Descubrir, entregar, escalar: el recorrido del machine learning de nib Group

Con más de 1 400 000 afiliados en Australia y Nueva Zelanda, nib Group (nib) es una de las principales aseguradoras de salud de la región. Al utilizar las últimas innovaciones del machine learning, responde a los afiliados con mayor rapidez, precisión y eficacia.

“Nos enorgullece ser líderes en el ámbito del machine learning. Queremos agilizar y facilitar las reclamaciones de los afiliados y, al mismo tiempo, asegurarnos de que nuestros equipos de primera línea puedan centrarse en las consultas importantes en lugar de responder a las preguntas básicas sobre las políticas, que pueden responderse mediante nuestro chatbot”, afirma Mathew Finch, director de tecnología emergente y plataformas de datos de nib.

El equipo de desarrolladores de nib lleva varios años experimentando con la automatización y el machine learning. Con el objetivo de mejorar aún más las capacidades del machine learning de la empresa, recurrieron a la consultora de ciencia de datos, Eliiza, que es socio premier de Amazon Web Services (AWS).

Eliiza reunió a un equipo de ingenieros y científicos de datos para diseñar un motor del machine learning llamado Melvin, creado con Amazon Textract. También mejoraron nibby, el chatbot de nib, mediante Amazon Kendra, dos soluciones innovadoras de AWS para dos desafíos muy diferentes de atención al cliente.

En 2015, nib lanzó una herramienta innovadora que permite a los afiliados presentar reclamaciones de seguros de salud mediante una aplicación móvil. Tras fotografiar los recibos de asistencia médica y cargarlos directamente en la aplicación, los afiliados reciben el reembolso de los gastos válidos muy rápidamente, por lo general en un plazo de 24 horas.

A pesar de ser un gran avance para los afiliados, el departamento de Reclamaciones de nib dedicaba demasiado tiempo a extraer los datos de los recibos, como el número de cliente, los medicamentos, la dosis, las fechas y el número de proveedor, y a introducir esta información en una base de datos.

“Empezamos a experimentar con formas de automatizar la tarea bastante rutinaria de transcripción e introducción de datos. Nuestro objetivo final es procesar más reclamaciones, con más facilidad y en menos tiempo, lo que permitirá al departamento de Reclamaciones de la empresa centrarse en los pasos más importantes del proceso de verificación”, afirma James Wilson, director general de Eliiza.

“Nos propusimos crear un motor de machine learning que ‘leyera’ los datos de los recibos y rellenara previamente los campos correspondientes en una base de datos. Nuestra solución debía ser tan rápida y precisa como el departamento de Reclamaciones de nib Group. Además, tenía que ajustarse perfectamente a la arquitectura de procesamiento de reclamaciones existente sin afectar los datos médicos confidenciales”.

El recorrido del machine learning de nib comenzó con un taller de “descubrimiento”, en el que las partes interesadas se reunieron para identificar los desafíos que debían resolverse. Esto condujo a la creación de un “esquema de machine learning” para guiar los siguientes pasos e iteraciones.

En la fase de “entrega”, Eliiza y nib Group empezaron a probar un pequeño número de documentos ficticios con diferentes tecnologías, como el reconocimiento óptico de caracteres (OCR, por sus siglas en inglés), tecnología de reconocimiento de imágenes que se utiliza para convertir textos basados en imágenes —como la escritura a mano o el material impreso— en texto electrónico codificado por una máquina. Al final, una solución se impuso al resto: Amazon Textract, un servicio de aprendizaje automático que extrae texto, escritura manual y datos de casi cualquier documento de manera automática.

“Rápidamente se hizo evidente que Amazon Textract es la referencia mundial. No pudimos encontrar nada que pudiera igualar su rendimiento, tanto en términos de precisión como de capacidad para leer imágenes de menor calidad. Abordaba muchos de los desafíos a los que nos enfrentábamos”, dice Finch.

Hubo un pequeño problema, Amazon Textract aún no se había lanzado en Australia. Sin desanimarse, Eliiza y nib comenzaron a utilizar Amazon Textract para crear su motor de machine learning, bautizado como “Melvin”, a principios de 2019, y pusieron la canalización en espera hasta el lanzamiento de Amazon Textract en Australia a finales de ese año.

“En realidad, esto tuvo varios beneficios. Nos dio tiempo para implementar mecanismos de detección y corrección de errores y profundizar en el nivel de automatización. Al integrarse con otras bases de datos, como la de medicamentos del MIMS, nuestra solución también puede verificar la validez de las reclamaciones”, explica Wilson.

Los componentes de Melvin se desarrollaron y probaron de forma local con las estructuras de datos existentes en nib. Una vez completado, Melvin se integró directamente en el marco del procesamiento de la empresa mediante Amazon Simple Queue Service (Amazon SQS), que facilita el procesamiento asincrónico, y Amazon Lambda. Mientras tanto, para minimizar el riesgo de exponer los datos confidenciales de los clientes, Eliiza creó una “jaula” de cuarentena para garantizar que estos datos nunca salieran del entorno de AWS.

Desde mayo de 2020, nib utiliza Melvin para extraer datos e introducirlos automáticamente en su base de datos con una precisión asombrosa. La precisión de Amazon Textract supera, de forma general, el 87 % para los campos rellenados previamente, mientras que la precisión de casi la mitad de los campos rellenados previamente es del 95 % o superior. Alrededor de la mitad de las reclamaciones se procesan sin ningún tipo de reintroducción manual o ajustes de introducción de datos. Lo único que le falta al equipo de nib es revisar y procesar rápidamente cada reclamación.

Como resultado, Melvin reduce en unos 20 segundos cada reclamación procesada, lo que significa que la empresa puede procesar muchas más reclamaciones al día.

Melvin ya procesa más de 150 reclamaciones al día, y nib explora si un porcentaje de las reclamaciones podrá procesarse pronto sin intervención humana. “En última instancia, ese es el objetivo final. Lo ideal sería que un gran porcentaje de las reclamaciones se procesaran automáticamente en tiempo real, de modo que los afiliados recibieran una respuesta en cuestión de minutos. Ese es el objetivo para el que estamos creando, y la extracción de datos es clave para ello”, dice Finch.

nib lanzó su chatbot, nibby, en 2017. nibby se creó en colaboración con DiUS, socio de AWS, y con Amazon Lex, la misma tecnología de aprendizaje profundo que utiliza Amazon Alexa. El chatbot desvía las preguntas básicas sobre la cobertura de las políticas de los centros de contacto de nib, lo que permite a los agentes centrarse en consultas más complejas.

“Elegimos Lex porque es un paquete completo que podíamos integrar sin problemas con otros aspectos de nuestro entorno de AWS. Lex se encargó del trabajo pesado sin necesidad de emplear a científicos de datos para crear modelos de machine learning. Desarrollamos una prueba de concepto en un plazo de cuatro a seis semanas”, explica Finch.

El chatbot ha sido un gran éxito. Actualmente, nibby se encarga de alrededor del 65 % de las consultas basadas en chat, mientras que solo el 35 % se desvía a los centros de llamadas para su resolución. En la actualidad, la aseguradora atiende unos 15 000 chats al mes, frente a los 4000 chats de cuando se lanzó nibby.

Para lograr este éxito, en 2019 nib se asoció con Eliiza para mejorar aún más la velocidad y la precisión de nibby, y analizar mejor sus datos. Pero ¿cómo?

Empezaron a experimentar con Amazon Kendra, un servicio de búsqueda inteligente basado en el machine learning.

Cuando un afiliado pregunta: “¿Tengo cobertura para las radiografías?”, ahora nibby puede responder con todo detalle. Anteriormente, nibby compartía un enlace a un documento de una política. Por desgracia, la mayoría de la gente evita leer estos documentos y lo más probable es que contacte por teléfono o chat en línea. Ahora, nibby cuenta con el contenido necesario para ofrecer respuestas inmediatas y precisas a las preguntas de los afiliados sobre su política de seguros específica.

Para ello, Eliiza utilizó Amazon Kendra para crear el “Índice Kendra” de nibby. El índice se creó a partir de más de 40 declaraciones de divulgación de productos, de varias páginas cada una, junto con extensos PDF de políticas y preguntas frecuentes.

“La instalación fue increíblemente rápida. Con tan solo unos clics, Eliiza configuró fácilmente nuestro índice Kendra y lo conectó a los orígenes de datos pertinentes”, afirma Finch.

James Dunwoody, ingeniero de machine learning en Eliiza, agrega: “A diferencia de la tecnología de búsqueda convencional, las capacidades de búsqueda en lenguaje natural de Kendra ayudan a nibby a responder a las preguntas de forma rápida y precisa, sin importar la profundidad de la información en el índice”.

Esta solución está en vías de implementarse en 2021. Eliiza también está trabajando con nib para aprovechar los datos del chat de nibby, con más de 300 000 conversaciones recopiladas hasta ahora.

A la larga, nib y Eliiza esperan ampliar nibby para atender también las consultas telefónicas.

“Ahora usamos Amazon Connect para que nibby no solo se oriente al chat, sino que se base en la voz. Esto significa que nuestros afiliados podrán conversar con un bot que suena como una persona, con lo que se desviarán aún más consultas de nuestros centros de contacto”, dice Finch.

“Recibimos 150 000 llamadas al mes, es decir, 10 veces más que nuestras consultas por chat. Si logramos desviar solo el 10 % de estas llamadas, eso representará un enorme ahorro y aumento de la eficiencia”.

Al confiar las tareas intensivas y repetitivas a las tecnologías de AWS, nib avanza hacia la mejora continua de sus objetivos de autoservicio, un término que describe el porcentaje de las consultas de los afiliados que no requieren intervención humana.

“Una de nuestras métricas clave para el éxito es el autoservicio, que es la forma en que juzgamos todo el trabajo que hacemos en el espacio de chat o voz, y consultas de los afiliados”, dice Finch.

Hace ocho meses, la tasa de autoservicio de la aseguradora era de entre el 35 % y el 40 %. Actualmente, es del 65 %, lo que significa que solo el 35 % de los chats se desvían a los centros de contacto; nibby gestiona el resto de forma experta, lo que permite a los empleados encargarse de los casos más complejos.

“Nunca pensamos que íbamos a conseguir que nuestra tasa de autoservicio superara el 50 %, así que estamos muy contentos con el 65 %. Esto es el resultado de la combinación de varias tecnologías diferentes, como Amazon Kendra y Amazon Lex, que ahora se encuentran detrás de nibby. Nuestro objetivo es seguir impulsando la tasa de autoservicio todo lo que podamos”.

Desde Amazon Textract hasta Amazon Lex y Amazon Kendra, nib ha adoptado un conjunto de soluciones de AWS para desafiar el statu quo y ofrecer innovación en primer lugar para el sector.

Se trata de una era emocionante para las empresas controladas por los datos que adoptan la inteligencia artificial y el machine learning de forma innovadora. Al automatizar las tareas que exigen mucho tiempo, como la introducción de datos o la atención a las consultas de los afiliados, nib es uno de los pioneros en este campo.