Entdecken, bereitstellen, skalieren: Ein Einblick in die Entwicklung des Machine Learning bei der nib Group

Mit über 1,4 Millionen Mitgliedern in Australien und Neuseeland ist die nib Group (nib) einer der führenden Krankenversicherer der Region. Der Einsatz von modernstem Machine Learning ermöglicht es dem Unternehmen, seinen Mitgliedern schneller, genauer und effizienter zu antworten.

„Wir sind stolz darauf, führend im Bereich des Machine Learning zu sein. Wir möchten es unseren Mitgliedern ermöglichen, schneller und einfacher Anfragen an uns zu stellen. Gleichzeitig möchten wir sicherstellen, dass unsere Mitarbeiter im Kundenservice sich auf wichtige Anfragen konzentrieren können, anstatt grundlegende Fragen zum Versicherungsschein zu beantworten, die ebenso von unserem Chatbot beantwortet werden können,“ sagt Mathew Finch, Head of Emerging Technology and Data Platforms bei nib.

Das Entwicklerteam bei nib experimentiert bereits seit einigen Jahren mit Automatisierung und Machine Learning. Um das Potential des Machine Learning im Unternehmen noch zu erweitern, wandte das Team sich an Eliiza, Beratungsunternehmen für Datenwissenschaft und Premier-Partner von Amazon Web Services (AWS).

Eliiza stellte ein Team aus Entwicklern und Datenwissenschaftlern zusammen, das beim Aufbau der Machine-Learning-Engine Melvin unterstützte und dazu Amazon Textract nutzte. Außerdem entwickelten sie mit Amazon Kendra nibby, nibs Chatbot, weiter – zwei innovative AWS-Lösungen für zwei sehr unterschiedliche Anforderungen des Kunden.

2015 brachte nib ein neuartiges Tool auf den Markt, mit dem die Mitglieder ihre Krankenversicherungsansprüche über eine mobile App einreichen können. Die Versicherten fotografieren Ihre Rezepte, laden sie direkt in die App und erhalten – in der Regel innerhalb 24 Stunden – eine Rückzahlung ihrer berechtigten Ansprüche.

Obwohl dies einen riesigen Schritt für die Mitglieder bedeutete, benötigte das Team von nib zu viel Zeit, um die Daten – wie Kundennummer, Medikation, Dosierung, Datum und Leistungsnummer – von den Rezepten abzulesen und in eine Datenbank einzutragen.

„Wir fingen an, damit zu experimentieren, wie wir die Routineaufgaben der Transkription und Dateneingabe automatisieren konnten. Unser endgültiges Ziel ist es, mehr Anfragen einfacher und schneller zu beantworten und damit Zeit für das Team zu schaffen, sich auf wichtigere Schritte im Prüfprozess zu konzentrieren“, sagt James Wilson, CEO bei Eliiza.

„Wir machten uns daran, eine Machine-Learning-Engine zu schaffen, die Daten auf den Rezepten ‚liest‘ und entsprechende Felder in einer Datenbank vorausfüllt. Unsere Lösung musste so schnell und so fehlerfrei sein wie die Arbeit des Kundenservice-Teams der nib Group. Und sie musste sich in die bereits bestehende Anfrage-Struktur einfügen, ohne die sensiblen medizinischen Daten zu gefährden.“

Die Entwicklung des Machine Learning bei nib begann mit einem ‚Entdeckungs‘-Workshop, zu dem sich die Projektbeteiligten trafen, um die Herausforderungen, die es zu meistern galt, festzulegen. Das Ergebnis war eine ‚Machine-Learning-Vorlage‘, die durch die nächsten Schritte und Iterationen leiten sollte.

In der ‚Bereitstellungs‘-Phase verarbeiteten Eliiza und die nib Group eine geringe Anzahl an Testdokumenten. Dabei wurden verschiedene Technologien wie zum Beispiel Optical Character Recognition (OCR, Optische Zeichenerkennung) verwendet, eine Bilderkennungstechnologie, die bildbasierten Text wie Handschrift oder Druckschriften in maschinenkodierten Text umwandelt. Schlussendlich lief eine Lösung allen anderen den Rang ab: Amazon Textract, ein Machine-Learning-Service, der automatisch Text, Handschrift und Daten aus nahezu allen Dokumenten extrahiert.

„Es zeigte sich schnell, dass Amazon Textract weltweit den Maßstab setzt. Wir konnten nichts finden, was sich mit dieser Leistung messen konnte. Das betraf sowohl die Genauigkeit als auch die Eigenschaft, Bilder mit schlechter Qualität lesen zu können. Es konnte viele Herausforderungen, die wir bewältigen mussten, meistern“, sagt Mathew Finch.

Es gab nur einen kleinen Haken: Amazon Textract war in Australien noch nicht auf dem Markt. Eliiza und nib ließen sich davon nicht abschrecken und begannen Anfang 2019 damit, Amazon Textract für den Aufbau ihrer Machine-Learning-Engine namens ‚Melvin‘ zu nutzen. Bis zur Markteinführung von Amazon Textract in Australien später in jenem Jahr bereiteten Sie die Pipeline vor.

„Das brachte tatsächlich einige Vorteile mit sich. Es verschaffte uns Zeit, eine Fehlererkennung und Korrekturmechanismen zu implementieren und den Grad der Automatisierung zu erhöhen. Durch die Integration anderer Datenbanken, wie zum Beispiel der MIMS-Arzneimittel-Datenbank, kann unsere Lösung auch die Richtigkeit von Anfragen überprüfen“, erklärt James Wilson.

Die Komponenten von Melvin wurden vor Ort entwickelt und mit bestehenden Datenstrukturen von nib getestet. Nach Fertigstellung wurde Melvin direkt in das bestehende Verarbeitungs-Framework des Unternehmens eingefügt. Dazu wurde Amazon Simple Queue Service (Amazon SQS), das asynchrone Verarbeitung ermöglicht, sowie AWS Lambda verwendet. In der Zwischenzeit schuf Eliiza einen Quarantäne-‚Käfig‘, um das Risiko, sensible Kundendaten preiszugeben, zu minimieren und sicherzustellen, dass diese Daten ausschließlich in der AWS-Umgebung verbleiben.

Seit Mai 2020 verwendet nib Melvin, um mit erstaunlicher Genauigkeit Daten zu extrahieren und automatisch in die Datenbank des Unternehmens einzugeben. Die Genauigkeit von Amazon Textract liegt bei über 87 % bei komplett vorausgefüllten Feldern und bei 95 % und höher bei halb vorausgefüllten Feldern. Etwa die Hälfte aller Anfragen kann ohne manuelle Wiedereingabe oder Änderungen an den Daten verarbeitet werden. Alles, was das Team von nib noch tun muss, ist, jede Anfrage kurz zu überprüfen und zu verarbeiten.

So verkürzt Melvin die Verarbeitung jeder Anfrage um etwa 20 Sekunden, wodurch das Unternehmen eine wesentlich höhere Anzahl an Anfragen pro Tag verarbeiten kann.

Melvin verarbeitet bereits mehr als 150 Anfragen pro Tag und nib untersucht nun, ob es möglich ist, einen gewissen Prozentsatz an Anfragen ohne jegliches menschliches Eingreifen zu verarbeiten. „Das ist das eigentliche Ziel. Im Idealfall hätten wir gern, dass ein großer Prozentsatz an Anfragen automatisch in Echtzeit verarbeitet werden kann, sodass unsere Mitglieder innerhalb weniger Minuten eine Antwort erhalten. Darauf arbeiten wir hin und der Schlüssel dazu ist Datenextraktion “, sagt Mathew Finch.

2017 führte nib seinen Chatbot nibby ein. In Partnerschaft mit dem AWS-Partner DiUS wurde nibby unter Verwendung von Amazon Lex geschaffen – derselben Deep-Learning-Technologie, die auch bei Amazon Alexa zum Einsatz kommt. Der Chatbot fängt grundlegende Fragen zum Versicherungsschein ab und ermöglicht es den Mitarbeitern der Kontaktcenter von nibs, sich auf komplexere Anfragen zu konzentrieren.

„Wir entschieden uns für Lex, weil es sich um ein komplettes Paket handelt, dass wir nahtlos in andere Aspekten unserer AWS-Umgebung integrieren konnten. Lex erledigte den Hauptteil, ohne dass wir Datenwissenschaftler einstellen mussten, um Machine-Learning-Modelle zu schaffen. Wir erarbeiteten innerhalb vier bis sechs Wochen einen Machbarkeitsnachweis“, erklärt Finch.

Der Chatbot ist ein Riesenerfolg. Heute erledigt nibby etwa 65 % aller chat-basierten Anfragen und nur etwa 35 % werden zur Lösung an Callcenter weitergeleitet. Bei seiner Einführung wickelte das Unternehmen 4 000 Chats pro Monat über nibby ab, heute sind es etwa 15 000 Chats pro Monat.

Um an diesen Erfolg anzuknüpfen, schloss sich nib 2019 mit Eliiza zusammen, um nibby noch schneller und genauer zu machen und seine Daten noch besser analysieren zu können. Doch wie?

Sie begannen Versuche mit Amazon Kendra anzustellen, einem intelligenten Suchdienst, der auf Machine Learning basiert.

Wenn ein Mitglied fragt: ‚Werden meine Kosten für Röntgenaufnahmen übernommen?“, kann nibby präzise darauf antworten. Früher stellte nibby einen Link zum Versicherungsschein bereit. Leider vermieden die meisten Menschen, diese Dokumente durchzulesen und griffen mit hoher Wahrscheinlichkeit auf Telefon oder Online-Chat zurück. Heute hat nibby alle Inhalte, die er benötigt, um sofort genaue Antworten auf Fragen der Mitglieder zu ihren einzelnen Versicherungsscheinen geben zu können.

Um das zu erreichen, nutzte Eliiza Amazon Kendra, um nibbys ‚Kendra Index‘ aufzubauen. Der Index wurde durch die Aufnahme von über 40 Produktoffenlegungserklärungen erstellt, die jeweils mehrere Seiten lang sind, zusammen mit langen Richtlinien-PDFs und FAQs.

„Die Einrichtung ging unglaublich schnell. Mit wenigen Klicks konnte Eliiza unseren Kendra-Index konfigurieren und an relevante Datenquellen anbinden“, sagt Mathew Finch.

James Dunwoody, Machine Learning Engineer bei Eliiza fügt hinzu: „Im Gegensatz zu konventioneller Suchtechnologie helfen Kendras natürliche Fähigkeiten der Sprachsuche nibby dabei, Fragen schnell und präzise zu beantworten. Dabei spielt es keine Rolle, wie tief die Information im Index vergraben ist.“

Die Lösung ist auf Kurs für einen Rollout in 2021. Eliiza arbeitet ebenfalls mit nib zusammen, um sich nibbys Chat-Daten mit bisher mehr als 300 000 Konversationen zunutze zu machen.

Schlussendlich hoffen nib und Eliiza, nibby auch für Telefonanrufe ausbauen zu können.

„Wir nutzen jetzt Amazon Connect, um nibby so auszubauen, dass er nicht nur chat-bezogen, sondern auch mit Stimmen arbeiten kann. Das bedeutet, dass unsere Mitglieder mit einem menschlich klingenden Bot sprechen können, was zu noch weniger Anfragen in unseren Kontaktcentern führt“, sagt Mathew Finch.

„Wir erhalten jeden Monat 150 000 Anrufe – 10 Mal mehr als chat-basierte Anfragen. Wenn wir nur 10 % dieser Anrufe verlagern können, bringt uns das enorme Einsparungen und Effizienzsteigerungen.“

Indem nib arbeitsintensive, sich wiederholende Aufgaben AWS-Technologien anvertraute, ist das Unternehmen auf Kurs, seine Self-Service-Ziele – ein Begriff, der den Prozentsatz beschreibt, der keinerlei menschliches Eingreifen benötigt – ständig zu verbessern.

„Eine unserer Schlüssel-Metriken für Erfolg ist der Self-Service, also die Arbeit, die über Chat, Telefon und im Mitgliederbereich erledigt wird“, sagt Mathew Finch.

Vor acht Monaten lag die Self-Service-Rate bei dem Versicherer zwischen 35 % und 40 %. Heute liegt sie bei 65 %, was bedeutet, dass nur 35 % der Chats an die Kontaktcenter weitergeleitet werden. Der Rest wird fachmännisch von nibby erledigt, sodass die Mitarbeiter Zeit haben, um die komplexeren Fälle zu bearbeiten.

„Wir hätten nie gedacht, dass wir die Self-Service-Rate über 50 % steigern könnten, also sind wir mit den 65 % mehr als zufrieden. Das ist das Ergebnis einer Kombination verschiedener Technologien, einschließlich Amazon Kendra und Amazon Lex, die nun im Hintergrund von nibby laufen. Unser Ziel ist, unsere Self-Service-Rate so weit wie möglich zu steigern.“

Von Amazon Textract bis Amazon Lex und Amazon Kendra hat nib eine Reihe von AWS-Lösungen eingeführt, um den Status quo herauszufordern und innovative Innovationen für die Branche zu liefern.

Es ist eine aufregende Zeit für datengesteuerte Unternehmen, die künstliche Intelligenz und Machine Learning auf innovative Weise wahrnehmen. Durch die Automatisierung zeitintensiver Aufgaben wie Dateneingabe oder Mitgliederanfragen ist nib einer der wegweisenden Disruptoren.