发现、交付、扩展：nib Group 的机器学习之旅

nib Group（nib）在澳大利亚和新西兰拥有超过 140 万客户，是该地区的主要健康保险公司之一。借助最新的机器学习创新，该公司能够更快、更准确且更高效地响应会员的需求。

“我们以率先利用机器学习为荣。我们希望帮助会员更快速而简单地进行索赔，并以相同的方式确保我们的第一线团队能够专注于重要的咨询，而不是花时间回答我们的聊天机器人就能解答的基本保单问题”，nib 新兴技术与数据平台的负责人 Mathew Finch 说道。

nib 的开发人员团队已对自动化和机器学习进行过多年试验。他们急切想要进一步增强公司的机器学习能力，于是向数据科学咨询公司 Eliiza 求助，后者是 Amazon Web Services（AWS）的核心级合作伙伴。

Eliiza 整合了一支工程师和数据科学家团队，帮助设计一种名叫 Melvin 的机器学习引擎，该引擎采用 Amazon Textract 构建而成。他们还利用 Amazon Kendra 对 nib 的聊天机器人 nibby 进行强化。这两种创新的 AWS 解决方案旨在帮助克服两项完全不同的客户服务挑战。

2015 年，nib 推出一款创新工具，允许会员通过移动应用程序提交健康保险索赔。在对医疗服务收据进行拍照并直接上传到应用程序以后，会员可以非常快速地报销有效费用，通常在 24 小时之内。

尽管对会员来说，这是一次巨大的进步，但 nib 的索赔团队要花太多时间提取收据的数据，如客户编号、所用药物、剂量、日期和服务提供商编号等，并将这些数据输入到数据库。

“我们开始试验各种自动化方式，避免常规的转录和数据输入任务。我们的最终目标是在更短时间内更轻松地处理更多索赔，使公司的索赔团队能够专注于验证流程中更关键的步骤”，Eliiza 的首席执行官 James Wilson 表示，

“我们着手构建了一种机器学习引擎，它能从收据‘读取’数据，并预填充到数据库中的相应字段。我们的解决方案需要和 nib Group 的索赔团队一样快速且准确。它还需要完美兼容其现有的索赔处理架构，而不会将敏感的医疗数据置于风险当中。”

nib 的机器学习之旅发端于“发现”研讨会，利益相关者齐聚一堂，确定有待克服的挑战。这催生了“机器学习蓝图”，用以指导后续步骤与迭代。

在“发现”阶段，Eliiza 和 nib Group 开始采用不同的技术对少量模拟文档进行测试，例如，光学字符识别（OCR）等。这是一种图像识别技术，用于将基于图像的文本（如手写或打印资料）转换成机器编码的电子文本。最后，一种解决方案从中脱颖而出：Amazon Textract。它是一项机器学习服务，可从几乎任何文档中自动提取文本、手写内容和数据。

“显而易见地，Amazon Textract 很快就成为全球基准。我们找不到任何产品能在性能方面与之媲美，无论就其准确性还是读取低质量图像的能力而言。它能够应对我们所面对的很多挑战”，Finch 说道。

但他们也遇到了一个小问题：Amazon Textract 还没有在澳大利亚推出。Eliiza 和 nib 并没有被难倒，他们开始采用 Amazon Textract 在 2019 年年初构建了自己的机器学习引擎（代号为 “Melvin”），使管道处于备用状态，直至同年稍晚时候 Amazon Textract 在澳大利亚推出。

“这样做实际带来了一些好处。它使我们有时间实施错误检测和更正机制，并深化自动化水平。通过与其他数据库集成（如 MIMS 药品数据库），我们的解决方案还能验证索赔是否有效”，Wilson 解释。

Melvin 的组件都在本地开发和测试，并采用现有的 nib 数据结构。在完成后，Melvin 被直接嵌入到公司的处理框架。该框架采用 Amazon Simple Queue Service（Amazon SQS）（可帮助异步处理）和 Amazon Lambda。与此同时，为了最大限度降低敏感客户数据外泄的风险，Eliiza 构建了一个隔离“笼藩”来确保这些数据永远留在 AWS 环境当中。

从 2020 年 5 月开始，nib 一直利用 Melvin 以惊人的准确度提取数据，并自动将其输入到他们的数据库。Amazon Textract 预填充字段的整体准确度超过 87%，几乎一半预填充字段的准确度更高达 95% 或以上。在所有索赔中，将近一半在处理时无需任何手动重新键入或数据输入调整。所有这一切使得 nib 团队能够快速审核并处理每个索赔。

其结果是，Melvin 帮助将每个索赔的处理时间缩短了大约 20 秒，这意味着公司能够大幅增加每天处理的索赔数量。

Melvin 每天已能处理超过 150 个索赔，而 nib 正在探索是否可以在近期处理一定百分比的索赔，而完全不进行人为干预。“这是我们的终极目标。最理想的情况是，我们希望能够实时地自动处理大比例索赔，这样一来，会员就能在几分钟内得到响应。这是我们的构建目标，而数据提取是实现该目标的关键所在”，Finch 说道。

nib 在 2017 年推出他们的聊天机器人，nibby。公司与 AWS 合作伙伴 DiUS 联手，采用 Amazon Lex 构建 nibby。作为一项深度学习技术，Amazon Lex 还为 Amazon Alexa 提供技术支持。该聊天机器人可将基本的保单承保范围问题从 nib 的联系中心转移出来，让座席专心回答更复杂的咨询问题。

“我们之所以选择 Lex，是因为它是完整的程序包，我们可以将其与 AWS 环境的其他部分无缝集成。Lex 会处理繁重的工作，不需要数据科学家构建机器学习模型。我们用了四到六周就开发出概念验证”，Finch 说道。

此聊天机器人是一次巨大的成功。今天，大约 65% 基于聊天的咨询由 nibby 负责处理，只有 35% 会被转移到呼叫中心加以解决。保险公司现在每月可以处理将近 1.5 万次聊天，而在最初推出 nibby 前，这个数字仅为 4000。

在此成功的基础上，nib 又于 2019 年和 Eliiza 开展合作，进一步改善 nibby 的速度和准确性，以及更出色地分析 nibby 的数据。但怎么做到的呢？

他们开始试验 Amazon Kendra，该智能搜索服务由机器学习提供技术支持。

当有会员问：“承保范围是否包括 X 光检查？”nibby 现在可以详细而准确地给出答案。而在过去，nibby 只会分享保单文件的链接。但遗憾的是，大多数人都不会阅读这些文件，他们很有可能会使用电话联系或选择在线聊天。今天，nibby 拥有必要的内容，可针对会员的特定保单问题提供即时而准确的回答。

为实现这个目标，Eliiza 采用 Amazon Kendra 构建 nibby 的“Kendra 索引”。该索引在创建时提取 40 份产品披露声明，每份均有数页篇幅，以及冗长的政策 PDF 和常见问题解答。

“设置速度快得不可思议。只要几次点击，Eliiza 就能轻松配置我们的 Kendra 索引，并将它连接到相关数据来源”，Finch 说道。

Eliiza 的机器学习工程师 James Dunwoody 则补充说：“有别于传统搜索技术，Kendra 的自然语言搜索功能帮助 nibby 快速而准确地回答问题，不管这些信息位于索引多深的位置。”

该解决方案如期在 2021 年部署。Eliiza 还与 nib 合作利用 nibby 的聊天数据，到目前已整理出 30 万多次对话。

最后，nib 和 Eliiza 希望对 nibby 进行扩展，使其也能够处理电话咨询。

“我们正利用 Amazon Connect，让 nibby 不仅以聊天为导向，而且能够基于语音。这意味着，我们的会员将能够与听起来非常像人的机器人聊天，从而转移更多咨询，减轻我们的联系中心的负担”，Finch 说道。

“我们每个月要接听 15 万通电话，比我们的聊天咨询多 10 倍。如果我们可以转移其中的 10%，即可实现大量节省并提高效率。”

通过将人工密集型重复任务委托给 AWS 技术，nib 可以按计划继续提高他们的自助服务目标。所谓自助服务目标，指的是无需任何人为干预的会员咨询百分比。

“我们的关键成功指标之一是自助服务，它代表我们如何评判在聊天/语音和会员咨询方面我们所做的所有工作”，Finch 说道。

八个月前，该保险公司的自助服务率介于 35% 到 40% 之间。而今天，这个数字为 65%，也就是说，只有 35% 的聊天会被转移到联系中心，其余的都由 nibby 熟练地处理，使员工能够腾出手来处理更复杂的案例。

“我们从没想过自助服务率能超过 50%，所以对 65% 这个数字非常满意。这是组合运用多种不同技术的成果，包括 Amazon Kendra 和 Amazon Lex。nibby 现在同时采用这些技术。我们的目标是，尽可能地不断提高我们的自助服务率。”

从 Amazon Textract 到 Amazon Lex，再到 Amazon Kendra，nib 采用了一系列 AWS 解决方案，以期改变现状，为行业推出前所未有的创新。

对于以创新方式采用人工智能和机器学习的数据驱动型公司来说，这是一个激动人心的时代。通过对数据输入或解答会员咨询等时间密集型任务进行自动化，nib 成为引领发展的现状颠覆者之一。