาพ เราเน้นว่าข้อมูลที่แยกโครงสร้างจาก IDP สามารถช่วยป้องกันการอ้างสิทธิ์ที่เป็นการฉ้อโกงโดยใช้บริการ AWS Analytics ได้อย่างไร
ภาพรวมโซลูชัน
ไดอะแกรมต่อไปนี้แสดงขั้นตอนต่างๆ หาก IDP ใช้บริการ AWS AI ในตอนที่ 1 เราได้พูดถึงสามขั้นตอนแรกของเวิร์กโฟลว์ IDP ในโพสต์นี้ เราขยายขั้นตอนการแยกและขั้นตอนที่เหลือ ซึ่งรวมถึงการรวม IDP กับบริการ AWS Analytics
เราใช้บริการวิเคราะห์เหล่านี้สำหรับข้อมูลเชิงลึกและการแสดงภาพเพิ่มเติม และเพื่อตรวจจับการอ้างสิทธิ์ที่เป็นการฉ้อโกงโดยใช้ข้อมูลที่มีโครงสร้างและเป็นมาตรฐานจาก IDP ไดอะแกรมต่อไปนี้แสดงสถาปัตยกรรมโซลูชัน
ขั้นตอนที่เราพูดถึงในโพสต์นี้ใช้บริการหลักดังต่อไปนี้:
- Amazon Comprehen Medical เป็นบริการประมวลผลภาษาธรรมชาติ (NLP) ที่มีสิทธิ์ HIPAA ที่ใช้โมเดลการเรียนรู้ของเครื่อง (ML) ที่ได้รับการฝึกอบรมล่วงหน้าเพื่อทำความเข้าใจและดึงข้อมูลด้านสุขภาพจากข้อความทางการแพทย์ เช่น ใบสั่งยา หัตถการ หรือการวินิจฉัย
- AWS กาว เป็นส่วนหนึ่งของกองบริการ AWS Analytics และเป็นบริการการรวมข้อมูลแบบไร้เซิร์ฟเวอร์ที่ทำให้ง่ายต่อการค้นหา จัดเตรียม และรวมข้อมูลสำหรับการวิเคราะห์ ML และการพัฒนาแอปพลิเคชัน
- อเมซอน Redshift เป็นบริการอื่นในกลุ่ม Analytics Amazon Redshift เป็นบริการคลังข้อมูลขนาดเพตะไบต์ที่มีการจัดการเต็มรูปแบบในระบบคลาวด์
เบื้องต้น
ก่อนที่คุณจะเริ่มต้น โปรดดูที่ 1 หมายเลข สำหรับภาพรวมระดับสูงของกรณีการใช้งานประกันภัยกับ IDP และรายละเอียดเกี่ยวกับการเก็บข้อมูลและขั้นตอนการจำแนกประเภท
สำหรับข้อมูลเพิ่มเติมเกี่ยวกับตัวอย่างโค้ด โปรดดูที่ ที่เก็บ GitHub
ขั้นตอนการสกัด
ในส่วนที่ 1 เราได้เห็นวิธีการใช้ Amazon Texttract API เพื่อดึงข้อมูล เช่น แบบฟอร์มและตารางจากเอกสาร และวิธีการวิเคราะห์ใบแจ้งหนี้และเอกสารระบุตัวตน ในโพสต์นี้ เราปรับปรุงขั้นตอนการแยกข้อมูลด้วย Amazon Comprehend เพื่อแยกเอนทิตีเริ่มต้นและเอนทิตีแบบกำหนดเองเฉพาะสำหรับกรณีการใช้งานแบบกำหนดเอง
ผู้ให้บริการประกันภัยมักพบข้อความหนาแน่นในใบสมัครเรียกร้องค่าสินไหมทดแทน เช่น จดหมายสรุปการจำหน่ายของผู้ป่วย (ดูภาพตัวอย่างต่อไปนี้) อาจเป็นเรื่องยากที่จะดึงข้อมูลจากเอกสารประเภทดังกล่าวโดยอัตโนมัติซึ่งไม่มีโครงสร้างที่แน่นอน เพื่อแก้ไขปัญหานี้ เราสามารถใช้วิธีการต่อไปนี้เพื่อดึงข้อมูลทางธุรกิจที่สำคัญจากเอกสาร:
แยกเอนทิตีเริ่มต้นด้วย Amazon Comprehend DetectEntities API
เราเรียกใช้รหัสต่อไปนี้ในเอกสารการถอดความทางการแพทย์ตัวอย่าง:
ภาพหน้าจอต่อไปนี้แสดงคอลเล็กชันของเอนทิตีที่ระบุในข้อความอินพุต เอาต์พุตได้รับการย่อให้สั้นลงเพื่อจุดประสงค์ของโพสต์นี้ อ้างถึง repo GitHub สำหรับรายการรายละเอียดของหน่วยงาน
แยกเอนทิตีแบบกำหนดเองด้วยการรับรู้เอนทิตีแบบกำหนดเองของ Amazon Comprehend
คำตอบจาก DetectEntities
API รวมเอนทิตีเริ่มต้น อย่างไรก็ตาม เราสนใจที่จะทราบค่าเอนทิตีที่เฉพาะเจาะจง เช่น ชื่อของผู้ป่วย (แสดงโดยเอนทิตีเริ่มต้น PERSON
) หรือ ID ของผู้ป่วย (แสดงโดยเอนทิตีเริ่มต้น OTHER
). เพื่อให้รู้จักเอนทิตีแบบกำหนดเองเหล่านี้ เราฝึกอบรมโมเดลตัวรู้จำเอนทิตีแบบกำหนดเองของ Amazon Comprehend เราแนะนำให้ทำตามขั้นตอนที่ครอบคลุมเกี่ยวกับวิธีการฝึกอบรมและปรับใช้แบบจำลองการรับรู้เอนทิตีแบบกำหนดเองใน ที่เก็บ GitHub
หลังจากที่เราปรับใช้โมเดลแบบกำหนดเอง เราก็สามารถใช้ฟังก์ชันตัวช่วย get_entities()
เพื่อดึงเอนทิตีที่กำหนดเองเช่น PATIENT_NAME
และ PATIENT_D
จากการตอบสนอง API:
ภาพหน้าจอต่อไปนี้แสดงผลลัพธ์ของเรา
ขั้นตอนการเสริมสิริมงคล
ในขั้นตอนการทำให้สมบูรณ์ของเอกสาร เราดำเนินการฟังก์ชันการตกแต่งในเอกสารที่เกี่ยวข้องกับการดูแลสุขภาพเพื่อดึงข้อมูลเชิงลึกอันมีค่า เราดูประเภทของการตกแต่งต่อไปนี้:
- แยกภาษาเฉพาะโดเมน – เราใช้ Amazon Comprehend Medical เพื่อแยก ontology เฉพาะทางการแพทย์ เช่น ICD-10-CM, RxNorm และ SNOMED CT
- แก้ไขข้อมูลที่ละเอียดอ่อน – เราใช้ Amazon Comprehend เพื่อตรวจทานข้อมูลส่วนบุคคลที่สามารถระบุตัวตนได้ (PII) และ Amazon Comprehend Medical สำหรับการปกปิดข้อมูลด้านสุขภาพที่ได้รับการคุ้มครอง (PHI)
ดึงข้อมูลทางการแพทย์จากข้อความทางการแพทย์ที่ไม่มีโครงสร้าง
เอกสารต่างๆ เช่น บันทึกของผู้ให้บริการทางการแพทย์และรายงานการทดลองทางคลินิก รวมถึงข้อความทางการแพทย์ที่หนาแน่น ผู้ให้บริการเคลมประกันจำเป็นต้องระบุความสัมพันธ์ระหว่างข้อมูลสุขภาพที่ดึงมาจากข้อความที่หนาแน่นนี้ และเชื่อมโยงข้อมูลเหล่านี้กับ ontology ทางการแพทย์ เช่น รหัส ICD-10-CM, RxNorm และ SNOMED CT สิ่งนี้มีค่ามากในการดำเนินการเก็บเคลมอัตโนมัติ การตรวจสอบ และการอนุมัติเวิร์กโฟลว์สำหรับบริษัทประกันภัยเพื่อเร่งรัดและทำให้การประมวลผลการเคลมง่ายขึ้น มาดูกันว่าเราจะใช้ Amazon Comprehend Medical ได้อย่างไร InferICD10CM
API เพื่อตรวจหาเงื่อนไขทางการแพทย์ที่เป็นไปได้ในฐานะหน่วยงานและเชื่อมโยงเข้ากับรหัส:
สำหรับข้อความเข้า ซึ่งเราสามารถส่งผ่านจาก Amazon Texttract . ได้ DetectDocumentText
API, การ InferICD10CM
API ส่งคืนเอาต์พุตต่อไปนี้ (เอาต์พุตถูกย่อให้สั้น)
ในทำนองเดียวกัน เราสามารถใช้ Amazon Comprehend Medical InferRxNorm
API เพื่อระบุยาและ InferSNOMEDCT
API เพื่อตรวจหาหน่วยงานทางการแพทย์ภายในเอกสารประกันที่เกี่ยวข้องกับการดูแลสุขภาพ
ดำเนินการแก้ไข PII และ PHI
แพ็คเกจการเคลมประกันต้องมีการปฏิบัติตามข้อกำหนดและข้อบังคับด้านความเป็นส่วนตัวเป็นจำนวนมาก เนื่องจากมีทั้งข้อมูล PII และ PHI ผู้ให้บริการประกันภัยสามารถลดความเสี่ยงในการปฏิบัติตามข้อกำหนดได้โดยการแก้ไขข้อมูล เช่น หมายเลขกรมธรรม์หรือชื่อผู้ป่วย
มาดูตัวอย่างสรุปการจำหน่ายของผู้ป่วย เราใช้ Amazon Comprehend DetectPiiEntities
API เพื่อตรวจจับเอนทิตี PII ภายในเอกสารและปกป้องความเป็นส่วนตัวของผู้ป่วยโดยแก้ไขเอนทิตีเหล่านี้:
เราได้รับเอนทิตี PII ต่อไปนี้ในการตอบกลับจาก detect_pii_entities()
เอพีไอ :
จากนั้น เราสามารถแก้ไขเอนทิตี PII ที่ตรวจพบจากเอกสารโดยใช้เรขาคณิตของกล่องขอบเขตของเอนทิตีจากเอกสาร เราใช้เครื่องมือตัวช่วยที่เรียกว่า amazon-textract-overlayer
. สำหรับข้อมูลเพิ่มเติม โปรดดูที่ ตัวทับข้อความ. ภาพหน้าจอต่อไปนี้เปรียบเทียบเอกสารก่อนและหลังการแก้ไข
คล้ายกับ Amazon Comprehend DetectPiiEntities
API เรายังสามารถใช้ DetectPHI
API เพื่อตรวจจับข้อมูล PHI ในข้อความทางคลินิกที่กำลังตรวจสอบ สำหรับข้อมูลเพิ่มเติม โปรดดูที่ ตรวจจับพี
ขั้นตอนการทบทวนและตรวจสอบ
ในขั้นตอนการตรวจสอบและยืนยันเอกสาร ตอนนี้เราสามารถตรวจสอบได้ว่าแพ็คเกจการเคลมตรงตามข้อกำหนดของธุรกิจหรือไม่ เนื่องจากเรามีข้อมูลทั้งหมดที่รวบรวมจากเอกสารในแพ็คเกจจากขั้นตอนก่อนหน้า เราสามารถทำได้โดยแนะนำมนุษย์ในวงที่สามารถตรวจสอบและตรวจสอบฟิลด์ทั้งหมดหรือเพียงแค่กระบวนการอนุมัติอัตโนมัติสำหรับการเรียกร้องเงินดอลลาร์ต่ำก่อนที่จะส่งแพ็คเกจไปยังแอปพลิเคชันดาวน์สตรีม เราสามารถใช้ อเมซอน เสริม AI (Amazon A2I) เพื่อทำให้กระบวนการตรวจสอบโดยเจ้าหน้าที่สำหรับการประมวลผลการเคลมประกันเป็นไปโดยอัตโนมัติ
ตอนนี้เราได้ดึงข้อมูลที่จำเป็นทั้งหมดและทำให้เป็นมาตรฐานจากการประมวลผลการอ้างสิทธิ์โดยใช้บริการ AI สำหรับ IDP แล้ว เราสามารถขยายโซลูชันเพื่อผสานรวมกับบริการ AWS Analytics เช่น AWS Glue และ Amazon Redshift เพื่อแก้ไขกรณีการใช้งานเพิ่มเติมและให้การวิเคราะห์และการแสดงภาพเพิ่มเติม
ตรวจจับการเคลมประกันฉ้อฉล
ในโพสต์นี้ เราใช้สถาปัตยกรรมแบบไร้เซิร์ฟเวอร์ซึ่งข้อมูลที่ดึงออกมาและประมวลผลถูกจัดเก็บไว้ใน Data Lake และใช้เพื่อตรวจจับการเรียกร้องค่าสินไหมทดแทนที่เป็นการฉ้อโกงโดยใช้ ML เราใช้ บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (Amazon S3) เพื่อจัดเก็บข้อมูลที่ประมวลผล เราก็สามารถใช้ AWS กาว or อเมซอน EMR เพื่อล้างข้อมูลและเพิ่มฟิลด์เพิ่มเติมเพื่อให้เป็นวัสดุสิ้นเปลืองสำหรับการรายงานและ ML หลังจากนั้นเราใช้ Amazon RedShift ML เพื่อสร้างแบบจำลอง ML การตรวจจับการฉ้อโกง สุดท้าย เราสร้างรายงานโดยใช้ อเมซอน QuickSight เพื่อรับข้อมูลเชิงลึกเกี่ยวกับข้อมูล
ตั้งค่าสคีมาภายนอกของ Amazon Redshift
เพื่อจุดประสงค์ของตัวอย่างนี้ เราได้สร้าง a ชุดข้อมูลตัวอย่าง จำลองเอาท์พุตของกระบวนการ ETL (แยก แปลง และโหลด) และใช้ AWS Glue Data Catalog เป็นแค็ตตาล็อกข้อมูลเมตา ขั้นแรก เราสร้างฐานข้อมูลชื่อ idp_demo
ใน Data Catalog และสคีมาภายนอกใน Amazon Redshift ที่เรียกว่า idp_insurance_demo
(ดูรหัสต่อไปนี้) เราใช้ an AWS Identity และการจัดการการเข้าถึง บทบาท (IAM) ในการให้สิทธิ์แก่คลัสเตอร์ Amazon Redshift เพื่อเข้าถึง Amazon S3 และ อเมซอน SageMaker. สำหรับข้อมูลเพิ่มเติมเกี่ยวกับวิธีการตั้งค่าบทบาท IAM นี้โดยมีสิทธิ์น้อยที่สุด โปรดดูที่ จัดกลุ่มและกำหนดค่าการตั้งค่าสำหรับการดูแลระบบ Amazon Redshift ML.
สร้างตารางภายนอกของ Amazon Redshift
ขั้นตอนต่อไปคือการสร้างตารางภายนอกใน Amazon Redshift โดยอ้างอิงตำแหน่ง S3 ที่ไฟล์นั้นตั้งอยู่ ในกรณีนี้ ไฟล์ของเราเป็นไฟล์ข้อความที่คั่นด้วยเครื่องหมายจุลภาค เรายังต้องการข้ามแถวส่วนหัวจากไฟล์ ซึ่งสามารถกำหนดค่าได้ในส่วนคุณสมบัติของตาราง ดูรหัสต่อไปนี้:
สร้างการฝึกอบรมและทดสอบชุดข้อมูล
หลังจากที่เราสร้างตารางภายนอกแล้ว เราจะเตรียมชุดข้อมูลสำหรับ ML โดยแบ่งเป็นชุดการฝึกและชุดทดสอบ เราสร้างตารางภายนอกใหม่ที่เรียกว่า claim_train
ซึ่งประกอบด้วยระเบียนทั้งหมดที่มี ID <= 85000 จากตารางการอ้างสิทธิ์ นี่คือชุดการฝึกที่เราฝึกโมเดล ML ของเรา
เราสร้างตารางภายนอกอื่นที่เรียกว่า claim_test
ที่ประกอบด้วยระเบียนทั้งหมดที่มี ID >85000 เพื่อเป็นชุดทดสอบที่เราทดสอบแบบจำลอง ML บน:
สร้างโมเดล ML ด้วย Amazon Redshift ML
ตอนนี้เราสร้างแบบจำลองโดยใช้ สร้างแบบจำลอง คำสั่ง (ดูรหัสต่อไปนี้) เราเลือกคอลัมน์ที่เกี่ยวข้องจาก claims_train
ตารางที่สามารถระบุธุรกรรมที่เป็นการฉ้อโกง เป้าหมายของโมเดลนี้คือการคาดการณ์มูลค่าของ fraud
คอลัมน์; ดังนั้น, fraud
ถูกเพิ่มเป็นเป้าหมายการทำนาย หลังจากฝึกโมเดลแล้ว จะสร้างฟังก์ชันที่ชื่อว่า insurance_fraud_model
. ฟังก์ชันนี้ใช้สำหรับการอนุมานขณะรันคำสั่ง SQL เพื่อทำนายค่าของ fraud
คอลัมน์สำหรับบันทึกใหม่
ประเมินเมตริกโมเดล ML
หลังจากที่เราสร้างแบบจำลองแล้ว เราสามารถเรียกใช้แบบสอบถามเพื่อตรวจสอบความถูกต้องของแบบจำลองได้ เราใช้ insurance_fraud_model
ฟังก์ชันทำนายค่าของ fraud
คอลัมน์สำหรับบันทึกใหม่ เรียกใช้แบบสอบถามต่อไปนี้บน claims_test
ตารางเพื่อสร้างเมทริกซ์ความสับสน:
ตรวจจับการฉ้อโกงโดยใช้โมเดล ML
หลังจากที่เราสร้างโมเดลใหม่ เมื่อมีการแทรกข้อมูลการอ้างสิทธิ์ใหม่ลงในคลังข้อมูลหรือ Data Lake เราก็สามารถใช้ insurance_fraud_model
ฟังก์ชันคำนวณธุรกรรมที่เป็นการฉ้อโกง เราทำสิ่งนี้โดยการโหลดข้อมูลใหม่ลงในตารางชั่วคราวก่อน จากนั้นเราใช้ insurance_fraud_model
ฟังก์ชันคำนวณค่า fraud
แฟล็กสำหรับธุรกรรมใหม่แต่ละรายการและแทรกข้อมูลพร้อมกับแฟล็กลงในตารางสุดท้าย ซึ่งในกรณีนี้คือ claims
ตาราง
เห็นภาพข้อมูลการเรียกร้อง
เมื่อข้อมูลพร้อมใช้งานใน Amazon Redshift เราสามารถสร้างการแสดงภาพโดยใช้ QuickSight จากนั้น เราสามารถแบ่งปันแดชบอร์ด QuickSight กับผู้ใช้ทางธุรกิจและนักวิเคราะห์ได้ ในการสร้างแดชบอร์ด QuickSight คุณต้องสร้างชุดข้อมูล Amazon Redshift ใน QuickSight ก่อน สำหรับคำแนะนำ โปรดดูที่ การสร้างชุดข้อมูลจากฐานข้อมูล.
หลังจากที่คุณสร้างชุดข้อมูล คุณสามารถสร้างการวิเคราะห์ใหม่ใน QuickSight โดยใช้ชุดข้อมูล ต่อไปนี้คือรายงานตัวอย่างบางส่วนที่เราสร้างขึ้น:
- จำนวนการเรียกร้องทั้งหมดตามรัฐ จัดกลุ่มโดย
fraud
สนาม – แผนภูมินี้แสดงสัดส่วนของธุรกรรมที่เป็นการฉ้อโกงเมื่อเปรียบเทียบกับจำนวนธุรกรรมทั้งหมดในรัฐหนึ่งๆ - ผลรวมของมูลค่าเงินดอลลาร์ทั้งหมดของการเรียกร้อง จัดกลุ่มโดย
fraud
สนาม – แผนภูมินี้แสดงให้เราเห็นสัดส่วนของจำนวนเงินดอลลาร์ของการทำธุรกรรมที่เป็นการฉ้อโกง เมื่อเทียบกับจำนวนเงินรวมของการทำธุรกรรมในรัฐหนึ่งๆ - จำนวนธุรกรรมทั้งหมดต่อบริษัทประกันภัย จัดกลุ่มโดย
fraud
สนาม – แผนภูมินี้แสดงจำนวนการเรียกร้องค่าสินไหมทดแทนสำหรับบริษัทประกันภัยแต่ละแห่ง และจำนวนที่เป็นการฉ้อโกง
- ผลรวมของธุรกรรมฉ้อโกงตามรัฐที่แสดงบนแผนที่ของสหรัฐอเมริกา – แผนภูมินี้แสดงธุรกรรมที่เป็นการฉ้อโกงและแสดงค่าใช้จ่ายทั้งหมดสำหรับธุรกรรมเหล่านั้นตามรัฐบนแผนที่ สีฟ้าที่เข้มกว่าหมายถึงประจุรวมที่สูงขึ้น เราสามารถวิเคราะห์เพิ่มเติมตามเมืองภายในรัฐนั้นและรหัสไปรษณีย์กับเมืองเพื่อให้เข้าใจถึงแนวโน้มได้ดีขึ้น
ทำความสะอาด
เพื่อป้องกันไม่ให้มีการเรียกเก็บเงินกับบัญชี AWS ของคุณในอนาคต ให้ลบทรัพยากรที่คุณจัดเตรียมไว้ในการตั้งค่าโดยทำตามคำแนะนำใน ส่วนการล้างข้อมูล ใน repo ของเรา
สรุป
ในซีรีส์สองส่วนนี้ เราได้เห็นวิธีสร้างไปป์ไลน์ IDP ตั้งแต่ต้นทางถึงปลายทางโดยมีประสบการณ์ ML เพียงเล็กน้อยหรือไม่มีเลย เราได้สำรวจกรณีการใช้งานการประมวลผลการเคลมในอุตสาหกรรมประกันภัยและวิธีที่ IDP สามารถช่วยทำให้กรณีการใช้งานนี้เป็นแบบอัตโนมัติโดยใช้บริการต่างๆ เช่น Amazon Text, Amazon Comprehend, Amazon Comprehend Medical และ Amazon A2I ในส่วนที่ 1 เราสาธิตวิธีใช้บริการ AWS AI สำหรับการดึงเอกสาร ในส่วนที่ 2 เราได้ขยายขั้นตอนการสกัดและดำเนินการปรับปรุงข้อมูล สุดท้าย เราได้ขยายข้อมูลที่มีโครงสร้างที่ดึงมาจาก IDP สำหรับการวิเคราะห์เพิ่มเติม และสร้างการแสดงภาพเพื่อตรวจจับการอ้างสิทธิ์ที่เป็นการฉ้อโกงโดยใช้บริการ AWS Analytics
เราขอแนะนำให้ตรวจสอบส่วนความปลอดภัยของ Amazon Text, เข้าใจ Amazonและ อเมซอน A2I เอกสารและปฏิบัติตามแนวทางที่ให้ไว้ หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับราคาของโซลูชัน ให้ตรวจสอบรายละเอียดราคาของ Amazon Text, เข้าใจ Amazonและ อเมซอน A2I.
เกี่ยวกับผู้เขียน
ชินมยีระเนะ เป็นสถาปนิกโซลูชันผู้เชี่ยวชาญ AI/ML ที่ Amazon Web Services เธอหลงใหลเกี่ยวกับคณิตศาสตร์ประยุกต์และการเรียนรู้ของเครื่อง เธอมุ่งเน้นที่การออกแบบโซลูชันการประมวลผลเอกสารอัจฉริยะสำหรับลูกค้า AWS นอกงาน เธอชอบเต้นซัลซ่าและบาคาต้า
อุทัย นารายณ์นันท์ เป็นสถาปนิกโซลูชันผู้เชี่ยวชาญด้านการวิเคราะห์ที่ AWS เขาสนุกกับการช่วยลูกค้าค้นหาโซลูชันที่เป็นนวัตกรรมเพื่อรับมือกับความท้าทายทางธุรกิจที่ซับซ้อน จุดสนใจหลักของเขาคือการวิเคราะห์ข้อมูล ระบบข้อมูลขนาดใหญ่ และการเรียนรู้ของเครื่อง ในเวลาว่าง เขาชอบเล่นกีฬา ดูรายการทีวีอย่างเมามาย และเดินทาง
โซนาลี ซาฮู เป็นผู้นำทีมสถาปนิกโซลูชัน AI/ML Solutions ของการประมวลผลเอกสารอัจฉริยะที่ Amazon Web Services เธอเป็นคนที่หลงใหลในเทคโนโลยีและชอบที่จะทำงานร่วมกับลูกค้าในการแก้ปัญหาที่ซับซ้อนโดยใช้นวัตกรรม จุดสนใจหลักของเธอคือปัญญาประดิษฐ์และการเรียนรู้ของเครื่องสำหรับการประมวลผลเอกสารอัจฉริยะ
- AI
- ไอ อาร์ต
- เครื่องกำเนิดไออาร์ท
- หุ่นยนต์ไอ
- เข้าใจ Amazon
- Amazon Comprehen Medical
- อเมซอน แมชชีนเลิร์นนิง
- Amazon Text
- การวิเคราะห์
- 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
- เรียนรู้เครื่อง
- เพลโต
- เพลโตไอ
- เพลโตดาต้าอินเทลลิเจนซ์
- เกมเพลโต
- เพลโตดาต้า
- เพลโตเกม
- ขนาดไอ
- วากยสัมพันธ์
- GAP
- ลมทะเล