Temukan, kirim, skalakan: Di balik layar perjalanan machine learning di nib Group

Dengan lebih dari 1,4 juta nasabah di Australia dan Selandia Baru, nib Group (nib) merupakan salah satu perusahaan asuransi kesehatan terkemuka di kawasan tersebut. Dengan memanfaatkan inovasi machine learning terbaru, perusahaan ini merespons nasabah secara lebih cepat, lebih akurat, dan dengan efisiensi yang jauh lebih baik.

“Kami bangga menjadi yang terdepan dalam machine learning. Kami ingin membuat nasabah dapat dengan lebih cepat dan lebih mudah mengajukan klaim sekaligus memastikan tim frontline kami berfokus pada pertanyaan yang penting, bukan menjawab pertanyaan dasar seputar polis yang dapat dijawab melalui bot obrolan,” kata Mathew Finch, Kepala Teknologi Baru dan Platform Data (Head of Emerging Technology and Data Platform) di nib.

tim developer nib telah selama beberapa tahun bereksperimen dengan otomatisasi dan machine learning. Untuk lebih meningkatkan kemampuan machine learning perusahaan, mereka menggunakan jasa konsultan ilmu data, Eliiza, yang merupakan partner premier Amazon Web Services (AWS).

Eliiza menyatukan tim teknisi dan ilmuwan data untuk membantu merancang mesin machine learning yang bernama Melvin, yang dibangun dengan menggunakan Amazon Textract. Mereka juga menyempurnakan nibby, bot obrolan nib, menggunakan Amazon Kendra – dua solusi AWS yang inovatif untuk 2 tantangan layanan nasabah yang sangat berbeda.

Pada tahun 2015, nib meluncurkan alat inovatif yang memungkinkan nasabah mengajukan klaim asuransi kesehatan melalui aplikasi seluler. Setelah memotret dan mengunggah tanda terima layanan kesehatan langsung ke aplikasi, nasabah menerima penggantian uang untuk pengeluaran yang valid dengan sangat cepat – biasanya dalam waktu 24 jam.

Meski merupakan langkah maju yang sangat besar bagi nasabah, tim klaim nib menghabiskan terlalu banyak waktu untuk mengekstraksi data dari tanda terima – seperti nomor nasabah, obat, dosis, tanggal, dan nomor penyedia – serta mengetikkan informasi ini ke dalam basis data.

“Kami mulai bereksperimen dengan cara mengotomatiskan tugas rutin enkripsi dan entri data. Tujuan akhir kami adalah memproses klaim yang lebih banyak, lebih mudah, dalam waktu singkat, membebaskan tim klaim perusahaan untuk fokus pada langkah yang lebih penting dalam proses verifikasi,” kata James Wilson, CEO di Eliiza.

“Kami berencana membangun mesin machine learning yang ‘membaca’ data dari tanda terima dan mengisi bidang yang sesuai dalam basis data. Solusi kami haruslah secepat dan akurat tim klaim nib Group. Memasukkan dengan rapi ke dalam arsitektur pemrosesan klaim yang sudah ada juga harus dilakukan tanpa mengganggu data medis sensitif.”

Perjalanan machine learning nib diawali dengan lokakarya ‘Discovery’, tempat para pemangku kepentingan berkumpul untuk mengidentifikasi tantangan yang harus diatasi. Ini mendorong pembuatan ‘Cetak Biru Machine Learning’ untuk memandu langkah-langkah dan iterasi berikutnya.

Dalam tahap ‘Pengiriman’, Eliiza dan nib Group mulai menguji sejumlah dokumen tiruan menggunakan teknologi yang berbeda seperti Optical Character Recognition (Pengenalan Karakter Optik/OCR), teknologi pengenalan gambar yang digunakan untuk mengonversi teks berbasis gambar seperti tulisan tangan atau materi cetak menjadi teks elektronik yang dikodekan dengan mesin. Pada akhirnya, satu solusi tampak lebih unggul daripada yang lain: Amazon Textract, layanan machine learning yang secara otomatis mengekstraksi teks, tulisan tangan, dan data dari hampir semua dokumen.

“Dengan cepat tampak jelas bahwa Amazon Textract menetapkan tolok ukur global. Tidak ada yang dapat menyaingi performanya, baik dalam hal keakuratannya maupun kemampuannya untuk membaca gambar berkualitas rendah. Ini sangat membantu kami dalam mengatasi tantangan yang kami hadapi,” ujar Fin.

Namun, ada sedikit kendala: Amazon Textract belum diluncurkan di Australia. Tidak ingin menjadikannya hambatan, Eliiza dan nib mulai menggunakan Amazon Textract untuk membangun mesin machine learning mereka, yang diberi nama ‘Melvin’, pada awal tahun 2019, menempatkan alur dalam status siaga hingga Amazon Textract diluncurkan di Australia pada tahun yang sama.

“Ini sebenarnya memiliki beberapa manfaat. Kendala ini memberi kami waktu untuk mengimplementasikan mekanisme yang tepat dan memperdalam level otomatisasi. Dengan mengintegrasikan dengan basis data lain seperti basis data obat MIMS, solusi kami juga dapat memverifikasi validitas klaim,” jelas Wilson.

Komponen-komponen Melvin dikembangkan dan diuji secara lokal dengan menggunakan struktur data nib yang telah ada. Setelah selesai, Melvin akan langsung memasuki kerangka kerja pemrosesan perusahaan menggunakan Amazon Simple Queue Service (Amazon SQS), yang memfasilitasi pemrosesan asinkron, dan Amazon Lambda. Sementara itu, untuk meminimalkan risiko memaparkan data sensitif nasabah, Eliiza membuat ‘karantina’ untuk memastikan data ini tidak pernah meninggalkan lingkungan AWS.

Sejak Mei 2020, nib telah menggunakan Melvin untuk mengekstraksi dan secara otomatis memasukkan data ke dalam basis datanya dengan akurasi yang menakjubkan. Akurasi Amazon Textract melampaui angka 87% untuk pengisian bidang di awal secara keseluruhan, sedangkan akurasi hampir setengah dari bidang yang diisi di awal 95% atau lebih tinggi. Sekitar setengah dari semua klaim diproses tanpa memasukkan kembali secara manual atau penyesuaian entri data. Tim nib hanya perlu meninjau dengan cepat dan memproses setiap klaim.

Sebagai hasilnya, Melvin memangkas sekitar 20 detik dari setiap klaim diproses, yang berarti perusahaan dapat memproses jauh lebih banyak klaim setiap harinya.

Melvin telah memproses lebih dari 150 klaim per hari, dan nib sedang mengkaji apakah persentase klaim dapat segera diproses tanpa intervensi manusia sama sekali. “Memang itulah sasaran akhirnya. Idealnya, kami ingin persentase yang jauh lebih besar untuk klaim yang diproses secara otomatis secara waktu nyata, agar nasabah dapat menerima respons dalam hitungan menit. Itulah yang sedang kami upayakan, dan ekstraksi data adalah kunci dari sasaran tersebut,” kata Fin.

nib meluncurkan chatbot, nibby, pada tahun 2017. Dibuat melalui kemitraan dengan partner AWS, DiUS, nibby dibangun dengan menggunakan Amazon Lex – teknologi deep learning yang sama yang mendukung Amazon Alexa. Bot obrolan mengalihkan pertanyaan pertanggungan polis dasar dari pusat kontak nib, membuat agen dapat berfokus pada pertanyaan yang lebih kompleks.

“Kami memilih Lex karena ini adalah paket lengkap, yang dapat kami integrasikan dengan mulus dengan aspek lain dalam lingkungan AWS kami. Lex menangani tugas berat tanpa perlu mempekerjakan ilmuwan data untuk membuat model machine learning. Kami mengembangkan sebuah Bukti Konsep dalam kurun waktu empat hingga enam minggu,” jelas Finch.

Bot obrolan sejauh ini sangat sukses. Saat ini, sekitar 65% pertanyaan berbasis obrolan ditangani oleh nibby, sementara hanya 35% dialihkan ke pusat panggilan untuk ditangani. Perusahaan asuransi tersebut saat ini menangani sekitar 15.000 obrolan per bulan, naik dari 4.000 obrolan saat nibby pertama kali diluncurkan.

Untuk lebih memanfaatkan kesuksesan ini, pada tahun 2019 nib bekerja sama dengan Eliiza untuk lebih meningkatkan kecepatan dan akurasi data nibby dan menganalisis data nibby dengan lebih baik. Namun, bagaimana caranya?

Mereka mulai bereksperimen dengan Amazon Kendra, sebuah layanan pencarian cerdas yang didukung oleh machine learning.

Ketika seorang nasabah bertanya, ‘Apakah saya mendapat pertanggungan untuk rontgen?’, nibby kini dapat merespons dengan detail yang tepat. Sebelumnya, nibby akan membagikan tautan ke dokumen polis. Sayangnya, sebagian besar orang enggan membaca dokumen ini dan kemungkinan besar akan menghubungi melalui telepon atau obrolan online saja. Saat ini, nibby memiliki konten yang diperlukan untuk memberikan respons langsung secara akurat dan dapat menjawab pertanyaan nasabah mengenai polis asuransi mereka yang spesifik.

Agar dapat melakukannya, Eliiza menggunakan Amazon Kendra untuk membangun ‘Indeks Kendra’ nibby. Indeks ini dibuat dengan menyerap lebih dari 40 pernyataan penafian produk, masing-masing sepanjang beberapa paragraf, beserta PDF dan TJU polis yang panjang.

“Menyiapkannya sangat cepat. Hanya dengan beberapa klik, Eliiza dengan mudah mengonfigurasikan Indeks Kendra dan menghubungkannya ke sumber data yang relevan,” kata Finch.

James Dunwoody, Teknisi Machine Learning (Machine Learning Engineer) di Eliiza, menambahkan: “Tidak seperti teknologi pencarian konvensional, kemampuan pencarian bahasa alami Kendra membantu nibby menjawab pertanyaan dengan cepat dan akurat – sejauh mana pun informasi tersebut berada dalam Indeks.”

Solusi ini rencananya diluncurkan pada tahun 2021. Eliiza juga bekerja dengan nib untuk memanfaatkan data obrolan nibby, dengan lebih dari 300.000 percakapan yang dikumpulkan sejauh ini.

Pada akhirnya, nib dan Eliiza berharap dapat mengembangkan nibby untuk menjawab pertanyaan melalui telepon juga.

“Kami sekarang menggunakan Amazon Connect untuk menjadikan nibby tidak sekadar berorientasi pada obrolan tetapi juga berbasis suara. Ini berarti nasabah kami dapat berkomunikasi dengan bot yang terdengar sangat mirip dengan manusia, mengalihkan lebih banyak lagi pertanyaan dari pusat kontak kami,” ujar Finch.

“Kami menerima 150.000 telepon setiap bulannya – itu berarti 10 kali lebih banyak dari pertanyaan berbasis obrolan kami. Jika kami dapat mengalihkan 10% saja dari panggilan tersebut, itu akan merepresentasikan penghematan dan peningkatan efisiensi yang luar biasa.”

Dengan memercayakan tugas-tugas berulang yang membutuhkan banyak tenaga kerja kepada AWS, nib berada di jalur untuk terus meningkatkan target layanan mandirinya – sebuah istilah yang menggambarkan persentase pertanyaan nasabah yang tidak membutuhkan intervensi manusia.

“Salah satu metrik utama kami untuk kesuksesan adalah layanan mandiri, yaitu bagaimana kami menilai semua pekerjaan yang kami lakukan dalam obrolan/telepon dan ruang pertanyaan nasabah,” ujar Finch.

Delapan bulan silam, tingkat layanan mandiri perusahaan asuransi ini ada di angka 35% hingga 40%. Saat ini ada di angka 65%, yang berarti hanya 35% dari obrolan dialihkan ke pusat kontak – sisanya ditangani dengan piawai oleh nibby, sehingga karyawan dapat menangani kasus yang lebih kompleks.

“Kami tidak pernah berpikir kami akan mencapai tingkat layanan mandiri di atas 50%, jadi angka 65% benar-benar membuat kami puas. Hasil ini didapat dari kombinasi beberapa teknologi, termasuk Amazon Kendra dan Amazon Lex, yang sekarang ada di belakang nibby. Sasaran kami adalah tetap menaikkan tingkat layanan mandiri kami semaksimal mungkin.”

Dari Amazon Textract hingga Amazon Lex, dan Amazon Kendra, nib telah memanfaatkan serangkaian solusi AWS untuk menantang status quo dan menghadirkan fokus pada inovasi ke industri.

Ini adalah masa yang menarik bagi perusahaan yang didorong oleh data yang memanfaatkan kecerdasan buatan dan machine learning dengan cara yang inovatif. Dengan mengotomatiskan tugas yang memakan banyak waktu seperti entri data atau pertanyaan nasabah di lapangan, nib adalah salah satu disruptor yang menjadi pelopor.