Automatisierung der Risikoprüfung in der Versicherung durch optische Zeichenerkennung auf Python-Basis

Geliefertes Fachwissen

Backend, Data Science und Qualitätssicherung

Industrie

Versicherung

Unser Kunde,

Einer der größten Versicherungsmakler in den Vereinigten Staaten mit über 25 Jahren Erfahrung. Er bietet an über 40 Standorten Dienstleistungen in den Bereichen Auto, Motorrad, Boot, Leben, Gesundheit, Haustiere und andere Versicherungen an.

Als Versicherungsmakler führt unser Kunde außerdem Underwriting-Dienstleistungen für zahlreiche Versicherungsanbieter in den USA durch.

Projektumfang

Versicherer verwenden Underwriting, um die Echtheit von Versicherungsdokumenten ihrer Kunden zu überprüfen, die persönliche und finanzielle Informationen enthalten. Dieser Prozess wird normalerweise manuell durchgeführt, kann aber mithilfe KI-basierter Technologien wie maschinellem Lernen, natürlicher Sprachverarbeitung und kognitivem Computing automatisiert werden.

Angesichts des hohen Kundenzustroms ist die Einführung von Automatisierung zur Steigerung der Kundenbindung und Verringerung des manuellen Arbeitsaufwands von größter Bedeutung geworden.

Der Projektumfang unseres Kunden drehte sich um die Automatisierung der Underwriting-Aufgaben. Dazu gehört die Überprüfung der bei der Schadensmeldung angegebenen Kundeninformationen und deren Digitalisierung.

Zu diesen Dokumenten gehörten:

• Kraftfahrzeugunterlagen (MVR), bestehend aus Name des Antragstellers, Führerscheinnummer, Geburtsdatum, Geschlecht, Versicherungsnummer und mehr.
• Unterschrift des Anspruchstellers (elektronisch oder per Foto).
• Fahrzeugdetails: Baujahr, Marke, Modell und Fahrzeugidentifikationsnummer (VIN).
• Gegenprüfung der Bankdaten eines Antragstellers.

Herausforderung

Underwriting kann ein langwieriger Prozess sein, der traditionell die manuelle Überprüfung verschiedener Dokumente und Nachweise beinhaltet. Bei der Bewertung muss ein Underwriter sehr aufmerksam sein, da er in erster Linie die Risiken des Unternehmens absichern muss.

Der manuelle Verifizierungsprozess für einen so langen Verkaufszyklus erfordert viel Zeit, Energie und Arbeitskraft, lässt aber dennoch Raum für Fehler, die zum Verlust von Kunden führen.

Die Voraussetzung unseres Kunden für die Versicherungsübernahme war, diese Herausforderung mit einem Modell zur optischen Zeichenerkennung zu bewältigen, das die Dokumente des Anspruchstellers schnell scannen kann. Dazu gehören Dokumente zur ersten Schadensmeldung, Kontoauszüge, Kreditscores und andere gedruckte oder handschriftliche Dokumente zur Schadensabwicklung. Das Modell transkribiert diese und erstellt eine digitalisierte Kopie.

Unser Kunde war auf der Suche nach einem KI-Lösungspartner mit Fachwissen und Erfahrung in der Entwicklung maßgeschneiderter Lösungen für die Versicherungsbranche.

Zu ihren Anforderungen gehörten:

• Digitalisieren Sie Dokumente wie FNOLs, Kontoauszüge, Kredit-Scores usw.
• Überprüfen Sie manuelle oder gedruckte Dokumente wie Führerscheine, Fahrzeugzulassungsbescheinigungen, Versicherungsart und -details usw. durch Querverweise mit den Originalkundendokumenten, ohne Daten zu überspringen.
• Verarbeiten Sie mehrere Anwendungen parallel, rund um die Uhr, ohne menschliches Eingreifen.
• Verarbeitete Daten systematisch und ohne Duplizierung speichern.
• Geben Sie den Verifizierungsstatus innerhalb eines geschätzten Zeitrahmens an Agenten oder Kunden weiter.

Warum Maruti Techlabs?

Maruti Techlabs hatte zuvor an KI-Projekten in der Versicherungsbranche gearbeitet. Wir setzten uns mit dem Team des Kunden in Verbindung, um unsere Expertise bei der Verbesserung seiner Underwriting-Prozesse zu besprechen. Unsere Experten wollten tiefere Einblicke in ihre Underwriting- und damit verbundenen Betriebsprozesse gewinnen, die mithilfe von KI-Lösungen angegangen werden könnten.

Nachdem wir die Herausforderungen kennengelernt und unsere Fähigkeiten bewertet hatten, einigten sich beide Parteien darauf, einen zeitlich begrenzten Proof of Concept (PoC) als Probelauf durchzuführen.

Nach der erfolgreichen Durchführung des PoC setzten sie ihr Automatisierungsvorhaben fort. Anschließend lernten wir den Umfang des Projekts kennen und entwickelten einen umfassenden Zeitplan.

Unser Ansatz, die Geschäftsziele unseres Kunden zu verstehen, die vorgeschlagene Lösung durch einen zeitlich begrenzten Proof of Concept zu validieren und Empfehlungen von Branchenkollegen waren entscheidende Faktoren für den Entscheidungsprozess unseres Kunden. Diese Faktoren gaben unserem Kunden das Vertrauen, mit Maruti Techlabs fortzufahren.

Lösung

Wir haben ein Python-basiertes OCR-Modell erstellt, das nach Inkonsistenzen, fehlenden Informationen oder Fehlern sucht und diese Anträge zur manuellen Überprüfung kennzeichnet. Die nicht gekennzeichneten Dokumente werden zur Bearbeitung an die Versicherer gesendet.

Unser Hauptziel bestand darin, wichtige Daten aus einem handschriftlichen oder gedruckten FNOL-Dokument zu extrahieren und sie durch Querverweise mit den registrierten Anmeldeinformationen des Kunden zu korrigieren.

Eine große Herausforderung für unser Entwicklungsteam bestand darin, quantitative und qualitative Daten in das Modell einzuspeisen, um es effektiv zu trainieren.

Hier ist der schrittweise Prozess der Implementierung der Dokumentenverarbeitung mithilfe der optischen Zeichenerkennung:

1. Vorverarbeitung des Eingabebildes: Dies ist der wichtigste Schritt, der bei jeder Aufgabe mit einer Bilderkennungskomponente durchgeführt werden muss. Hier haben wir Tesseract verwendet, um Bilder zu vereinfachen, relevante Kanten zu erkennen und die Umrisse von Zeichen zu interpretieren.

2. Text erkennen: In diesem Schritt haben wir ein Kästchen um die Zeichen im Bild markiert. Dasselbe wurde mithilfe der Echtzeit-Objekterkennung mit YOLOv5 erreicht.

3. Zeichenerkennung: Der letzte Schritt umfasst die Erkennung der im vorherigen Schritt eingerahmten Zeichen. Zur Implementierung wurde PyTorch genutzt.

   
   

Wir haben unser Modell mit den vom Kunden bereitgestellten Testdaten getestet. Nachdem das Modell in zahlreichen Anwendungsfällen erprobt und getestet wurde, wurde es auf den Online-Plattformen des Kunden bereitgestellt.

Kommunikation und Zusammenarbeit

Bei Maruti Techlabs legen wir bei der Arbeit an jedem Projekt Wert auf transparente Kommunikation.

Wir haben JIRA für das Sprint-Management, die Aufgabenerstellung, die Roadmap-Verfolgung und die Backlog-Pflege für dieses Projekt genutzt.

Darüber hinaus haben wir wöchentliche Telefonkonferenzen über Google Meet geplant, um den Entwicklungsfortschritt und Einzelheiten zum Projekt zu teilen. Für die tägliche Kommunikation nutzten beide Parteien Slack.

Für die Entwicklungsphase des Projekts haben wir das folgende Team eingesetzt:

• Projektmanager – plant den gesamten Projektzeitplan, delegiert Verantwortlichkeiten an Teammitglieder und überwacht die rechtzeitige Lieferung der Projektergebnisse.
• Technische Leitung – Leitung des Entwicklungsteams zur Erreichung der vereinbarten Leistungen. Dazu gehört die Überwachung der Teammitglieder, das Delegieren von Aufgaben, das Geben von Feedback, das Berechnen von Risiken und das Schlichten von Konflikten.
• Softwareentwickler – schreiben Code für das Modell und erstellen, warten, korrigieren und aktualisieren gleichzeitig die Software, um ihre Effizienz zu steigern.
• Qualitätssicherung – Sicherstellung der Softwarequalität durch sorgfältiges Testen, Fehlerverfolgung und Risikominimierung.

Technologie-Stack

Ergebnisse

• Unser OCR-Modell bot die folgenden Verbesserungen im Underwriting-Prozess unseres Kunden:

  • Es erhöht die Datengenauigkeit und reduziert gleichzeitig das Risiko einer Datenduplizierung durch die Dokumentklassifizierung.

  • Automatisierte Underwriting-Aufgaben, die den Zeitaufwand um 40 % reduzieren und mehr Zeit für die Konzentration auf Aufgaben mit hoher Priorität lassen.

  • Verstärkte Sicherheit durch Risikobewertung und Erkenntnisse zum Betrugsschutz.

  • Es verbesserte das gesamte Kundenerlebnis durch einen speziellen End-to-End-Prozess zur Schadensabwicklung.

    
    

Unser Kunde profitierte von der Unterstützung von Maruti Techlabs bei der Optimierung seines Underwriting-Prozesses und der Schaffung von Kundennutzen durch KI-gesteuerte Automatisierung.

Unser Entwicklungsprozess

Wir befolgen die Best Practices von Agile, Lean und DevOps, um einen hervorragenden Prototyp zu erstellen, der die Ideen Ihrer Benutzer durch Zusammenarbeit und schnelle Umsetzung zum Leben erweckt. Unsere oberste Priorität sind schnelle Reaktionszeiten und Zugänglichkeit.

Wir möchten wirklich Ihr erweitertes Team sein. Abgesehen von den regelmäßigen Meetings können Sie daher sicher sein, dass jedes unserer Teammitglieder nur einen Anruf, eine E-Mail oder eine Nachricht entfernt ist.