검색, 제공, 확장: nib Group의 기계 학습 여정 살펴보기

오스트레일리아와 뉴질랜드에서 140만여 회원을 보유한 nib Group(nib)은 지역의 선도적인 의료 보험 회사 중 하나입니다. 이 회사는 최신의 혁신적인 기계 학습 기술을 활용하여 회원에게 더 빠르고 정확하게, 더 높은 효율로 대응하고 있습니다.

nib의 신기술 및 데이터 플랫폼 부문 책임자인 Mathew Finch 씨는 "저희는 기계 학습 기술을 선구적으로 활용하고 있다는 데 자부심을 느낍니다. 회원들이 보다 빠르고 쉽게 회사에 문의할 수 있도록 하고, 기본적인 보험 상품 문의에는 챗봇을 통해 답변하고 일선 팀들은 중요한 문의에 집중할 수 있도록 하고자 합니다"고 말합니다.

nib의 개발자 팀은 수년간 자동화 및 기계 학습 기술을 실험해 왔습니다. 그리고 회사의 기계 학습 역량을 더욱 강화하고자, 최고의 Amazon Web Services(AWS) 파트너인 데이터 과학 컨설팅 업체 Eliiza를 선택했습니다.

Eliiza는 Amazon Textract를 기반으로 한 Melvin이라는 기계 학습 엔진을 설계하기 위해 엔지니어와 데이터 사이언티스트로 이루어진 팀을 꾸렸습니다. 또한 Amazon Kendra를 사용하여 nib의 챗봇인 nibby를 개선했습니다. 이 두 가지 혁신적인 AWS 솔루션은 서로 매우 다른 두 가지 고객 서비스 문제를 해결합니다.

2015년에 nib는 회원들이 모바일 앱을 통해 건강 보험 청구서를 제출할 수 있는 혁신적인 도구를 선보였습니다. 회원은 의료 영수증 사진을 찍고 앱에 직접 업로드한 후, 승인된 의료비를 매우 신속하게(보통 24시간 이내) 지급받을 수 있습니다.

회원에게는 큰 진보였지만, nib의 클레임 팀은 영수증에서 고객 번호, 의약품, 용량, 날짜 및 공급자 번호와 같은 데이터를 추출하고 이 정보를 데이터베이스에 입력하는 데 너무 많은 시간을 허비했습니다.

Eliiza의 CEO인 James Wilson은 “트랜스크립션과 데이터 입력이라는 다소 일상적인 작업을 자동화하는 방법을 실험하기 시작했습니다. 최종 목표는 더 많은 청구 건을 보다 쉽게, 더 짧은 시간 내에 처리함으로써 회사의 클레임 팀이 검증 프로세스의 보다 중요한 단계에 집중할 수 있도록 하는 것입니다"라며

“영수증의 데이터를 '읽고' 데이터베이스의 해당 필드를 미리 채우는 기계 학습 엔진을 구축하기 시작했습니다. 이 솔루션은 nib Group의 클레임 팀만큼 빠르고 정확해야 했습니다. 또한 민감한 의료 데이터를 손상시키지 않고 기존 청구 처리 아키텍처에 문제없이 통합되어야 했습니다”라고 덧붙입니다.

nib의 기계 학습 여정은 '발견' 워크숍으로 시작되었습니다. 이 워크숍에서는 이해 관계자들이 모여 해결해야 할 과제를 파악했습니다. 이를 통해 다음 단계와 반복해야 할 작업을 안내하는 '기계 학습 청사진'이 만들어졌습니다.

'제공' 단계에서 Eliiza와 nib Group은 광학 문자 인식(OCR) 기술, 필기 또는 인쇄물과 같은 이미지 기반 텍스트를 기계에서 인코딩된 전자 텍스트로 변환하는 데 사용되는 이미지 인식 기술 등, 다양한 기술을 사용하여 소수의 모의 문서를 테스트하기 시작했습니다. 테스트 결과, 거의 모든 문서에서 텍스트, 필기 및 데이터를 자동으로 추출하는 기계 학습 서비스인 Amazon Textract가 다른 솔루션보다 훨씬 나은 성능을 발휘했습니다.

Finch 씨는 “Amazon Textract가 글로벌 벤치마크를 설정한다는 것을 곧 확실히 알 수 있었습니다. 정확성과 저품질의 이미지를 읽는 능력 면에서 이 서비스의 성능에 필적할 만한 다른 솔루션을 찾을 수 없었습니다. 저희가 직면한 많은 과제를 해결할 수 있는 솔루션이었습니다"라고 말합니다.

그런데 한 가지 문제가 있었습니다: Amazon Textract가 오스트레일리아에서 아직 출시되지 않았던 것입니다. Eliiza와 nib는 2019년 초에 Amazon Textract를 사용하여 기계 학습 엔진 'Melvin'을 구축하기 시작했고, 그해 말 Amazon Textract의 오스트레일리아 출시 전까지 파이프라인을 대기 상태로 두어야 했습니다.

Wilson 씨는 "사실 그렇게 하면서 몇 가지 이점을 얻을 수 있었습니다. 오류 탐지 및 수정 메커니즘을 구현하고 자동화 수준을 높일 시간을 벌게 된 것이죠. MIMS 약품 데이터베이스와 같은 다른 데이터베이스와 통합함으로써 회사의 솔루션에서 청구 건의 타당성도 검증할 수 있게 되었습니다"라고 설명합니다.

Melvin의 구성 요소는 기존 nib 데이터 구조를 사용하여 현지에서 개발 및 테스트되었습니다. 완성된 후, Melvin은 비동기 처리를 지원하는 Amazon Simple Queue Service(Amazon SQS)와 Amazon Lambda를 사용하여 회사의 처리 프레임워크에 직접 통합되었습니다. 한편, 민감한 고객 데이터가 노출될 위험을 최소화하기 위해 Eliiza는 격리 '케이지'를 만들어 이 데이터가 AWS 환경을 벗어나지 않도록 했습니다.

Nib는 2020년 5월부터 Melvin을 사용하여 놀라운 정확도로 데이터를 추출하고 데이터베이스에 자동으로 입력하고 있습니다. Amazon Textract의 정확도는 사전 입력된 필드 전체를 기준으로 87%를 넘고, 사전 입력된 필드의 거의 절반 정도는 정확도가 95% 이상입니다. 모든 청구 건 중 약 절반이 수동 키 재입력 또는 데이터 입력 조정 작업 없이 처리됩니다. 이제 nib의 팀이 각 청구 건을 신속하게 검토하고 처리하기만 하면 됩니다.

결과적으로 Melvin은 처리되는 모든 청구 건마다 처리 시간을 약 20초 단축해 주었습니다. 따라서 Melvin에서는 매일 훨씬 더 많은 청구 건을 처리할 수 있습니다.

Melvin은 이미 하루에 150건 이상의 청구를 처리하고 있으며, nib는 곧 청구의 일정 비율을 인간의 개입 없이 완전히 자동으로 처리하도록 할 방안을 모색하고 있습니다. Finch 씨는 "궁극적으로 이것이 최종 목표입니다. 전체 청구 건에서 상당한 비율을 실시간으로 자동 처리하여 회원이 몇 분 내에 응답을 받을 수 있도록 하면 이상적이겠지요. 이것이 바로 우리가 구축하려는 목표이며, 데이터 추출이 그 목표의 핵심입니다"라고 말합니다.

nib는 2017년에 챗봇인 nibby를 운영하기 시작했습니다. AWS 파트너인 DiUS와의 협력을 통해 만든 이 솔루션은 Amazon Alexa를 구동하는 딥 러닝 기술인 Amazon Lex를 사용하여 구축되었습니다. 이 챗봇은 보험 상품의 적용 범위와 관련한 기본적인 문의를 자동으로 처리함으로써 nib의 콜 센터 상담원이 보다 복잡한 문의에 집중할 수 있도록 합니다.

Finch 씨는 "완성도 높은 패키지로서 AWS 환경의 다른 측면과 완벽하게 통합된다는 점에서 Lex를 선택했습니다. Lex는 기계 학습 모델을 만들 데이터 사이언티스트를 고용하지 않고도 이 까다로운 일을 해낼 수 있도록 해주었습니다. 4~6주 만에 개념 증명을 개발할 수 있었죠"라고 설명합니다.

이 챗봇은 큰 성공을 거두었습니다. 현재 채팅을 통한 문의의 약 65%를 nibby가 처리하고, 35%만 문제 해결을 위해 콜 센터로 전달됩니다. nibby를 처음 도입했을 당시 한 달에 4,000건이던 채팅을 통한 문의 처리 건수가 현재 한 달에 약 15,000건으로 늘어났습니다.

이러한 성공을 바탕으로 2019년 nib는 Eliiza의 도움을 받아 nibby의 속도와 정확도를 개선하고 nibby의 데이터를 자세히 분석했습니다. 그런데 어떻게 한 것일까요?

먼저, 기계 학습을 기반으로 하는 지능형 검색 서비스인 Amazon Kendra를 사용하여 실험을 하기 시작했습니다.

이제 nibby는 '엑스레이를 비용도 보장되나요?'라는 회원의 문의에 정확하게 대답할 수 있습니다. 이전에는 이런 경우 nibby가 보험 상품 문서에 대한 링크를 공유했습니다. 안타깝게도 대부분의 사람들은 안내되는 문서를 읽지 않았고 대신 전화나 온라인 채팅을 통해 연락해왔습니다. 현재 nibby는 회원의 특정 보험 상품과 관련해 질문에 즉각적이고 정확한 답변을 제공하는 데 필요한 콘텐츠를 보유하고 있습니다.

이를 실현하기 위해 Eliiza는 Amazon Kendra를 이용해 nibby의 'Kendra 인덱스'를 구축했습니다. 이 인덱스는 각각 수 페이지 길이의 40여개 상품 공개 설명서와 방대한 상품 PDF 및 FAQ를 수집하여 작성되었습니다.

Finch 씨는 "설정은 놀라울 정도로 빨리 끝났습니다. Eliiza는 몇 번의 클릭만으로 Kendra 인덱스를 손쉽게 구성하고 관련 데이터 소스에 연결할 수 있었습니다"라고 말합니다.

Eliiza의 기계 학습 엔지니어인 James Dunwoody 씨는 "Kendra의 자연어 검색 기능은 기존 검색 기술과 달리 인덱스 내에 정보가 깊이 중첩되어 있더라도 nibby가 빠르고 정확하게 질문에 답할 수 있도록 해줍니다"라고 덧붙입니다.

이 솔루션은 2021년에 롤아웃될 예정입니다. 또한 Eliiza는 nibby의 채팅 데이터를 활용하기 위해 nibby와 협력하고 있으며, 지금까지 30만 건 이상의 대화를 수집했습니다.

궁극적으로 nib와 Eliiza는 전화 문의도 처리할 수 있도록 nibby를 확장할 계획입니다.

Finch 씨는 이와 관련해 "현재 Amazon Connect를 사용하여 채팅 기반뿐만 아니라 음성 기반의 nibby도 만들고 있습니다. 개발이 끝나면 회원들이 사람과 매우 유사한 음성의 봇과 대화할 수 있게 되고, 콜 센터의 문의 처리 업무 부담을 더욱 덜 수 있게 됩니다"라고 말합니다.

"현재 매달 15만 통의 전화 문의가 접수되고 있습니다. 이는 채팅 기반 문의의 10배에 달합니다. 이러한 통화의 10%만 줄일 수 있다면 엄청난 비용 절감 효과와 효율성을 실현할 수 있을 것입니다."

노동 집약적이고 반복적인 작업을 AWS 기술에 맡김으로써 nib는 셀프 서비스 목표를 지속적으로 높일 수 있는 궤도에 올랐습니다. 셀프 서비스란 인적 개입이 필요 없는 회원 문의의 비율을 나타내는 용어입니다.

Finch 씨는 "성공을 위한 핵심 지표 중 하나는 채팅/음성 및 회원 문의 공간에서 수행하는 모든 작업을 판단하는 기준인 셀프 서비스입니다"라고 말합니다.

8개월 전만 해도 이 보험사의 셀프 서비스 비율은 35%에서 40% 사이였습니다. 현재는 65%로, 이는 채팅 문의 중 35%만 콜 센터로 전달되고 나머지는 nibby가 효과적으로 처리하므로, 직원들이 보다 복잡한 사례를 처리하는 데 집중할 수 있음을 의미합니다.

"셀프 서비스 비율이 50%를 넘을 것이라고는 상상도 못했기 때문에 65%라는 수치에 크게 만족하고 있습니다. 이는 nibby의 기반이 되는 Amazon Kendra와 Amazon Lex를 비롯한 몇 가지 기술을 결합한 결과입니다. 이제 셀프 서비스 비율을 최대한 계속 높여가는 것이 목표입니다."

Amazon Textract부터 Amazon Lex, Amazon Kendra에 이르기까지, nib는 AWS 솔루션 제품군을 도입하여 기존의 방식을 타파하고 업계 최초로 혁신을 실현했습니다.

지금은 혁신적인 방식으로 인공 지능과 기계 학습 기술을 수용하는 데이터 기반 기업이 성공하는 시대입니다. 데이터 입력이나 회원 문의 처리와 같은 시간 집약적인 작업을 자동화함으로써 nib는 혁신을 선도하는 기업 중 하나가 되었습니다.