Naturlig sprogbehandling og den digitale transformation af krav

Af Adam Fisher, chief data officer

Det er ikke ligefrem en forretningshemmelighed; alle, der nogensinde har indgivet en ansøgning om forsikring eller ydelser, ved, at det indebærer en masse formularer og papirarbejde.

Indholdet af disse dokumenter udgør sammen med notaterne fra den tildelte eksaminator eller skadesbehandler grundlaget for en skadesanmeldelse. Fordataforskeresom mig betyder disse oplysninger, at der er potentiale for tusindvis af datapunkter, der kan analyseres og bruges til at identificere tendenser og generere rapporter.

I de senere år har udbydere af risikostyringsinformationssystemer (RMIS) og andre aktører inden for forsikringsbranchen brugt strukturerede data – som er klart definerede, normalt kvantitative og kan manipuleres på en overskuelig måde – til at udfylde automatiserede dashboards og måle resultater. Ustrukturerede data – såsom scannede dokumenter, e-mails og frit formulerede noter – er imidlertid for det meste kvalitative og har været en stort set uudnyttet ressource set fra et skadesystemsperspektiv, fordi det kræver meget tid og kræfter at udtrække information fra dem. Det var i hvert fald tilfældet indtil nu.

NLP: den nye grænse

Naturlig sprogbehandling (NLP) er en anvendelse af kunstig intelligens, hvor computere "læser" og fortolker digital information på samme måde som et menneske ville gøre. Anvendelsen af NLP kan variere fra grundlæggende tekstbehandling tilmaskinlæring, der gør det muligt for computere at udlede betydning fra menneskeligt sprog.

NLP-teknologi har et enormt potentiale til at skabe større effektivitet og dybere indsigt i forskellige aspekter af skadebehandling. Jeg vil gerne fremhæve et par NLP-applikationer som eksempler på, hvordan denne teknologi kan forbedre vores operationelle effektivitet og den service, vi yder til kunder og deres medarbejdere og kunder.

Automatisering af modtagelse af krav

Sedgwick har nogle amerikanske kunder, der indberetter nyearbejdsskadesagervia en dedikeret e-mailadresse. Vi har et team af kolleger, der overvåger denne mailboks og manuelt indtaster alle oplysninger om sagerne i vores modtagelsessystem. Afhængigt af hvor mange anmodninger der kommer ind i mailboksen på en given dag, kan sagerne stå i kø i flere timer.

Vi er begyndt at implementere et program, der bruger NLP til at transformere denne proces fuldstændigt. For vores pilotkunde har vi anvendtrobotbaseret procesautomatisering (RPA)til at overvåge postkassen for indgående trafik. Når der kommer en ny besked, gemmer en "bot" de vedhæftede filer og uploader dem til voressmart.ly-platform. Botten bruger NLP til at læse dokumenterne og udtrækker automatisk 93 stykker information, der er nødvendige for at igangsætte skadesbehandlingsprocessen. Dette er langt mere sofistikeret end simpel digitalisering og optisk tegngenkendelse (OCR). Vi har trænet vores system til at acceptere en bred vifte af dokumentformater og til at matche indlejret information med de relevante felter i label/værdipar med en ekstraordinær grad af nøjagtighed.

Når systemet har valideret de udtrukne data, oprettes der en ny skadesanmeldelse – alt sammen på mindre end et minut og uden menneskelig indgriben! Brugen af NLP i dette pilotprojekt har reduceret behandlingstiden for indberetninger drastisk, hvilket betyder, at vi hurtigere kan tildele sagsbehandlere til at hjælpe skadede og syge arbejdstagere efter arbejdsulykker. Vi sigter mod at udrulle denne løsning til flere kunder i de kommende måneder.

Subrogationsmuligheder

Hos Sedgwick er en del af vores rolle at undersøge omstændighederne omkring en skadesanmeldelse og identificere, hvem der er ansvarlig for at dække tabet. Ofte er det vores klient, andre gange er det en tredjepart. I tilfælde, hvor vores klient har udbetalt en erstatning, og vi fastslår, at en anden part er ansvarlig, arbejder vi på at få pengene tilbage gennemsubrogation.

Kunderne er naturligvis altid glade, når disse omkostninger kan inddrives med rette, men det kan være en udfordring at identificere krav, hvor subrogation er berettiget. Vi har et fremragende og erfarent team af specialister, der nøje gennemgår krav for at identificere mulige inddrivelsesmuligheder, men tredjepartsansvar angives ikke ofte eksplicit.

For bedre at kunne hjælpe vores kunder med at identificere krav, der kan subrogateres, udvikler vi en computerbaseret model, der ved hjælp af NLP og maskinlæring kan gennemgå kravnoter og dokumenter for sproglige spor, der peger på tredjepartsansvar. Vi har bygget modellen til at søge efter henvisninger, der kan tyde på en anden ansvarlig part, såsom produktfejl, hundebid og påkørsler bagfra. Det er de samme spor, som vores professionelle specialister søger efter – men en computer kan læse meget mere tekst på meget kortere tid. Foreløbige tests viser, at modellen er mere end 70 % så effektiv som et menneske til at identificere krav, der fortjener yderligere undersøgelse med henblik på subrogation.

Hvad fremtiden bringer

Dette er blot to af de mange måder, hvorpå NLP-teknologi kan tilføre værdi til og forbedre skadesbehandlingen. Vi undersøger løbende nye muligheder for at udnytte vores ustrukturerede data (herunder mere end 4 milliarder noter i vores primære system til skadesanmeldelser og sygemeldinger i USA) for at fremme konsistens og effektivitet.

Som disse eksempler viser, er formålet med teknologien ikke at eliminere menneskelig indblanding, men snarere at automatisere de trivielle aspekter af processen, så talentfulde og omsorgsfulde fagfolk bedre kan gøre det, de er bedst til. Ved at bruge NLP til indtagelse kan vores kolleger fokusere deres energi på strategiske og empati-drevede aspekter af kundeservice. Tilsvarende vil vores NLP-subrogationsmodel aldrig erstatte vores inddrivelseseksperter. Den er designet som et yderligere værktøj, der hjælper kunderne med at maksimere subrogationsmulighederne og fordele ansvaret for tab på en retfærdig måde. Ved at udnytte NLP til hurtigt at scanne tusindvis af dokumenter og noter kan vi udnytte vores inddrivelsesspecialisters efterforskningsfærdigheder bedre og forfølge mere værdifulde muligheder.

Teknologien udvikler sig konstant, og dataforskere taler i stigende grad mere omforståelse afnaturligt sprog end om databehandling. Det menneskelige element i skadesanmeldelser er dog her for at blive. Hos Sedgwick betyder vores overbevisning om, at "omsorg tæller", at vi altid har dygtige, medfølende kolleger, der er klar til at hjælpe, når det uventede sker.

> Læs mere — læs om Sedgwicks menneskelige, teknologiske og datadrevnedigitale oplevelse.