Rilevamento, distribuzione, scalabilità: il percorso di nib Group verso il machine learning

Con oltre 1,4 milioni di clienti in Australia e Nuova Zelanda, nib Group (nib) è uno dei principali assicuratori sanitari della regione. Sfruttando le più recenti innovazioni in materia di machine learning è in grado di rispondere ai clienti in modo più rapido, preciso ed efficiente.

"Siamo orgogliosi di essere all'avanguardia nel machine learning. Vogliamo semplificare e velocizzare la richiesta di rimborso da parte degli assicurati e allo stesso tempo garantire che i nostri team di assistenza si concentrino su richieste importanti piuttosto che rispondere a semplici domande sulle polizze che possono essere gestite dal nostro chatbot", afferma Mathew Finch, Head of Emerging Technology and Data Platforms (Responsabile delle piattaforme tecnologiche e di dati emergenti) presso nib.

Il team di sviluppatori di nib ha condotto esperimenti sull'automazione e sul machine learning per diversi anni. Desiderosi di potenziare ulteriormente le capacità di machine learning dell'azienda, si sono rivolti alla società di consulenza di data science Eliiza, che è un partner premier di Amazon Web Services (AWS).

Eliiza ha riunito un team di ingegneri e data scientist per contribuire alla progettazione di un motore di machine learning chiamato Melvin, costruito utilizzando Amazon Textract. Hanno anche migliorato nibby, il chatbot di nib, utilizzando Amazon Kendra: due soluzioni AWS innovative per due sfide molto diverse del servizio clienti.

Nel 2015, nib ha lanciato uno strumento innovativo che consente ai clienti di presentare le richieste di rimborso dell'assicurazione sanitaria tramite un'applicazione per dispositivi mobili. Dopo aver fotografato e caricato le ricevute sanitarie direttamente sull'app, i clienti ricevono il rimborso delle spese valide molto rapidamente, di solito entro 24 ore.

Nonostante si trattasse di un enorme passo avanti per i clienti, il team addetto alle richieste di risarcimento di nib impiegava troppo tempo ad estrarre i dati dalle ricevute, come il numero del cliente, il farmaco, il dosaggio, le date e il numero del fornitore e a inserire queste informazioni in un database.

"Abbiamo iniziato a sperimentare modi per automatizzare l'attività piuttosto routinaria di trascrizione e inserimento dei dati. Il nostro obiettivo finale è quello di elaborare un maggior numero di richieste di risarcimento nel modo più semplice e nel minor tempo possibile, consentendo al team che si occupa delle richieste di risarcimento di concentrarsi su fasi più critiche del processo di verifica", afferma James Wilson, CEO di Eliiza.

"Abbiamo deciso di costruire un motore di machine learning che "legge" i dati dalle ricevute e precompila i campi corrispondenti in un database. La nostra soluzione doveva essere veloce e precisa come il team di gestione delle richieste di risarcimento di nib Group. Inoltre, doveva inserirsi perfettamente nell'architettura esistente per l'elaborazione delle richieste di risarcimento, senza compromettere i dati medici sensibili".

Il percorso di nib verso il machine learning è iniziato con un workshop di "scoperta", in cui le parti interessate si sono riunite per identificare le sfide da risolvere. Questo ha portato alla creazione di uno "schema di machine learning" per guidare le fasi e le iterazioni successive.

Nella fase di "distribuzione", Eliiza e nib Group hanno iniziato a testare un piccolo numero di documenti simulati utilizzando diverse tecnologie, come il riconoscimento ottico dei caratteri (OCR), una tecnologia di riconoscimento delle immagini utilizzata per convertire testi basati su immagini, come la scrittura a mano o il materiale stampato, in testi elettronici codificati dalla macchina. Alla fine, una soluzione è spiccata su tutte le altre: Amazon Textract, un servizio di machine learning che estrae automaticamente testo, scrittura e dati da qualsiasi documento.

"È apparso subito evidente che Amazon Textract è il punto di riferimento globale. Non siamo riusciti a trovare nulla che potesse eguagliare le sue prestazioni, sia in termini di precisione che di capacità di leggere immagini di qualità inferiore. Rispondeva a molte delle sfide che avevamo affrontato", afferma Finch.

C'era però un piccolo inconveniente: Amazon Textract non era ancora stato lanciato in Australia. Imperterriti, Eliiza e nib hanno iniziato a usare Amazon Textract per costruire il loro motore di machine learning, soprannominato "Melvin", all'inizio del 2019, mettendo la pipeline in standby fino al lancio in Australia di Amazon Textract, avvenuto più tardi nello stesso anno.

"Questo ha comportato diversi vantaggi. Ci ha dato il tempo di implementare meccanismi di rilevamento e correzione degli errori e di approfondire il livello di automazione. Integrandosi con altri database, come quello dei farmaci di MIMS, la nostra soluzione può anche verificare la validità delle richieste", spiega Wilson.

I componenti di Melvin sono stati sviluppati e testati localmente utilizzando le strutture dati esistenti di nib. Al termine, Melvin si è inserito direttamente nel framework di elaborazione dell'azienda utilizzando il Servizio di coda semplice Amazon (Amazon SQS), che facilita l'elaborazione asincrona, e Amazon Lambda. Nel frattempo, per ridurre al minimo il rischio di esporre i dati sensibili dei clienti, Eliiza ha creato una "gabbia" di quarantena per garantire che questi dati non lascino mai l'ambiente AWS.

Da maggio 2020, nib utilizza Melvin per estrarre e inserire automaticamente i dati nel suo database con una precisione sorprendente. La precisione di Amazon Textract supera l'87% per i campi precompilati in generale, mentre la precisione di quasi la metà dei campi precompilati è pari o superiore al 95%. Circa la metà di tutte le richieste di risarcimento vengono elaborate senza alcuna digitazione manuale o rettifica dei dati. Al team di nib non resta che esaminare ed elaborare rapidamente ogni richiesta.

Di conseguenza, Melvin fa risparmiare circa 20 secondi per ogni richiesta di risarcimento elaborata, il che significa che l'azienda può elaborare un numero significativamente maggiore di richieste di risarcimento al giorno.

Melvin elabora già più di 150 richieste di risarcimento al giorno e nib sta valutando se sarà presto possibile elaborare una percentuale di richieste di risarcimento senza alcun intervento umano. "In definitiva, questo è l'obiettivo finale. Idealmente, vorremmo che una grande percentuale di richieste di risarcimento venisse elaborata automaticamente in tempo reale, in modo che i clienti ricevano una risposta entro pochi minuti. Questo è il nostro obiettivo, e l'estrazione dei dati è fondamentale per raggiungere questo scopo", afferma Finch.

nib ha lanciato il suo chatbot nibby nel 2017. Creato in collaborazione con il partner AWS DiUS, è stato realizzato utilizzando Amazon Lex, la stessa tecnologia di deep learning che alimenta Amazon Alexa. Il chatbot evita che le domande di base sulla copertura delle polizze vengano rivolte ai contact center di nib, lasciando che gli agenti si concentrino su richieste più complesse.

"Abbiamo scelto Lex perché è un pacchetto completo che abbiamo potuto integrare perfettamente con altri aspetti del nostro ambiente AWS. Lex si è occupato del lavoro pesante senza dover impiegare data scientist per creare modelli di machine learning. Abbiamo sviluppato un proof of concept in quattro o sei settimane", spiega Finch.

Il chatbot ha avuto un enorme successo. Oggi, circa il 65% delle richieste basate su chat viene gestito da nibby, mentre solo il 35% viene dirottato ai call center per la risoluzione. L'assicuratore gestisce oggi circa 15.000 chat al mese, rispetto alle 4.000 del primo lancio di nibby.

Per consolidare questo successo, nel 2019 nib ha collaborato con Eliiza per migliorare ulteriormente la velocità e la precisione di nibby e per analizzarne meglio i dati. Ma come?

Hanno iniziato facendo esperimenti con Amazon Kendra, un servizio di ricerca intelligente basato sul machine learning.

Quando un cliente chiede: "Ho la copertura per le radiografie?", nibby può ora rispondere con precisione. In precedenza, nibby condivideva un link a un documento di polizza. Purtroppo la maggior parte delle persone evita di leggere questi documenti e preferisce invece usare il telefono o la chat online. Oggi nibby dispone dei contenuti necessari per fornire risposte immediate e precise alle domande dei clienti sulla loro specifica polizza assicurativa.

Per ottenere questo risultato, Eliiza ha utilizzato Amazon Kendra per costruire l'"indice Kendra" di nibby. L'indice è stato creato analizzando oltre 40 prospetti informativi dei prodotti, ciascuno di diverse pagine, oltre a lunghi PDF di polizze e domande frequenti.

"L'installazione è stata incredibilmente rapida. Con pochi clic, Eliiza ha configurato facilmente il nostro indice Kendra e lo ha collegato alle fonti di dati pertinenti", afferma Finch.

James Dunwoody, Machine Learning Engineer (esperto in machine learning) di Eliiza, aggiunge: "A differenza delle tecnologie di ricerca convenzionali, le capacità di ricerca in linguaggio naturale di Kendra aiutano nibby a rispondere alle domande in modo rapido e preciso, indipendentemente dalla profondità delle informazioni presenti nell'indice".

Il lancio di questa soluzione è previsto per il 2021. Eliiza sta inoltre collaborando con nib per sfruttare i dati delle chat di nibby, con oltre 300.000 conversazioni raccolte finora.

In definitiva, nib ed Eliiza sperano di espandere nibby per gestire anche le richieste telefoniche.

"Ora stiamo usando Amazon Connect per rendere nibby non solo orientato alla chat ma anche a matrice vocale. Ciò significa che i nostri clienti potranno conversare con un bot dall'aspetto molto umano, deviando un numero ancora maggiore di richieste di informazioni dai nostri contact center", afferma Finch.

"Riceviamo 150.000 telefonate al mese, un numero 10 volte superiore a quello delle nostre richieste via chat. Se riuscissimo a deviare anche solo il 10% di queste chiamate, si otterrebbero enormi risparmi e guadagni in termini di efficienza".

Affidando alle tecnologie AWS attività ripetitive e altamente impegnative, nib è sulla buona strada per migliorare continuamente i propri obiettivi di self-service, un termine che descrive la percentuale di richieste dei clienti che non necessitano di alcun intervento umano.

"Uno dei nostri parametri chiave per valutare il successo è il self-service, cioè il modo in cui giudichiamo tutto il lavoro che svolgiamo nell'ambito delle chat/chiamate e delle richieste dei clienti", dice Finch.

Otto mesi fa, il tasso di self-service dell'assicuratore era tra il 35% e il 40%. Oggi la percentuale è del 65%, il che significa che solo il 35% delle chat viene deviato ai contact center mentre il resto viene gestito con competenza da nibby, consentendo ai dipendenti di gestire i casi più complessi.

"Non avremmo mai pensato di superare il 50% di tasso di self-service, quindi siamo molto soddisfatti del 65%. Il risultato è una combinazione di alcune tecnologie diverse, tra cui Amazon Kendra e Amazon Lex, che ora si trovano dietro a nibby. Il nostro obiettivo è continuare a spingere il nostro tasso di self-service il più in alto possibile".

Da Amazon Textract ad Amazon Lex, passando per Amazon Kendra, nib ha adottato una suite di soluzioni AWS per sfidare lo status quo e offrire al settore soluzioni innovative.

È un'era entusiasmante per le aziende basate sui dati che abbracciano l'intelligenza artificiale e il machine learning in modo innovativo. Grazie all'automazione delle attività che richiedono molto tempo, come l'inserimento dei dati o la gestione delle richieste dei clienti, nib è uno degli elementi dirompenti che si pongono all'avanguardia.