Sigorta sektöründe AWS AI hizmetleriyle akıllı belge işleme: 1. Bölüm

Akıllı belge işlemenin (IDP) amacı, evraklarınızı işlemek için yapay zeka uygulayarak kuruluşunuzun daha hızlı ve daha doğru kararlar almasına yardımcı olmaktır. Bu iki bölümden oluşan dizi, sigorta şirketlerinin iş süreçlerini hızlandırmak için kullanabilecekleri AWS AI teknolojilerini vurgular. Bu yapay zeka teknolojileri, talepler, sigortalama, müşteri yazışmaları, sözleşmeler veya anlaşmazlıkların çözümlenmesi gibi sigorta kullanım durumlarında kullanılabilir. Bu seri, sigorta endüstrisindeki bir talep işleme kullanım örneğine odaklanmaktadır; AWS IDP çözümünün temel kavramları hakkında daha fazla bilgi için aşağıdakilere bakın iki parçalı seri.

Talep işleme, bir hak talebine karar vermek için gözden geçirmek, orijinalliği doğrulamak ve doğru mali sorumluluğu belirlemek için gerekli olan bir iş akışındaki birden çok kontrol noktasından oluşur. Sigorta şirketleri, hasarların karara bağlanmasından önce tazminat talepleri için bu kontrol noktalarından geçer. Bir talep tüm bu kontrol noktalarından sorunsuz bir şekilde geçerse, sigorta şirketi bunu onaylar ve ödemeyi işler. Ancak, bir hak talebini karara bağlamak için ek destekleyici bilgilere ihtiyaç duyabilirler. Bu talep işleme süreci genellikle manueldir, bu da onu pahalı, hataya açık ve zaman alıcı hale getirir. Sigorta müşterileri, talep işleme için belge işleme hattını otomatikleştirmek için AWS AI hizmetlerini kullanarak bu süreci otomatikleştirebilir.

Bu iki bölümden oluşan dizide, bir sigorta tazminat talebi işleme kullanım senaryosu için AWS AI hizmetlerini kullanarak belgeleri geniş ölçekte nasıl otomatikleştirebileceğinizi ve akıllıca işleyebileceğinizi anlatıyoruz.

Çözüme genel bakış

Aşağıdaki diyagram, tipik olarak bir IDP işlem hattında gördüğümüz her aşamayı temsil eder. Bu aşamaların her birini ve bunların bir başvurunun sunulduğu andan başlayarak, başvurunun araştırılması ve kapatılmasına kadar bir talep başvuru sürecinde yer alan adımlara nasıl bağlandıklarını ele alıyoruz. Bu yazıda, veri yakalama, sınıflandırma ve çıkarma aşamalarının teknik ayrıntılarını ele alıyoruz. İçinde Bölüm 2, belge çıkarma aşamasını genişletiyoruz ve belge zenginleştirmeye, incelemeye ve doğrulamaya devam ediyoruz ve çözümü, bir iddia sahtekarlığı kullanım durumu için analitik ve görselleştirmeler sağlayacak şekilde genişletiyoruz.

Aşağıdaki mimari diyagram, bir talep işleme uygulamasının farklı aşamalarına göre IDP ardışık düzeninin aşamaları sırasında kullanılan farklı AWS hizmetlerini gösterir.

Çözüm, aşağıdaki temel hizmetleri kullanır:

• Amazon Metin Yazısı taranan belgelerden metin, el yazısı ve verileri otomatik olarak çıkaran bir makine öğrenimi (ML) hizmetidir. Formlardan ve tablolardan verileri tanımlamak, anlamak ve ayıklamak için basit optik karakter tanımanın (OCR) ötesine geçer. Amazon Textract, her tür belgeyi okumak ve işlemek için makine öğrenimi kullanır; metin, el yazısı, tablo ve diğer verileri hiçbir manuel çaba harcamadan doğru şekilde çıkarır.
• Amazon Kavramak metinden içgörüler çıkarmak için ML kullanan bir doğal dil işleme (NLP) hizmetidir. Amazon Comprehend kişi, konum, tarih, miktar ve daha fazlası gibi varlıkları algılayabilir. Ayrıca baskın dili, kişisel olarak tanımlanabilir bilgileri (PII) tespit edebilir ve belgeleri ilgili sınıflarına göre sınıflandırabilir.
• Amazon Artırılmış AI (Amazon A2I), insan incelemesi için gereken iş akışlarını oluşturmayı kolaylaştıran bir makine öğrenimi hizmetidir. Amazon A2I, insan incelemesi sistemleri oluşturmak veya çok sayıda insan incelemeciyi yönetmekle ilişkili farklılaşmamış ağır yükleri ortadan kaldırarak tüm geliştiricilere insan incelemesi sunar. Amazon A2I, her ikisini de Amazon Metin Yazısı ve Amazon Kavramak IDP iş akışı içinde insan incelemesi veya doğrulaması sunma yeteneği sağlamak.

Önkoşullar

Aşağıdaki bölümlerde, mimarinin ilk üç aşamasıyla, yani veri yakalama, sınıflandırma ve çıkarma aşamalarıyla ilgili farklı hizmetleri inceleyeceğiz.

Bizim için GitHub deposu talep işleme paketindeki belge örnekleriyle birlikte tam kod örnekleri için.

Veri yakalama aşaması

Talepler ve destekleyici belgeler faks, e-posta, yönetici portalı ve daha fazlası gibi çeşitli kanallardan gelebilir. Bu belgeleri, aşağıdaki gibi yüksek düzeyde ölçeklenebilir ve dayanıklı bir depoda saklayabilirsiniz: Amazon Basit Depolama Hizmeti (Amazon S3). Bu belgeler PDF, JPEG, PNG, TIFF ve daha fazlası gibi çeşitli türlerde olabilir. Belgeler çeşitli biçimlerde ve düzenlerde gelebilir ve farklı kanallardan veri deposuna gelebilir.

sınıflandırma aşaması

Belge sınıflandırma aşamasında, veri yakalama aşamasında depolanan belgeleri sınıflandırmak için metni belge bağlamına dönüştürmek için Amazon Comprehend ile Amazon Textract'ı birleştirebiliriz. Ardından, belgeleri talep işleme paketinde tanımladığımız sınıflar halinde düzenlemek için Amazon Comprehend'de özel sınıflandırmayı kullanabiliriz. Özel sınıflandırma, belge doğrulama sürecini otomatikleştirmek ve paketteki eksik belgeleri belirlemek için de yararlıdır. Mimari şemasında gösterildiği gibi, özel sınıflandırmada iki adım vardır:

1. Özel sınıflandırıcı için eğitim verilerini hazırlamak için veri deposundaki tüm belgelerden Amazon Textract kullanarak metin ayıklayın.
2. Bir Amazon Comprehend özel sınıflandırma modeli eğitin (aynı zamanda belge sınıflandırıcı) metin içeriğine göre ilgi sınıflarını tanımak.

Amazon Comprehend özel sınıflandırma modeli eğitildikten sonra belgeleri sınıflandırmak için gerçek zamanlı uç noktayı kullanabiliriz. Amazon Comprehend, bir dizi anahtar/değer çifti (Doc_name - Confidence_score). Ayrıntılı belge sınıflandırma örnek kodunu incelemenizi öneririz. GitHub.

Ekstraksiyon aşaması

Çıkarma aşamasında, Amazon Textract ve Amazon Comprehend kullanarak belgelerden veri çıkarıyoruz. Bu gönderi için, talep işleme paketindeki aşağıdaki örnek belgeleri kullanın: Medicaid ve Medicare Hizmetleri Merkezi (CMS)-1500 talep formu, ehliyet ve sigorta kimliği ve fatura.

CMS-1500 talep formundan veri ayıklayın

CMS-1500 formu, kurumsal olmayan bir sağlayıcı veya tedarikçi tarafından Medicare taşıyıcılarına fatura kesmek için kullanılan standart talep formudur.

CMS-1500 formunun doğru bir şekilde işlenmesi önemlidir, aksi takdirde talep sürecini yavaşlatabilir veya taşıyıcının ödemesini geciktirebilir. Amazon Textract ile AnalyzeDocument API, talep formunda daha fazla içgörü anlamak için belgelerden metin çıkarmak için çıkarma işlemini daha yüksek doğrulukla hızlandırabiliriz. Aşağıdaki, bir CMS-1500 talep formunun örnek belgesidir.

şimdi kullanıyoruz AnalyzeDocument İki ayıklanacak API FeatureTypes, FORMS ve TABLES, belgeden:

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"))

Aşağıdaki sonuçlar daha iyi okunabilirlik için kısaltılmıştır. Daha ayrıntılı bilgi için bkz. GitHub deposu.

The FORMS çıkarma, anahtar/değer çiftleri olarak tanımlanır.

The TABLES çıkarma, talep formundaki algılanan bir tablodaki hücreleri, birleştirilmiş hücreleri ve sütun başlıklarını içerir.

Kimlik belgelerinden veri ayıklayın

Farklı düzenlere sahip olabilen sigorta kimliği gibi kimlik belgeleri için Amazon Textract'ı kullanabiliriz. AnalyzeDocument API. kullanıyoruz FeatureType FORMS yapılandırması olarak AnalyzeDocument Sigorta kimliğinden anahtar/değer çiftlerini çıkarmak için API (aşağıdaki örneğe bakın):

Aşağıdaki kodu çalıştırın:

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"))

Aşağıdaki ekran görüntüsünde gösterildiği gibi, sonuç dizisindeki anahtar/değer çiftlerini alıyoruz.

ABD ehliyeti veya ABD pasaportu gibi kimlik belgeleri için Amazon Textract, daha önce sigorta kimliği örneğinde gördüğümüzün aksine, şablonlara veya biçimlere ihtiyaç duymadan anahtar terimleri otomatik olarak çıkarmak için özel destek sağlar. İle AnalyzeID API, işletmeler, farklı şablonlara veya biçimlere sahip kimlik belgelerinden bilgileri hızlı ve doğru bir şekilde çıkarabilir. bu AnalyzeID API, iki veri türü kategorisi döndürür:

• Kimlikte bulunan doğum tarihi, veriliş tarihi, kimlik numarası, sınıf ve kısıtlamalar gibi anahtar/değer çiftleri
• Belgede, ad, adres ve veren gibi açık anahtarlara sahip olmayabilecek zımni alanlar

Talep işleme paketimizden aşağıdaki örnek ABD ehliyetini kullanıyoruz.

Aşağıdaki kodu çalıştırın:

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]))

Aşağıdaki ekran görüntüsü sonucumuzu göstermektedir.

Sonuçların ekran görüntüsünden, ehliyetin kendisinde olmayan bazı anahtarların sunulduğunu gözlemleyebilirsiniz. Örneğin, Veteran lisansta bulunan bir anahtar değildir; ancak, önceden doldurulmuş bir anahtar/değer çiftidir ve AnalyzeID devletler arasında lisanslarda bulunan farklılıklar nedeniyle destekler.

Faturalardan ve makbuzlardan veri ayıklayın

Benzer AnalyzeID API, AnalyzeExpense API, satıcı adı, ara toplam ve toplam tutarlar gibi ilgili bilgileri ve herhangi bir fatura belgesi biçiminden daha fazlasını çıkarmak için faturalar ve makbuzlar için özel destek sağlar. Çıkarma için herhangi bir şablona veya yapılandırmaya ihtiyacınız yoktur. Amazon Textract, belirsiz faturaların ve makbuzların bağlamını anlamak için makine öğrenimini kullanır.

Aşağıda örnek bir sağlık sigortası faturası bulunmaktadır.

Biz kullanın AnalyzeExpense Standartlaştırılmış alanların listesini görmek için API. Standart alan olarak tanınmayan alanlar şu şekilde kategorize edilir: 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))

Sonuçlarda anahtar/değer çiftleri (soldaki ekran görüntüsüne bakın) ve satın alınan tek tek satır öğelerinin tamamı (sağdaki ekran görüntüsüne bakın) olarak aşağıdaki alan listesini alırız.

Sonuç

Bu gönderide, talep işlemedeki yaygın zorlukları ve bir talebi otomatik olarak karara bağlamak üzere akıllı bir belge işleme hattını otomatikleştirmek için AWS AI hizmetlerini nasıl kullanabileceğimizi gösterdik. Bir Amazon Comprehend özel sınıflandırıcı kullanarak belgeleri çeşitli belge sınıflarına nasıl sınıflandıracağımızı ve yapılandırılmamış, yarı yapılandırılmış, yapılandırılmış ve özel belge türlerini ayıklamak için Amazon Textract'ın nasıl kullanılacağını gördük.

In Bölüm 2, Amazon Textract ile çıkarma aşamasını genişletiyoruz. Ayrıca verileri zenginleştirmek için Amazon Comprehend önceden tanımlanmış varlıkları ve özel varlıkları kullanıyoruz ve daha fazla işleme için analitik ve görselleştirme hizmetleriyle entegre olmak üzere IDP ardışık düzeninin nasıl genişletileceğini gösteriyoruz.

güvenlik bölümlerini incelemenizi öneririz. Amazon Metin Yazısı, Amazon Anlamak, ve Amazon A2I belgeler ve sağlanan yönergeleri takip edin. Çözümün fiyatlandırması hakkında daha fazla bilgi edinmek için aşağıdaki fiyatlandırma ayrıntılarını inceleyin: Amazon Metin Yazısı, Amazon Kavramak, ve Amazon A2I.

Yazarlar Hakkında

Chinmaye Rane Amazon Web Services'de AI/ML Uzman Çözüm Mimarıdır. Uygulamalı matematik ve makine öğrenimi konusunda tutkulu. AWS müşterileri için akıllı belge işleme çözümleri tasarlamaya odaklanıyor. İş dışında salsa ve bachata dansından hoşlanıyor.

Sonali Sahu Amazon Web Services'de Akıllı Belge İşleme AI/ML Çözümleri Mimarı ekibine liderlik ediyor. Tutkulu bir teknoloji tutkunu ve inovasyonu kullanarak karmaşık sorunları çözmek için müşterilerle çalışmaktan keyif alıyor. Temel odak alanı, akıllı belge işleme için yapay zeka ve makine öğrenimidir.

Tim Condello Amazon Web Services'de Kıdemli AI/ML Uzman Çözüm Mimarıdır. Odak noktası, doğal dil işleme ve bilgisayar görüşüdür. Tim, müşteri fikirlerini alıp ölçeklenebilir çözümlere dönüştürmekten hoşlanır.