Descoberta, fornecimento, escala: por dentro da jornada de machine learning do nib Group

Com mais de 1,4 milhão de associados na Austrália e Nova Zelândia, o nib Group (nib) é uma das principais seguradoras de saúde da região. Ao aproveitar as mais recentes inovações de machine learning, ele responde aos associados com mais rapidez, precisão e eficiência.

“Temos orgulho de liderar o caminho em machine learning. Queremos facilitar e agilizar o envio de pedidos de reembolso pelos nossos associados e, da mesma forma, garantir que nossas equipes na linha de frente possam se concentrar em consultas importantes, em vez de responderem a perguntas básicas sobre apólices que poderiam ser respondidas pelo nosso chatbot”, diz Mathew Finch, chefe de tecnologias emergentes e plataformas de dados do nib.

A equipe de desenvolvedores do nib vem fazendo experiências com automação e machine learning há vários anos. Ansiosos por aprimorar ainda mais os recursos de machine learning da empresa, eles recorreram à Eliiza, uma empresa de consultoria de ciência de dados que é uma parceira premium da Amazon Web Services (AWS).

A Eliiza reuniu uma equipe de engenheiros e cientistas de dados para ajudar a projetar um mecanismo de machine learning chamado Melvin, que foi desenvolvido com o uso do Amazon Textract. Eles também aprimoraram o nibby, o chatbot do nib, usando o Amazon Kendra: duas soluções inovadoras da AWS para dois desafios muito diferentes de atendimento ao cliente.

Em 2015, o nib lançou uma ferramenta inovadora que permite aos associados enviar pedidos de reembolso de seguro-saúde por meio de um aplicativo móvel. Depois de fotografar e carregar recibos de serviços de saúde diretamente no aplicativo, os associados são rapidamente reembolsados pelas despesas válidas, em geral dentro de 24 horas.

Apesar de ter sido um enorme avanço para os associados, a equipe de pedidos de reembolso do nib estava gastando muito tempo com a extração de dados de recibos, como número do cliente, medicamento, dosagem, datas e número do provedor, e digitando todas essas informações em um banco de dados.

“Começamos a testar maneiras de automatizar a tarefa bastante rotineira de transcrição e entrada de dados. Nossa meta final é processar mais pedidos de reembolso com mais facilidade e em menos tempo, liberando a equipe responsável da empresa para que ela possa se concentrar em etapas mais críticas do processo de verificação”, diz James Wilson, CEO da Eliiza.

“Decidimos criar um mecanismo de machine learning que lê os dados de recibos e preenche previamente os campos correspondentes em um banco de dados. Nossa solução precisava ser tão rápida e precisa quanto a equipe de pedidos de reembolso do nib Group. Ela também precisava se encaixar perfeitamente na arquitetura existente de processamento de pedidos de reembolso, sem comprometer dados médicos confidenciais.”

A jornada de machine learning do nib começou com um workshop de “descoberta”, no qual as partes interessadas se reuniram para identificar os desafios que precisavam ser resolvidos. Isso levou à criação de um “esquema de machine learning” para orientar as próximas etapas e iterações.

No estágio de “entrega”, a Eliiza e o nib Group começaram a testar um pequeno número de documentos fictícios usando diferentes tecnologias, como optical character recognition (OCR – reconhecimento óptico de caracteres), uma tecnologia de reconhecimento de imagens usada para converter texto baseado em imagem, como manuscritos ou materiais impressos, em um formato de texto eletrônico codificado por máquina. Por fim, uma solução emergiu e se destacou das demais: o Amazon Textract, um serviço de machine learning que extrai automaticamente texto, manuscritos e dados de praticamente qualquer documento.

“Rapidamente, ficou claro que o Amazon Textract define o benchmark global. Não conseguimos encontrar nada que pudesse se igualar à sua performance, tanto em termos de precisão quanto de capacidade de ler imagens de qualidade inferior. Ele resolveu muitos dos desafios que estávamos enfrentando”, diz Finch.

Havia um pequeno problema: o Amazon Textract ainda não tinha sido lançado na Austrália. Implacáveis, a Eliiza e o nib começaram a usar o Amazon Textract para criar seu mecanismo de machine learning, apelidado de “Melvin”, no início de 2019, colocando o pipeline em espera até o lançamento australiano do Amazon Textract no fim daquele mesmo ano.

“Na verdade, isso teve vários benefícios. Tivemos tempo para implementar mecanismos de detecção e correção de erros e aprofundar ainda mais o nível de automação. Por meio da integração com outros bancos de dados, como o banco de dados de medicamentos MIMS, nossa solução também pode verificar a validade dos pedidos de reembolso”, explica Wilson.

Os componentes do Melvin foram desenvolvidos e testados localmente usando estruturas de dados existentes do nib. Após a conclusão, o Melvin entrou diretamente no framework de processamento da empresa usando o Amazon Simple Queue Service (Amazon SQS), que facilita o processamento assíncrono, e o Amazon Lambda. Enquanto isso, para minimizar o risco de expor dados confidenciais dos clientes, a Eliiza criou uma “gaiola” de quarentena para garantir que esses dados nunca saiam do ambiente da AWS.

Desde maio de 2020, o nib usa o Melvin para extrair e inserir dados automaticamente em seu banco de dados com precisão surpreendente. A precisão do Amazon Textract excede 87% para campos pré-preenchidos em geral, enquanto a precisão dos campos pré-preenchidos quase pela metade é de 95% ou mais. Cerca de metade de todos os pedidos de reembolso são processados sem redigitação manual nem ajustes de entrada de dados. Tudo o que resta para a equipe do nib é revisar e processar rapidamente cada pedido de reembolso.

Como resultado, o Melvin reduz cerca de 20 segundos em cada pedido de reembolso processado, o que significa que a empresa é capaz de processar significativamente mais pedidos de reembolso todos os dias.

O Melvin já processa mais de 150 pedidos de reembolso por dia, e o nib está explorando a possibilidade de uma porcentagem de pedidos de reembolso ser em breve processada sem nenhuma intervenção humana. “Em conclusão, essa é a meta final. Em termos práticos, gostaríamos de ver uma grande porcentagem de pedidos de reembolso processados automaticamente em tempo real, para que os associados recebam uma resposta em poucos minutos. É a direção que estamos seguindo, e a extração de dados é a chave para essa meta”, diz Finch.

O nib lançou seu chatbot, o nibby, em 2017. Concebido em parceria com a DiUS, uma parceira da AWS, ele foi desenvolvido usando o Amazon Lex, a mesma tecnologia de aprendizado profundo que capacita o Amazon Alexa. O chatbot desvia as perguntas básicas sobre cobertura de apólices das centrais de atendimento do nib, liberando os atendentes para que eles possam se concentrar em consultas mais complexas.

“Escolhemos o Lex porque ele é um pacote completo, que pudemos integrar perfeitamente com outros aspectos do nosso ambiente da AWS. O Lex cuidou do trabalho pesado sem precisar empregar cientistas de dados para criar modelos de machine learning. Desenvolvemos uma prova de conceito em um período de quatro a seis semanas”, explica Finch.

O chatbot tem sido um grande sucesso. Hoje em dia, cerca de 65% das consultas baseadas em chat são atendidas pelo nibby, enquanto apenas 35% são desviadas para as centrais de atendimento para resolução. A seguradora agora lida com cerca de 15 mil chats por mês, contra os 4 mil chats de quando o nibby foi lançado pela primeira vez.

Para aproveitar esse sucesso, em 2019, o nib se aliou à Eliiza para melhorar ainda mais a velocidade e a precisão do nibby e analisar melhor os dados nele contidos. Mas como?

Eles começaram a fazer testes com o Amazon Kendra, um serviço de pesquisa inteligente com tecnologia de machine learning.

Quando um associado pergunta: “Tenho cobertura para raios X?”, o nibby agora é capaz de responder com detalhes precisos. Antes, o nibby compartilhava um link para um documento de política. Infelizmente, a maioria das pessoas evita ler esse tipo de documento e provavelmente acabará entrando em contato por telefone ou chat online. Atualmente, o nibby tem o conteúdo necessário para fornecer respostas imediatas e precisas às perguntas dos associados sobre suas apólices de seguro específicas.

Para conseguir isso, a Eliiza usou o Amazon Kendra para criar o “Índice Kendra” do nibby. O Índice foi criado com a ingestão de mais de 40 declarações de divulgação de produtos, cada uma contendo várias páginas, juntamente com extensos PDFs de apólices e perguntas frequentes.

“A configuração foi incrivelmente rápida. Com apenas alguns cliques, a Eliiza configurou facilmente nosso Índice Kendra e o conectou a fontes de dados relevantes”, diz Finch.

James Dunwoody, engenheiro de machine learning da Eliiza, acrescenta: “Ao contrário da tecnologia de pesquisa convencional, os recursos de pesquisa de linguagem natural do Kendra ajudam a responder a perguntas com rapidez e precisão, não importa o nível de profundidade das informações no Índice”.

A solução está prevista para ser lançada em 2021. A Eliiza também está trabalhando com o nib para aproveitar os dados de chat do nibby, com mais de 300 mil conversas coletadas até agora.

No fim das contas, o nib e a Eliiza esperam expandir o nibby para lidar com consultas telefônicas também.

“Estamos usando o Amazon Connect para tornar o nibby orientado não só por chat, mas também por voz. Isso significa que nossos membros poderão conversar com um bot que soa muito humano, desviando ainda mais consultas das nossas centrais de atendimento”, diz Finch.

“Recebemos 150 mil chamadas por mês, o que equivale a 10 vezes mais do que nossas consultas baseadas em chat. Se conseguirmos desviar apenas 10% dessas chamadas, isso representará enormes economias e ganhos de eficiência.”

Ao confiar tarefas repetitivas e trabalhosas às tecnologias da AWS, o nib está no caminho certo para melhorar continuamente suas metas de autoatendimento: um termo que descreve a porcentagem de consultas de associados que não exigem intervenção humana.

“Uma das nossas principais métricas de sucesso é o autoatendimento, que representa como julgamos todo o trabalho que fazemos no espaço de chat/voz e de consultas de associados”, diz Finch.

Há 8 meses, o índice de autoatendimento da seguradora estava entre 35% e 40%. Atualmente, ele é de 65%, o que significa que apenas 35% dos chats são desviados para as centrais de atendimento. O volume restante é tratado com habilidade pelo nibby, liberando os funcionários para trabalhar com os casos mais complexos.

“Nunca pensamos que o nosso índice de autoatendimento passaria de 50%, então estamos muito satisfeitos com 65%. Esse é o resultado de uma combinação de algumas tecnologias diferentes, incluindo o Amazon Kendra e o Amazon Lex, que agora estão por trás do nibby. Nossa meta é continuar aumentando nosso índice de autoatendimento o mais alto possível.”

Do Amazon Textract até o Amazon Lex e o Amazon Kendra, o nib adotou um conjunto de soluções da AWS para desafiar o status quo e oferecer inovação em primeiro lugar para o setor.

É uma era empolgante para empresas orientadas por dados que adotam a inteligência artificial e o machine learning de maneiras inovadoras. Ao automatizar tarefas demoradas, como entrada de dados ou recepcionando consultas de associados, o nib é uma das empresas revolucionárias que estão liderando o caminho.