Découvrir, distribuer, mettre à l'échelle : découverte du parcours de machine learning de nib Group

Avec plus de 1,4 million de membres en Australie et en Nouvelle-Zélande, nib Group (nib) est l'un des principaux fournisseurs d'assurance maladie dans la région. En tirant parti des dernières innovations du machine learning, nib Group répond aux membres de manière plus rapide, précise et efficace.

« Nous sommes fiers d'ouvrir la voie en matière de machine learning. Nous souhaitons que l'envoi de demandes soit plus facile et rapide pour les membres, et que nos équipes de première ligne puissent se concentrer sur des questions importantes plutôt que sur des questions basiques relatives aux polices d'assurance pouvant être traitées via le chatbot », explique Mathew Finch, responsable des technologies émergentes et des plateformes de données chez nib.

L'équipe de développeurs de nib teste l'automatisation et le machine learning depuis plusieurs années. Désireuse d'améliorer davantage les fonctionnalités de machine learning de l'entreprise, l'équipe s'est tournée vers le cabinet de conseils en science des données Eliiza, partenaire Premier d'Amazon Web Services (AWS).

Eliiza a constitué une équipe d'ingénieurs et de scientifiques des données ayant pour objectif de créer un moteur de machine learning nommé Melvin, conçu avec Amazon Textract. Ils ont également amélioré nibby, le chatbot de nib, à l'aide d'Amazon Kendra. Ces deux solutions AWS innovantes répondent à deux défis de service client très différents.

En 2015, nib a lancé un outil innovant permettant aux membres de soumettre des demandes d'assurance maladie via une application mobile. Après avoir photographié et chargé les reçus de soins directement sur l'application, les membres se voient très rapidement rembourser les dépenses valables, généralement sous 24 heures.

Même si l'outil représentait un énorme pas en avant pour les membres, l'équipe de nib chargée des demandes passait trop de temps à extraire les données des reçus (comme le numéro de client, le médicament, le dosage, les dates et le numéro de fournisseur) et à saisir ces informations dans une base de données.

« Nous avons commencé à tester des manières d'automatiser les tâches, plutôt routinières, de transcription et de saisie des données. Notre objectif final est de traiter plus de demandes, plus facilement et plus rapidement, permettant ainsi à l'équipe chargée des demandes de se concentrer sur des étapes plus essentielles du processus de vérification », note James Wilson, PDG d'Eliiza.

« Nous avons commencé à concevoir un moteur de machine learning qui “lit” les données des reçus et pré-remplit les champs correspondants dans une base de données. Notre solution devait être aussi rapide et précise que l'équipe de nib Group chargée des demandes. Elle devait également s'insérer parfaitement à l'architecture existante de traitement des demandes, sans compromettre les données médicales sensibles. »

Le parcours de machine learning de nib a démarré par un atelier « découverte », durant lequel les parties prenantes se sont réunies pour identifier les défis à surmonter. Cela a mené à la création d'un « plan de machine learning » destiné à guider les prochaines étapes et itérations.

Durant l'étape de « distribution », Eliiza et nib Group ont commencé à tester un faible nombre de documents fictifs à l'aide de différentes technologies, telles que la reconnaissance optique de caractères (OCR), une technologie de reconnaissance d'image utilisée pour convertir du texte basé sur des images (comme une écriture manuscrite ou un support imprimé) en texte électronique chiffré par machine. Finalement, une solution s'est démarquée : Amazon Textract, service de machine learning qui extrait automatiquement le texte, l'écriture manuscrite et les données de presque tout document.

« Amazon Textract s'est rapidement avéré être le point de référence global. Aucun service ne pouvait égaler ses performances, que ce soit au niveau de sa précision ou de sa capacité à lire des images de faible qualité. Cela s'est avéré intéressant pour un grand nombre des défis auxquels nous étions confrontés », explique M. Finch.

Petit problème : Amazon Textract n'était pas encore disponible en Australie. Nullement découragées, Eliiza et nib ont commencé à utiliser Amazon Textract pour concevoir leur moteur de machine learning, surnommé « Melvin », au début de l'année 2019, mettant en pause le pipeline jusqu'au lancement d'Amazon Textract en Australie plus tard la même année.

« En réalité, cela a eu plusieurs bienfaits. Nous avons eu le temps de mettre en œuvre des mécanismes de détection et de correction des erreurs et d'approfondir le niveau d'automatisation. En s'intégrant à d'autres bases de données, telles que la base de données pharmaceutique MIMS, notre solution peut également vérifier la validité des demandes », explique M. Wilson.

Les composants de Melvin ont été développés et testés localement à l'aide de structures de données nib existantes. À la fin, Melvin s'est directement inséré dans le cadre de traitement de l'entreprise, à l'aide d'Amazon Simple Queue Service (Amazon SQS), qui favorise le traitement asynchrone, et d'Amazon Lambda. Pendant ce temps, afin de minimiser les risques d'exposition des données client sensibles, Eliiza a créé une « cellule » de quarantaine garantissant que ces données ne quittent jamais l'environnement AWS.

nib utilise Melvin depuis mai 2020 pour extraire et saisir automatiquement des données dans sa base de données, avec une précision stupéfiante. La précision d'Amazon Textract dépasse 87 % pour la globalité des champs pré-remplis, tandis que la précision de près de la moitié des champs pré-remplis est de 95 % ou plus. Environ la moitié des demandes sont traitées sans nouvelle saisie manuelle ou réglages de la saisie des données. L'équipe de nib n'a plus qu'à rapidement vérifier et traiter chaque demande.

Ainsi, Melvin gagne environ 20 secondes sur chaque demande traitée, ce qui signifie que l'entreprise peut traiter beaucoup plus de demandes chaque jour.

Melvin traite déjà plus de 150 demandes par jour, et nib étudie la possibilité de traiter un certain pourcentage de demandes sans aucune intervention humaine. « Il s'agit de notre objectif final. Dans l'idéal, nous aimerions qu'un grand pourcentage de demandes soit traité automatiquement en temps réel, afin que les membres reçoivent une réponse en quelques minutes. C'est ce que nous préparons, et l'extraction des données est essentielle à la réussite de cet objectif », raconte M. Finch.

nib a lancé son chatbot, nibby, en 2017. Créé en collaboration avec le partenaire AWS DiUS, il a été conçu à l'aide d'Amazon Lex, la même technologie de deep learning qui alimente Amazon Alexa. Le chatbot détourne les questions de base relatives à la police d'assurance des centres de contact de nib, ce qui permet aux agents de se concentrer sur des questions plus complexes.

« Nous avons choisi Lex car c'est une gamme complète, que nous pouvions intégrer harmonieusement à d'autres aspects de notre environnement AWS. Lex s'est chargé du gros du travail, sans que nous ayons besoin de scientifiques des données pour créer des modèles de machine learning. Nous avons développé une preuve de concept en quatre à six semaines », déclare M. Finch.

Le chatbot a été une grande réussite. Aujourd'hui, environ 65 % des demandes provenant du chat sont traitées par nibby, tandis que seulement 35 % sont renvoyées vers des centres d'appels pour être résolues. L'assureur gère désormais environ 15 000 discussions de chat par mois, contre 4 000 lors du lancement de nibby.

Afin de tirer parti de cette réussite, nib s'est associée à Eliiza en 2019 afin d'améliorer davantage la rapidité et la précision de nibby et de mieux analyser ses données. Mais comment ?

Les deux entreprises ont commencé à tester Amazon Kendra, service de recherche intelligente optimisé par le machine learning.

Lorsqu'un membre demande « Suis-je couvert pour les radios ? », nibby peut désormais répondre dans les moindres détails. Auparavant, nibby partageait le lien d'un document de police d'assurance. Malheureusement, la plupart des utilisateurs évitaient de lire ces documents et finissaient généralement par passer un appel téléphonique ou utiliser le chat en ligne. Désormais, nibby dispose du contenu lui permettant de fournir des réponses immédiates et précises aux questions des membres portant sur leur propre police d'assurance.

Pour y parvenir, Eliiza a utilisé Amazon Kendra afin de créer « l'index Kendra » de nibby. L'index a été créé à travers l'ingestion de plus de 40 documents d'information de produits, chacun long de plusieurs pages, ainsi que de PDF et de FAQ volumineux de polices d'assurance.

« La configuration a été incroyablement rapide. En seulement quelques clics, Eliiza a facilement configuré notre index Kendra et l'a connecté aux sources de données pertinentes », raconte M. Finch.

James Dunwoody, ingénieur en machine learning chez Eliiza, ajoute : « Contrairement à la technologie de recherche classique, les fonctionnalités de recherche en langage naturel de Kendra permettent à nibby de répondre aux questions de manière rapide et précise, peu importe la profondeur des informations au sein de l'index. »

Le déploiement de cette solution est prévu pour 2021. Eliiza collabore également avec nib afin d'exploiter les données de chat de nibby, et, jusqu'à présent, plus de 300 000 discussions ont été rassemblées.

À terme, nib et Eliiza souhaiteraient développer nibby afin que le service puisse aussi traiter les demandes téléphoniques.

« Nous utilisons maintenant Amazon Connect afin que nibby ne soit pas seulement orienté chat mais également basé sur la voix. Cela signifie que nos membres pourront discuter avec un bot à la voix très humaine, ce qui détournera encore plus de demandes de nos centres de contact », raconte M. Finch.

« Nous recevons 150 000 appels par mois, c'est-à-dire 10 fois plus que de demandes provenant du chat. Si nous pouvions rediriger ne serait-ce que 10 % de ces appels, cela se traduirait par des économies et des gains d'efficacité conséquents.

En confiant des tâches répétitives et demandant beaucoup de travail aux technologies AWS, nib est en passe d'améliorer sans cesse ses objectifs de libre-service. Ce terme désigne le pourcentage de demandes des membres qui ne nécessitent aucune intervention humaine.

« Le libre-service est l'une de nos métriques clés pour la réussite et nous permet d'évaluer l'ensemble du travail fourni dans l'espace de chat/vocal et de demandes des membres », explique M. Finch.

Il y a huit mois, le taux de libre-service de l'assureur se situait entre 35 et 40 %. Aujourd'hui, il est de 65 %, ce qui signifie que seulement 35 % des discussions de chat sont redirigées vers les centres de contact. Le reste est habilement traité par nibby, ce qui permet aux employés de traiter les cas plus complexes.

« Nous n'aurions jamais imaginé que notre taux de libre-service dépasse les 50 %, alors nous sommes vraiment satisfaits d'avoir atteint 65 %. Cela s'explique par la combinaison de plusieurs technologies différentes, notamment Amazon Kendra et Amazon Lex, sur lesquelles repose désormais nibby. Notre objectif : continuer à élever notre taux de libre-service aussi haut que possible. »

D'Amazon Textract à Amazon Lex, en passant par Amazon Kendra, nib a adopté une suite de solutions AWS lui permettant de remettre en question le statu quo et de distribuer des produits innovants pour le secteur.

Il s'agit d'une période passionnante pour les entreprises axées sur les données qui adoptent l'intelligence artificielle et le machine learning de façon innovante. En automatisant des tâches chronophages comme la saisie de données ou le traitement des demandes des membres, nib fait partie des révolutionnaires qui ouvrent la voie.