Amazon Comprehend-Kunden und -Partner

Die gewerbliche Versicherungsbranche arbeitet mit dokumentenintensiven Prozessen. Die Verarbeitung dieser Dokumente erfordert eine manuelle Eingabe, ist kostspielig und anfällig für menschliches Versagen. Wir verwenden AWS-Services, um betriebliche Arbeitsabläufe mithilfe von Amazon Textract und Amazon Comprehend zu automatisieren und zu optimieren. Mithilfe von Machine Learning konnten wir mit reduziertem manuellen Aufwand Versicherungsnummern, Ablaufdaten und viele weitere für die Versicherungsbranche spezifische Attribute extrahieren. Wir nutzen Amazon Textract, um Daten aus maßstabsgetreuen Dokumenten zu extrahieren, und Amazon Comprehend, um unstrukturierte Inhalte in Dokumenten zu klassifizieren und zu kennzeichnen und versicherungsspezifische Einheiten herauszuholen.  „Unsere Anwendungen verwenden Amazon Textract und Amazon Comprehend in Verbindung mit unseren eigenen proprietären Modellen, um kostspielige manuelle Prozesse wie die Überprüfung von Dokumenten und die Aufnahme von Versicherungsanträgen zu automatisieren. Wir reduzieren den Kundenaufwand und machen den Kauf und Verkauf von gewerblichen Versicherungen schneller und einfacher. Mit AWS Machine Learning erzielen wir großartige Ergebnisse.“

-Colin Toal, Chief Technical Officer, Chisel AI

„Wir bemühen uns, Technologie- und Fachwissen aus dem Geschäftsbereich zu kombinieren, um unseren Kunden dabei zu helfen, die Compliance-Risiken in ihrer Lieferkette zu verstehen. Wir benötigten eine Möglichkeit, Compliance-Dokumente in großem Maßstab zu verarbeiten. Unser Prozess besteht darin, Bilder und PDF-Dokumente mit Formularen, Tabellen und Freiformtexten zu lesen und aus diesen Dokumenten relevante Daten zu extrahieren. Die OCR-Technologie von Amazon Textract ermöglichte es uns, Text aus Dokumenten zu extrahieren. Die kontextsensitiven NLP-APIs von Amazon Comprehend extrahierten geschäftsspezifische Entitäten und ihre Werte aus dem Text. Mithilfe von Amazon Augmented AI (Amazon A2I) haben wir auch Menschen in den Workflow eingebunden: Unsere Teams überprüfen die extrahierten Daten, geben Feedback zu den ML-Modellen und helfen, sie im Laufe der Zeit zu verbessern. Der Einsatz dieser effizienten Mischung aus menschlichem und maschinellem Lernen zusammen mit AppSync und Amplify ermöglichte uns genauere Einblicke in die Lieferkettenrisiken unserer Kunden und ersparte ihnen Hunderte von Stunden bei der manuellen Überprüfung von Dokumenten. Sie können nun sofort eine Rückmeldung darüber erhalten, ob ihr Unternehmen einem Compliance-Risiko ausgesetzt ist.“

-Corey Peters, AI/ML Team Lead, Assent Compliance

„Die Meinung der Kunden zu verschiedenen Produkten und Services zu kennen, ist die Grundlage für eine Zustandsanalyse des Unternehmens.“ Amazon Comprehend Targeted Sentiment ermöglicht es den Kunden, nicht nur die Stimmung bei einem Gespräch zu analysieren, sondern auch Erkenntnisse über bestimmte Produkte oder Unternehmensbereiche zu erhalten.“

-Praphul Kumar, Chief Product Officer, SuccessKPI

„Wir sind begeistert von der Amazon-Comprehend-Targeted-Sentiment-Funktion, da sie die bestehende Berichterstattung zu Umfrageergebnissen in Gallup Access verbessern wird. Aktuell zeichnen wir allgemeine Metriken zur Stimmung auf. Mit dieser neuen Funktion werden wir in der Lage sein, in diesen Umfrageergebnissen mehr Details zur Stimmung zu erfassen. Dies steigert den Mehrwert unserer Berichte und bietet Benutzern genauere Daten, auf deren Grundlage sie Entscheidungen treffen können .“ 

-Swapan Golla, Director of Analytics, Gallup

„Die Verwendung von Amazon Comprehend für die PII-Redaktion mit unserem Tokenisierungssystem hilft uns nicht nur, eine größere Anzahl unserer Kunden zu erreichen, sondern auch, die Mängel der regelbasierten PII-Erkennung zu überwinden, die zu Fehlalarmen oder fehlenden Details führen können. Die PII-Erkennung ist für Unternehmen von entscheidender Bedeutung. Dank der kontextsensitiven NLP-Modelle von Comprehend können wir das Vertrauen der Kunden in ihre Informationen aufrechterhalten. Amazon ist innovativ, um unser Geschäft voranzutreiben, indem neue Funktionen hinzugefügt werden, die für unsere Produktsuite von entscheidender Bedeutung sind."

– Chris Schrichte, CEO, TeraDact Solutions, Inc.

Digitale AWS- und Amazon Business-Implementierungen in die Beschaffungsorganisation von ExxonMobil verbessert die globale Tätigkeit und bereiten das Unternehmen auf unerwartete Störungen vor.  „Wir haben mit dem Amazon ML Solutions Lab zusammengearbeitet, um einen Machbarkeitsnachweis zu entwickeln, der auf maximale Vertragsnutzung weitere Kostenverringerung abzielt. Ein Ansatz nutzt Amazon SageMaker, um die Identifizierung von am besten geeigneten Katalogartikeln aus Freitexteinträgen in Smart by GEP, dem eProcurement-System von ExxonMobil, zu verbessern. Wenn Katalogartikelbeschreibungen nicht leicht zugänglich sind, verwenden wir Amazon Comprehend, um ein maßgeschneidertes Klassifizierungsmodell zu erstellen, um Freitexteinträge Lieferantenvertragsvereinbarungen zuzuordnen.“

-Mariano Matzkin, Global MRO Procurement Manager, ExxonMobil

Lesen Sie den Gast-Blog und erfahren Sie mehr

"FINRA erhält Millionen von Dokumenten mit unstrukturierten Daten zur Unterstützung von Ermittlungs-, Prüfungs- und Compliance-Prozessen. Unsere Ermittler und Prüfer mussten die Dokumente Seite für Seite manuell durchgehen oder sehr gezielt suchen, um das zu finden, was sie brauchten. Mit Amazon Comprehend können wir Personen und Unternehmen schnell extrahieren, extrahierte Entitäten mit FINRA-Datensätzen abgleichen, interessante Personen markieren und Ähnlichkeiten mit anderen Dokumenten erkennen."

– Dmytro Dolgopolov, Senior Director of Technology bei FINRA

"Mithilfe von Amazon Comprehend und Amazon Transcribe ist es VidMob möglich, hochwertige Textanalysen für Machine Learning in unsere Agile Creative Suite zu integrieren. Dadurch können wir Markenkunden dabei helfen, die Leistung von Inhalten effizienter als jemals zuvor zu erfassen. Wir können Text aus Videoinhalten transkribieren und mit Comprehend schnell analysieren, und somit unserer Entwickler-Community und unseren Kunden umsetzbare Erkenntnisse zur Verfügung stellen, die ihnen einen strategischen Vorteil auf dem Markt verschaffen."

– Alex Collmer, Gründer und CEO von VidMob

„Wir haben bei PubNub festgestellt, dass Chat und Zusammenarbeit für unseren globalen Kundenstamm in hohem Maße wichtig sind … In Verbindung mit weiteren AI-Lösungen wie Amazon Polly (Text-to-Speech), Amazon Comprehend (NLP) und Amazon Lex (Chatbots) lassen sich dadurch intelligentere Chat-Apps erstellen. Die leistungsstarken und lokalisierten Chat-Funktionen tragen letztendlich zum internationalen Geschäftswachstum unserer Kunden bei.“

– David Hegarty, Leiter Produktmanagement bei PubNub

"Wir verwenden Amazon Comprehend, um Artikel zu lesen und Themen zu extrahieren. Machine Learning ermöglicht das automatische Tagging. Amazon Comprehend kennzeichnet Entitäten nach Vertrauenswürdigkeit. Wir können dadurch Medieneinnahmen genauer schätzen und sind erstmals in der Lage, den tatsächlichen ROI aus sozialen Medien zu bestimmen. Bislang hatten für uns Medieneinnahmen nicht mehr Bedeutung als ein grober Schätzwert."

– Bill Boulden, CTO bei ClearView Social

"Wir transformieren die traditionellen Wege der Verbraucherforschung durch die Einführung von Videos. Diese werden hinsichtlich Verbrauchermerkmalen analysiert, um umsetzbare, dynamische Marketinginformationen zu erhalten. Durch die Integration in AI- und Machine-Learning-Technologien von Amazon, wie Amazon Transcribe, Amazon Comprehend und Amazon Rekognition, können wir aus den Analyseergebnissen dieser Videos individuelle Profile erstellen."

– Patrick Tedjamulia, Mitgründer und CEO von VideoPeel

"Unsere Sparq-Plattform verbindet Ihre wichtigsten Kundendaten aus allen Quellen – einschließlich Transaktions-, Einstellungs-, Emotions- und Absichtsdaten – zu dynamischen Kundenprofilen, die jedem Team und Geschäftssystem eine einheitliche Sicht auf den Kunden geben. Durch die Integration mit der Stimmungsanalysefunktion von Amazon Comprehend verwandelt die Plattform nun qualitatives Kundenfeedback in umsetzbare Erkenntnisse und bestimmt mit einer Genauigkeit von über 90 %, ob das Feedback positiv, negativ oder neutral ist."

– Nicholas Simon, Produktmanager bei Vision Critical

"Unser Ziel ist, unseren Auftraggebern die bestmöglichen Marketinginhalte für ihre Marken zu liefern. Mit Amazon Comprehend können wir die Qualität und Genauigkeit der Inhaltsanalysefunktionen unserer Plattform erheblich verbessern. Dies ermöglicht es uns, passende Inhalte für möglichst wirkungsvolle Marketingkampagnen zu ermitteln. Wir können uns dank Amazon Comprehend auf unser Kernprodukt fokussieren. Das Erstellen von Machine-Learning-Modulen überlassen wir den Experten von Amazon."

– Ryo Chiba, CTO bei TINT

"Durch mobile Benachrichtigungen kommen Marken und Kunden auf direkte, persönliche und authentische Art und Weise miteinander in Kontakt. Bei Vibes verarbeiten wir jeden Monat Milliarden von mobilen Nachrichten und es verbergen sich tiefe Einsichten in der Vielzahl an Nachrichten, die wir verarbeiten. Amazon Comprehend ermöglicht es uns, Schlüsselformulierungen schnell zu extrahieren, Stimmungen zu erkennen und Themen aus unstrukturierten Nachrichteninhalten zu modellieren. Dadurch erhalten Marketingspezialisten einen besseren Einblick in ihre Leistungen und aussagekräftige Erkenntnisse für die Schaffung positiver Kundenerfahrungen."

– Brian Garofola, CTO von Vibes

"Wir bieten Juristen aufschlussreiche Recherchen und Analysen, die ihnen helfen, fundierte Entscheidungen zu treffen. Deshalb sind wir immer auf der Suche nach besseren Wegen, um Erkenntnisse aus rechtlichen Dokumenten zu gewinnen. Dank Amazon Comprehend's automatischem maschinellem Lernen (ML) können wir nun genaue benutzerdefinierte Entitätserkennungsmodelle erstellen, ohne in die Komplexität von ML einzusteigen. Die Entitäten, die uns am wichtigsten sind, wie Richter und Anwälte, können aus über 200 Millionen Dokumenten mit einer Genauigkeit von über 92 % schnell ermittelt werden."

– Rick McFarland, Chief Data Officer von LexisNexis