Ny teknologi innen krav- og produktivitetshåndtering: automatisering og AI

Av Stephen Elliott, MBA, JD, CISSP, CSM, SVP, IT-innovasjon og beslutningsoptimalisering

I dagens marked hevder utallige leverandører og teknologier å utnytte kunstig intelligens (KI) eller automatisere manuelle kravprosesser.

Man kan argumentere for at det er dette alle har jobbet mot, helt fra den aller første datamaskinen. Dagens teknologi er på mange måter en kontinuerlig modning av denne prosessen – med fokus på trinnene i kravprosessen som tidligere ble ansett som for komplekse eller ugjennomsiktige til å automatisere.

I løpet av de siste 50 årene har skadeeksperter blitt gitt funksjonaliteten (og tilhørende begrensninger) til applikasjoner ved hjelp av tradisjonelle programmeringsspråk. Nå er vi alle godt kjent med hvordan tradisjonelle teknologiavdelinger jobber med å samle inn krav, dokumentere og definere «regler» for beslutninger og lage programmer som sameksisterer med skadeeksperter for å forbedre skadebehandlingen. Nå, med introduksjonen av AI, er det flere nye komponenter som spiller en rolle i hva som kan programmeres:

Mønstermatching

Kunstig intelligens åpner for automatisering av menneskelige aktiviteter. Mens mennesker følger dokumenterte instruksjoner og regler i skadebehandling, er de også optimalisert for å finne løsninger basert på mønstre de har møtt tidligere. KI introduserer mønstersamsvar i maskinprogrammer – noe som gjør det mulig å lage programvare som ikke lenger krever en diskret oppdeling av alle beslutningsreglene på forhånd. I stedet tilbyr KI muligheten til å utnytte historiske data for å kartlegge og oppfatte disse reglene på en abstrakt måte. Hvis erfarne skadebehandlere har sett på krav X og bestemt seg for handling Y tidligere, kan KI-systemer trenes til å gjøre det samme.

Uten å være begrenset av metodene mennesker bruker for å ta beslutninger, kan maskinlærings-AI bli enda bedre. Faktisk kan AI identifisere mønstre i data som bør brukes til beslutninger, selv om saksbehandlerne enten ikke brukte disse kriteriene eller ikke engang var klar over at de brukte dem. Denne utviklingen muliggjør etablering av intelligente beslutningsmotorer for å optimalt automatisere oppgaver i kravprosessen som tidligere ble ansett som for kompliserte eller som krever en subjektiv beslutning.

Auto-triage-systemer

Automatiske triagesystemer er utformet for å se på tidlige kravdataelementer, og kombinerer dataene med historiske mønstre som ellers kan være vanskelige å se for å plassere et krav nøyaktig i en bestemt «bøtte» for behandling. Det finnes mange måter bedrifter kan velge å oppnå dette på. Noen vil kanskje trene sin AI til å plassere krav i forskjellige kostnadsestimeringsbøtter – slik at de kan skille mellom risikonivåer etter kostnad. Andre foretrekker kanskje en mer abstrakt definisjon av «kompleksitet» som kan samsvare med kostnader, men noen ganger bare hjelper med å identifisere krav som kan kreve mer tid, mer menneskelig kontakt eller et høyere nivå av erfaren tilsyn.

Automatiske vurderingssystemer

Når automatisk triage avsluttes, tar automatisk vurdering over. Vanligvis, hvis et krav har blitt vurdert som enkelt og kunne behandles uten menneskelig inngripen, kan de gjenværende trinnene i kravprosessen automatiseres. Ved å bruke AI kombinert med mer tradisjonelle metoder kan kravet flyttes fra inntak til kvalifisering og til slutt gjennom betaling og avslutning. Disse automatisk vurderte kravene er ikke bare billigere å administrere, men resulterer ofte i større tilfredshet hos kravsøkerne, ettersom de ikke blir forsinket i påvente av vurdering av saksbehandlere – og dermed gir kravsøkeren en rask og enkel avslutning.

Prediktiv modellering

Prediktiv modellering, som vanligvis diskuteres som en frittstående teknologi, representerer ofte en nøkkelkomponent i kunstig intelligens-løsninger. Ved å kombinere maskinlæring og kompleks statistikk bruker den historiske datamønstre for å forutsi fremtiden. Når man automatiserer beslutninger eller trinn i skadeprosessen, kan prediktive modeller brukes til å velge handlingene som gir optimale prediktive resultater basert på kostnader, kundetilfredshet eller risiko.

Selv om disse modellene utnytter moderne teknologi, kan de også brukes til å optimalisere mengden menneskelig inngripen i kritiske krav. Målrettede, preskriptive anbefalinger for å legge til erfarne ressurser kan gis der nyanser i et krav peker mot flere scenarier:

• Bedrageri
• Tvister
• Spesialisering

Der sannsynligheten for svindel er høy, kan kravet eskaleres til etterforskere eller gis til menneskelige saksbehandlere for videre undersøkelser og tiltak. AI-modeller har muligheten til ikke bare å se etter svindel i individuelle krav, men å se på hele forretningsporteføljen og se svindelmønstre i ellers uskyldige enkeltsaker.

Der sannsynligheten for rettstvister er høy, kan det iverksettes spesielle tiltak knyttet til kravet. Dette kan være oppgaver som å lagre og arkivere sikkerhetsvideoer fra detaljhandelen, intervjue vitner og andre deltakere mens de fortsatt har hukommelsen frisk, eller på annen måte gi forbedret behandling og kommunikasjon med en saksøker for å unngå misnøye.

Der spesiell ekspertise kan være til fordel for kravet, enten basert på nåværende «triggere» eller prediksjon av fremtidige triggere, kan AI eskalere kravet for involvering av ulike team. Disse teamene kan bestå av sykepleiere som saksbehandlere, subrogasjonsetterforskere eller de som spesialiserer seg på andre komplekse eller unike krav.

Tekstutvinning

Det neste riket innen maskinlæring av kunstig intelligens ligger i tekstutvinning av ustrukturerte data. Selv om tekstutvinning av dokumenter, notater, vitneforklaringer og andre elementer i kravet til syvende og sist gir lignende resultater som tradisjonell prediktiv modellering av strukturerte data, gir det systemet en betydelig økt mengde informasjon. Det er urimelig å la kravsystemer fange opp alle komorbiditeter eller farlige legemiddelkombinasjoner. Det er imidlertid mulig å la kunstig intelligens lære seg risikoene forbundet med å se dem nevnt i notater, medisinske dokumenter eller korrespondanse.

Viktige utfordringer og risikoer

Selv om alt dette høres ut som en utopi for teknologi for skadebehandling, kommer det fortsatt med sine egne utfordringer og risikoer. Mange av hendelsene vi ber AI om å lære om anses som sjeldne, noe som gjør dem ofte vanskelige å forutsi – selv med den beste programvaren for data og statistisk modellering. De forekommer nesten aldri som en prosentandel av den totale forretningsporteføljen. Dette betyr ikke at de er umulige å jobbe med, men det påhviler utviklere eller kjøpere av automatiserings-/prediktiv programvare å forstå hvordan disse fortsatt kan ha utfordringer med nøyaktigheten. Vær forsiktige med leverandører som hevder å ha modeller som har 95 % nøyaktighet i prediksjon av sjeldne hendelser. Hvis disse hendelsene forekommer på 3 % av skadene, er en nøyaktighet på over 97 % det absolutte minimum som enhver grunnleggende modell bør produsere.

Til syvende og sist vil effektiviteten til enhver AI-basert automatisering eller prediksjonsmodell avhenge av både datakvaliteten og kvaliteten på handlingene som iverksettes av et skadeteam – om foreskrivende tiltak anbefales eller eskaleres til dem. Som de fleste teknologier fungerer den ofte best når den ikke er helt manuell eller helt automatisert, men i stedet kombinert i akkurat riktig mengde for å minimere risiko samtidig som kundetilfredsheten maksimeres.