Chuyên môn được cung cấp  Backend, Khoa học dữ liệu và QA  Ngành công nghiệp  Bảo hiểm  Khách hàng của chúng tôi,  Một trong những công ty môi giới bảo hiểm lớn nhất tại Hoa Kỳ, có hơn 25 năm kinh nghiệm. Họ cung cấp dịch vụ tại hơn 40 địa điểm bao gồm ô tô, xe máy, thuyền, nhân thọ, sức khỏe, vật nuôi và các dịch vụ bảo hiểm khác.  Là một công ty môi giới bảo hiểm, khách hàng của chúng tôi cũng tiến hành các dịch vụ bảo hiểm cho nhiều công ty bảo hiểm trên khắp Hoa Kỳ.  Phạm vi dự án  Các công ty bảo hiểm sử dụng bảo lãnh để xác minh tính xác thực của các tài liệu bảo hiểm của khách hàng có chứa thông tin cá nhân và tài chính. Quá trình này thường được thực hiện thủ công nhưng có thể được tự động hóa bằng các công nghệ dựa trên AI như máy học, xử lý ngôn ngữ tự nhiên và điện toán nhận thức.  Với lượng khách hàng lớn, việc áp dụng tự động hóa để tăng mức độ tương tác của khách hàng và giảm khối lượng công việc thủ công đã trở nên tối quan trọng.  Phạm vi dự án của khách hàng chúng tôi xoay quanh việc tự động hóa các nhiệm vụ bảo lãnh. Bao gồm xác minh thông tin khách hàng được cung cấp trong quá trình đăng ký yêu cầu bồi thường và số hóa thông tin đó.  Những tài liệu này bao gồm:  Hồ sơ phương tiện cơ giới (MVR) bao gồm tên người yêu cầu bồi thường, số giấy phép, ngày sinh, giới tính, số hợp đồng bảo hiểm và nhiều thông tin khác.  Chữ ký của người yêu cầu bồi thường (điện tử hoặc ảnh).  Chi tiết về xe: năm sản xuất, nhãn hiệu, kiểu xe và số nhận dạng xe (VIN).  Xác minh chéo thông tin ngân hàng của người yêu cầu bồi thường.  Thử thách  Bảo lãnh có thể là một quá trình tẻ nhạt, theo truyền thống bao gồm việc xác minh thủ công nhiều tài liệu và bằng chứng khác nhau. Trong khi đánh giá, người bảo lãnh phải hết sức chú ý vì họ chủ yếu phải bảo vệ rủi ro của công ty.  Quá trình xác minh thủ công cho một chu kỳ bán hàng dài như vậy đòi hỏi nhiều thời gian, năng lượng và nhân lực nhưng vẫn có khả năng xảy ra sai sót, dẫn đến mất khách hàng.  Điều kiện tiên quyết của khách hàng chúng tôi để bảo lãnh là đáp ứng thách thức này bằng mô hình Nhận dạng ký tự quang học có thể quét nhanh các tài liệu của người yêu cầu bồi thường. Chúng bao gồm các tài liệu thông báo mất mát đầu tiên, sao kê ngân hàng, điểm tín dụng và các tài liệu xử lý yêu cầu bồi thường được in hoặc viết tay khác. Mô hình sẽ sao chép các tài liệu đó và tạo ra một bản sao được số hóa.  Khách hàng của chúng tôi đang tìm kiếm đối   có chuyên môn và kinh nghiệm trong việc xây dựng các giải pháp phù hợp cho ngành bảo hiểm. tác giải pháp AI  Yêu cầu của họ bao gồm:  Số hóa các tài liệu như FNOL, sao kê ngân hàng, điểm tín dụng, v.v.  Xác minh các tài liệu thủ công hoặc in ra, chẳng hạn như giấy phép lái xe, giấy chứng nhận đăng ký xe, loại và chi tiết chính sách, v.v., bằng cách đối chiếu với các tài liệu gốc của khách hàng mà không bỏ sót bất kỳ dữ liệu nào.  Xử lý nhiều ứng dụng song song, 24 x 7, mà không cần sự can thiệp của con người.  Lưu trữ dữ liệu đã xử lý một cách có hệ thống mà không bị trùng lặp.  Chia sẻ trạng thái xác minh với các đại lý hoặc khách hàng trong khung thời gian ước tính.  Tại sao lại chọn Maruti Techlabs?  Maruti Techlabs trước đây đã làm việc trên các dự án AI trong ngành bảo hiểm. Chúng tôi đã kết nối với nhóm của khách hàng để thảo luận về chuyên môn của chúng tôi trong việc nâng cao quy trình thẩm định của họ. Các chuyên gia của chúng tôi muốn có được hiểu biết sâu hơn về quy trình thẩm định và các quy trình hoạt động liên quan có thể được giải quyết bằng các giải pháp AI.  Sau khi tìm hiểu những thách thức của họ và đánh giá năng lực của chúng tôi, cả hai bên đã đồng ý tiến hành một Bằng chứng khái niệm (PoC) có giới hạn thời gian như một lần chạy thử nghiệm.  Sau khi thực hiện thành công PoC, họ đã tiến hành dự án tự động hóa của mình. Sau đó, chúng tôi đã tìm hiểu phạm vi của dự án và xây dựng một mốc thời gian toàn diện.  Cách tiếp cận của chúng tôi để hiểu các mục tiêu kinh doanh của họ, xác thực giải pháp được đề xuất thông qua Bằng chứng khái niệm có giới hạn thời gian và các khuyến nghị từ các đồng nghiệp trong ngành là những yếu tố quan trọng cho quá trình ra quyết định của khách hàng. Những yếu tố này đã mang lại cho khách hàng của chúng tôi sự tự tin để tiếp tục với Maruti Techlabs.  Giải pháp  Chúng tôi đã tạo ra một mô hình OCR dựa trên Python để tìm kiếm sự không nhất quán, thông tin bị thiếu hoặc lỗi và các ứng dụng này sẽ được đánh dấu để xem xét thủ công. Các tài liệu không được đánh dấu sẽ được gửi đến bên bảo lãnh để xử lý.  Mục tiêu chính của chúng tôi là trích xuất dữ liệu cần thiết từ tài liệu FNOL viết tay hoặc in và chỉnh sửa bằng cách đối chiếu với thông tin đăng ký của khách hàng.   Một thách thức lớn mà nhóm phát triển của chúng tôi phải đối mặt là đưa dữ liệu định lượng và định tính vào mô hình để đào tạo mô hình một cách hiệu quả.  Sau đây là quy trình từng bước triển khai xử lý tài liệu bằng Nhận dạng ký tự quang học:     Đây là bước quan trọng nhất phải thực hiện đối với bất kỳ tác vụ nào có thành phần nhận dạng hình ảnh. Ở đây, chúng tôi sử dụng Tesseract để đơn giản hóa hình ảnh, phát hiện các cạnh có liên quan và diễn giải đường viền của các ký tự. Tiền xử lý hình ảnh đầu vào:    Trong bước này, chúng tôi đánh dấu một hộp xung quanh các ký tự trên hình ảnh. Điều tương tự cũng được thực hiện bằng cách sử dụng phát hiện đối tượng theo thời gian thực với YOLOv5. Phát hiện văn bản:    Bước cuối cùng bao gồm việc nhận dạng các ký tự được đóng hộp ở bước trước. PyTorch được sử dụng để thực hiện điều tương tự.  Nhận dạng ký tự:  Chúng tôi đã thử nghiệm mô hình của mình bằng cách sử dụng dữ liệu thử nghiệm do khách hàng cung cấp. Sau khi mô hình được thử nghiệm và kiểm tra với nhiều trường hợp sử dụng, nó đã được triển khai trên nền tảng trực tuyến của họ.  Giao tiếp và hợp tác  Tại Maruti Techlabs, chúng tôi muốn đảm bảo tính minh bạch trong giao tiếp khi thực hiện bất kỳ dự án nào.  Chúng tôi tận dụng JIRA để quản lý sprint, tạo nhiệm vụ, theo dõi lộ trình và chuẩn bị danh sách tồn đọng cho dự án này.  Ngoài ra, chúng tôi đã lên lịch các cuộc gọi hàng tuần trên Google Meet để chia sẻ tiến độ phát triển và thông tin chi tiết về dự án. Cả hai bên đều sử dụng Slack để thực hiện giao tiếp hàng ngày.  Chúng tôi đã triển khai nhóm sau đây cho giai đoạn phát triển của dự án:    lập kế hoạch cho toàn bộ tiến độ của dự án, phân công trách nhiệm cho các thành viên trong nhóm và giám sát việc hoàn thành các mục tiêu của dự án đúng thời hạn. Quản lý dự án -    dẫn dắt nhóm phát triển đạt được các mục tiêu đã quyết định. Bao gồm giám sát các thành viên trong nhóm, phân công nhiệm vụ, cung cấp phản hồi, tính toán rủi ro và giải quyết xung đột. Trưởng nhóm kỹ thuật -    viết mã cho mô hình trong khi tạo, bảo trì, chỉnh sửa và nâng cấp phần mềm để đạt hiệu quả. Nhà phát triển phần mềm -    đảm bảo chất lượng phần mềm thông qua việc thử nghiệm tỉ mỉ, theo dõi lỗi và giảm thiểu rủi ro. QA -  Công nghệ Stack   Kết quả  Mô hình OCR của chúng tôi mang lại những cải tiến sau đây trong quy trình thẩm định của khách hàng:  Nó làm tăng độ chính xác của dữ liệu đồng thời giảm nguy cơ trùng lặp dữ liệu bằng cách phân loại tài liệu.  Tự động hóa các tác vụ thẩm định, giảm   thời gian thực hiện và dành nhiều thời gian hơn để tập trung vào các tác vụ ưu tiên cao. 40%  Tăng cường bảo mật bằng cách sử dụng thông tin đánh giá rủi ro và gian lận.  Nó nâng cao trải nghiệm tổng thể của khách hàng với quy trình xử lý khiếu nại chuyên dụng từ đầu đến cuối.  Khách hàng của chúng tôi được hưởng lợi từ sự hỗ trợ của Maruti Techlabs trong việc tối ưu hóa quy trình thẩm định và tạo ra giá trị cho khách hàng thông qua tự động hóa dựa trên AI.  Quy trình phát triển của chúng tôi  Chúng tôi tuân theo các phương pháp hay nhất của Agile, Lean và DevOps để tạo ra một nguyên mẫu vượt trội giúp hiện thực hóa ý tưởng của người dùng thông qua sự hợp tác và thực hiện nhanh chóng. Ưu tiên hàng đầu của chúng tôi là thời gian phản ứng nhanh và khả năng tiếp cận.  Chúng tôi thực sự muốn trở thành nhóm mở rộng của bạn, vì vậy ngoài các cuộc họp thường xuyên, bạn có thể chắc chắn rằng mỗi thành viên trong nhóm của chúng tôi chỉ cách bạn một cuộc gọi điện thoại, email hoặc tin nhắn. 

Google

Slack

2022 - HackerNoon Contributor of the Year - Automation

Get in Touch

Nominated for 2022 - HackerNoon Contributor of the Year - Automation

Nghe bài viết này bằng Tiếng Anh, đọc bởi robot thông minh của HackerNoon

Tự động hóa việc bảo hiểm bằng cách sử dụng nhận dạng ký tự quang học dựa trên Python

About Author

BÌNH LUẬN

chuyên mục

BÀI VIẾT NÀY CŨNG CÓ MẶT TẠI

Related Stories

72 Stories To Learn About The Essays Of Adam Smith

189 Stories To Learn About Reading Books

184 Stories To Learn About Psychology

178 Stories To Learn About Essay

72 Stories To Learn About The Essays Of Adam Smith

189 Stories To Learn About Reading Books

184 Stories To Learn About Psychology

178 Stories To Learn About Essay

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps