Naturlig språkbehandling og den digitale kravtransformasjonen

Av Adam Fisher, datasjef

Det er ikke akkurat en forretningshemmelighet; alle som noen gang har sendt inn et krav om forsikring eller ytelser vet at det innebærer mange skjemaer og papirarbeid.

Det som står i disse dokumentene, kombinert med notatene fra den tildelte saksbehandleren eller takstmannen, danner byggesteinene i en skademelding. For dataforskere som meg, kan denne informasjonen føre til potensialet for tusenvis av datapunkter som kan analyseres og brukes til å identifisere trender og generere rapporter.

I de senere år har leverandører av risikostyringsinformasjonssystemer (RMIS) og andre innen forsikringsbransjen brukt strukturerte data – som er klart definerte, vanligvis kvantitative og kan manipuleres på en enkel måte – for å fylle ut automatiserte dashbord og måle resultater. Ustrukturerte data – som skannede dokumenter, e-postmeldinger og frittstående notater – er imidlertid stort sett kvalitative og har forblitt en stort sett uutnyttet ressurs fra et skadesystemperspektiv på grunn av tiden og innsatsen som kreves for å hente ut informasjon fra dem. Det vil si, frem til nå.

NLP: den nye grensen

Naturlig språkbehandling (NLP) er en anvendelse av kunstig intelligens der datamaskiner «leser» og tolker digital informasjon, omtrent på samme måte som en person ville gjort. Bruken av NLP kan variere fra grunnleggende tekstbehandling til maskinlæring som lar datamaskiner utlede mening fra menneskelig språk.

NLP-teknologi har et enormt potensial til å gi større effektivitet og dypere innsikt i ulike aspekter ved skadebehandling. Jeg vil gjerne trekke frem et par NLP-applikasjoner som eksempler på hvordan denne teknologien kan forbedre vår driftseffektivitet og omsorgen vi tilbyr klienter og deres ansatte og kunder.

Automatisering av skadeinntak

Sedgwick har noen amerikanske klienter som rapporterer nye krav om arbeidstakererstatning via en egen e-postadresse. Vi har et team av kolleger som overvåker denne postkassen og manuelt legger inn alle kravdetaljene i vårt inntakssystem. Avhengig av hvor mange forespørsler som kommer inn i postkassen på en gitt dag, kan kravene ligge i kø i flere timer.

Vi har begynt å implementere et program som bruker NLP for å fullstendig transformere denne prosessen. For vår pilotklient har vi brukt robotisk prosessautomatisering (RPA) for å overvåke postkassen for innkommende trafikk. Når en ny melding kommer inn, lagrer en «bot» de vedlagte filene og laster dem opp til vår smart.ly-plattform . Boten bruker NLP til å lese dokumentene og trekker automatisk ut 93 opplysninger som trengs for å starte kravprosessen. Dette er langt mer sofistikert enn enkel digitalisering og optisk tegngjenkjenning (OCR). Vi har trent systemet vårt til å godta et bredt spekter av dokumentformater og til å matche innebygd informasjon med de riktige feltene i etikett/verdi-par med et ekstraordinært nøyaktighetsnivå.

Når systemet validerer de utvunnede dataene, opprettes et nytt krav – alt på under ett minutt og uten menneskelig inngripen! Bruk av NLP i denne piloten har redusert behandlingstiden for inntak dramatisk, noe som betyr at vi raskere kan tildele sensorer for å hjelpe skadde og syke arbeidere etter ulykker på arbeidsplassen. Vi tar sikte på å rulle ut denne løsningen til flere kunder i de kommende månedene.

Muligheter for subrogasjon

Hos Sedgwick er en del av vår rolle å undersøke omstendighetene rundt et krav og identifisere hvem som er ansvarlig for å dekke tapet. Ofte er det vår klient; andre ganger er det en annen tredjepart. I tilfeller der vår klient har betalt ut et krav, og vi fastslår at noen andre er den ansvarlige parten, jobber vi med å få tilbake pengene gjennom subrogasjon .

Klienter er selvfølgelig alltid fornøyde når disse kostnadene kan dekkes med rette. Det kan imidlertid være utfordrende å identifisere krav der subrogasjon er berettiget. Vi har et utmerket og erfarent team av spesialister som nøye gjennomgår krav for å identifisere mulige muligheter for inndrivelse, men tredjepartsansvar er ikke ofte eksplisitt angitt.

For å bedre kunne støtte kundene våre i å identifisere krav som kan gjøres gjeldende, utvikler vi en datastyrt modell som, ved hjelp av NLP og maskinlæring, kan gjennomgå kravnotater og dokumenter for språklige ledetråder til tredjepartsansvar. Vi har bygget modellen for å se etter referanser som kan tyde på en annen ansvarlig part, for eksempel produktfeil, hundebitt og påkjørsler bakfra. Dette er de samme ledetrådene som våre profesjonelle spesialister ser etter – bare en datamaskin kan lese mye mer tekst på mye kortere tid. Foreløpige tester viser at modellen er mer enn 70 % så effektiv som et menneske til å identifisere krav som fortjener videre undersøkelse for å gjøre gjeldende krav.

Hva fremtiden bringer

Dette er bare to av de mange måtene NLP-teknologi kan gi verdi til og forbedre skadebehandlingen. Vi utforsker kontinuerlig nye muligheter for å utnytte våre ustrukturerte data (inkludert mer enn 4 milliarder notater i vårt primære system for skade- og fraværskrav i USA!) for å fremme konsistens og effektivitet.

Som disse eksemplene fremhever, er ikke hensikten bak teknologien å eliminere menneskelig involvering; snarere å automatisere trivielle aspekter ved prosessen, slik at talentfulle og omsorgsfulle fagfolk bedre kan gjøre det de er best på. Bruk av NLP til inntak vil gjøre det mulig for våre kolleger å fokusere energien sin på strategiske og empatidrevne aspekter ved kundeservice. På samme måte vil vår NLP-subrogasjonsmodell aldri erstatte våre restitusjonseksperter. Den er utformet som et nytt verktøy som hjelper klienter med å maksimere subrogasjonsmuligheter og fordele ansvar for tap på en rettferdig måte. Å utnytte NLP til raskt å skanne tusenvis av dokumenter og notater vil gjøre det mulig for oss å bedre utnytte våre restitusjonsspesialisters etterforskningsferdigheter og forfølge mer verdifulle muligheter.

Teknologien fortsetter å utvikle seg, og dataforskere snakker gradvis mer om forståelse av naturlig språk enn prosessering. Det menneskelige elementet i krav er imidlertid kommet for å bli. Hos Sedgwick betyr vår tro på at « omsorg teller » at vi alltid vil ha dyktige og omsorgsfulle kolleger klare til å hjelpe når det uventede inntreffer.

> Lær mer – les om Sedgwicks folk først, teknologisk fremsynte og datadrevne digitale opplevelse .