發掘、交付、擴展：直擊 nib Group 的機器學習之旅

nib Group (nib) 在紐澳地區擁有超過 140 萬名會員，是該區域的一大健康保險業者。藉由利用最新機器學習的創新，該公司回覆會員的速度加快、更加準確，效率也更高。

nib 的新興技術與資料平台主管 Mathew Finch 如此解說：「我們率先採用機器學習，感到相當自豪。我們希望能讓會員辦理理賠的手續更快、更輕鬆，同樣地，也要確保前線的工作團隊能夠專心處理重要的詢問事項，無需回答聊天機器人就能回答的基本保單問題。」

nib 的開發人員團隊已經為自動化和機器學習實驗多年。急於進一步增強公司的機器學習能力，他們向 Amazon Web Services (AWS) 核心合作夥伴：資料科學諮詢公司 Eliiza 求助。

Eliiza 召集一支工程師與資料科學家的團隊，協助設計出機器學習引擎，名為 Melvin，這是以 Amazon Textract 建置而成。他們也使用 Amazon Kendra 增強了 nib 的聊天機器人 nibby，這些分別是解決客戶服務方面兩項大相逕庭挑戰的兩套創新 AWS 解決方案。

2015 年，nib 啟用一項創新工具，讓會員透過行動應用程式提交健康保險理賠申請。將醫療保健收據直接拍照上傳至應用程式之後，會員很快就能收到有效開支的補償，通常不到 24 小時。

儘管對會員來說算是邁出了一大步，但 nib 的理賠團隊依舊得花太多時間才能從收據擷取到資料，例如客戶編號、醫藥、劑量、日期和供應商編號，還得將這些資訊鍵入資料庫。

Eliiza 執行長 James Wilson 表示：「我們開始實驗一些方法，想將轉錄和資料輸入這些相當例行的任務自動化。最終目標在於以更少時間更輕鬆地處理更多理賠，讓公司的理賠團隊把時間放在驗證流程的更重要步驟。」

他並說道：「於是我們著手建置機器學習引擎，能從收據『讀取』資料，預先填入資料庫中的相應欄位。我們的解決方案必需跟 nib Group 的理賠團隊同樣快速、準確。此外，還必須明快地融入他們現有的理賠處理架構，不得影響敏感的醫療資料。」

nib 的機器學習之旅在舉辦「發掘」研討會時隨之開跑，利益相關者齊聚一堂，將需要解決的挑戰指出。於是引發創造「機器學習藍圖」，指示後續步驟和更迭走向。

在「發掘」階段，Eliiza 和 nib Group began 開始以各種技術測試少量的模擬文件，例如光學字元辨識 (OCR)、轉換影像文字之用的影像辨識技術，例如將手寫或印刷品轉成機器編碼的電子文字。最後，有一個解決方案脫穎而出，那就是 Amazon Textract 機器學習服務，能從幾乎任何文件自動擷取文字、手寫和資料。

Finch 表示：「很快便能明顯看出，Amazon Textract 樹立全球標竿。其效能無人能及，無論在於準確度，或是從低畫質影像讀取的能力。它能因應我們面對的許多挑戰。」

有一點小小的不順：Amazon Textract 尚未在澳洲推出。Eliiza 與 nib 並未受挫，於 2019 年初開始使用 Amazon Textract 建置機器學習引擎，取名為 “Melvin”，鋪設好管道，靜待 Amazon Textract 於同年稍後在澳洲推出。

Wilson 解說：「這確實有多方優勢。我們得到時間可以實作錯誤偵測和修正機制，並且加深自動化程度。藉由與其他資料庫，例如 MIMS 藥物資料庫相整合，我們的解決方案也能驗證理賠的有效性，」

Melvin 的元件是就地利用現有的 nib 資料結構所開發與測試。Melvin 在完成時，是以能做到非同步處理的 Amazon Simple Queue Service (Amazon SQS) 以及 Amazon Lambda 直接安進公司的處理架構。同時，為盡量降低敏感的客戶資料外洩的風險，Eliiza 建立隔離「箱籠」，確保該資料永不出 AWS 環境。

2020 年 5 月起，nib 即已使用 Melvin 擷取資料，並且自動輸入資料庫，其準確度驚人。Amazon Textract 的整體預填欄位準確度超過 87%，其中幾乎半數的預填欄位準確度達 95%，甚至更高。所處理的所有理賠，大約一半完全未經人工重新鍵入，或調整資料輸入。nib 的團隊只需要快速審閱，逐筆處理理賠即可。

結果，Melvin 為處理的每筆理賠省去足足約 20 秒，公司每日能夠處理的理賠件數明顯增加。

Melvin 每日已能處理超過 150 件理賠，nib 仍繼續研究是否不久之後能讓某個百分比的理賠數在毫無人工介入之下處理完成。Finch 指出：「終究，那是最終目標。理想上，我們希望能讓高比例的理賠即時自動處理，會員在幾分鐘內收到回覆。這就是我們建置的方向，其中達成的關鍵在於資料擷取。」

nib 於 2017 年啟用聊天機器人 nibby。與 AWS 合作夥伴 DiUS 共同創造，其中利用 Amazon Lex，也就是Amazon Alexa 所採用技術相同的深度學習技術。該聊天機器人能將基本的保單保障問題從 nib 的聯絡中心引出，讓客服人員專心處理較複雜的詢問。

Finch 說明：「我們之所以選擇 Lex，因為這是完整套件，能與 AWS 環境的其他面向密切整合。Lex 能包辦沉重的工作，無需僱請資料科學家建立機器學習模型。我們在四到六週內開發出概念驗證。」

這個聊天機器人成效優良。如今，聊天式詢問之中大約有 65% 是由 nibby 處理，只有 35% 轉給客服中心解決。這家保險公司目前每個月能處理大約 15,000 則聊天，nibby 初啟用時則為 4,000 則聊天的處理量。

為趁勝追擊，2019 年，nib 與 Eliiza 合作進一步提升 nibby 的速度和準確度，對於 nibby 資料的分析能力也更強。但如何做呢？

他們開始用 Amazon Kendra (採用機器學習技術的智慧搜尋服務) 做實驗。

當會員詢問：「我的保險有涵蓋 X 光嗎？」，nibby 現在已能詳細回答。先前，nibby 的作法是分享保單文件的連結。可惜的是，大多數的人不想閱讀那些文件，很可能會改為打電話或以線上聊天聯絡。目前，nibby 握有所需的內容，能立即為會員提供關於特定保單的準確回覆。

為了能夠辦到，Eliiza 利用 Amazon Kendra 建置 nibby 的「Kendra 索引」。建立這份索引時，導入了超過 40 份產品揭露聲明，各有數頁之長，並有長篇的保單 PDF 檔案和常見問答集。

Finch 表示：「安裝出奇的快。只需按幾個按鍵，Eliiza 即輕鬆設定 Kendra 索引，並連線到相關資料來源。」

Eliiza 的機器學習工程師 James Dunwoody 補充：「與傳統搜尋技術不同，Kendra 有自然語言搜尋能力，協助 nibby 迅速準確地回答問題，無論資訊深埋在索引中的何處。」

這個解決方案預訂於 2021 年展開。Eliiza 也正與 nib 合作利用 nibby 的聊天資料，目前已整理出超過 30 萬則對話。

最終，nib 和 Eliiza 希望能將 nibby 擴展為也處理電話詢問。

Finch 說明：「我們正在使用 Amazon Connect 讓 nibby 不僅只為聊天導向，而是也以語言為主。我們的會員就能與極像人聲的機器人對話，如此一來便能將更多詢問引出聯絡中心。」

他並說：「我們每個月接到 15 萬通電話，比聊天詢問多 10 倍。只要我們將通話的 10% 引出，就能從節約和效率收到很大的助益。」

透過將勞力密集的重複性任務託付給 AWS 技術，nib 順利持續提升自助服務的目標，這個詞語描述的是無需人工介入的會員詢問百分比。

Finch 說：「成功的一大關鍵指標在於自助服務，我們依此判斷聊天/語音和會員詢問領域的工作成敗。」

八個月之前，這家保險公司的自助服務率是 35% 到 40%。如今已達到 65%，相當於只有 35% 的聊天轉到聯絡中心，其餘由 nibby 專業地處理，讓員工能夠處理較複雜的案件。

「我們未曾料想能使自助服務率超過 50%，所以對於 65% 的成績相當滿意。這是結合幾項科技的成果，包括 Amazon Kendra 和 Amazon Lex，成為 nibby 的後盾。我們的目標是將自助服務率盡可能繼續提高。」

從 Amazon Textract 到 Amazon Lex，再到 Amazon Kendra，nib 已採用一套 AWS 解決方案以突破現狀，為業界開闢創新面貌。

對創新地採行人工智慧和機器學習的資料驅動企業而言，這是精彩的年代。藉由將耗時的任務 (例如資料輸入或應接會員的詢問) 加以自動化，nib 成為領路的顛覆傳統先驅之一。