파이썬 기반 광학 문자 인식을 사용하여 보험 인수 자동화

전달된 전문성

백엔드, 데이터 과학 및 QA

산업

보험

우리의 고객,

미국에서 가장 큰 보험 중개인 중 하나로 25년 이상의 경험을 보유하고 있습니다. 자동차, 오토바이, 보트, 생명, 건강, 반려동물 및 기타 보험 서비스를 포함한 40개 이상의 장소에서 서비스를 제공합니다.

보험 중개인으로서, 당사의 고객은 또한 미국 전역에 걸쳐 수많은 보험 제공업체를 대상으로 보험 인수 서비스를 제공합니다.

프로젝트 범위

보험사는 인수를 통해 고객의 개인 및 금융 정보가 포함된 보험 문서의 진위성을 확인합니다. 이 프로세스는 일반적으로 수동으로 수행되지만 머신 러닝, 자연어 처리, 인지 컴퓨팅과 같은 AI 기반 기술을 사용하여 자동화할 수 있습니다.

고객 유입이 급증함에 따라 고객 참여를 늘리고 수동 작업량을 줄이기 위해 자동화를 도입하는 것이 가장 중요해졌습니다.

당사 고객의 프로젝트 범위는 인수 업무 자동화를 중심으로 진행되었습니다. 여기에는 청구 등록 중에 제공된 고객 정보의 검증과 디지털화가 포함됩니다.

이 문서에는 다음이 포함되었습니다.

• 청구인의 이름, 면허 번호, 생년월일, 성별, 정책 번호 등이 포함된 자동차 기록(MVR)입니다.
• 청구인의 서명(전자 또는 사진).
• 차량 세부 정보: 제조연도, 제조사, 모델, 차량 식별 번호(VIN).
• 청구인의 은행 신원정보를 교차 검증합니다.

도전

인수는 전통적으로 다양한 문서와 증빙을 수동으로 검증하는 지루한 과정이 될 수 있습니다. 평가하는 동안 인수자는 주로 회사의 위험을 보호해야 하므로 매우 주의를 기울여야 합니다.

이렇게 긴 판매 주기를 위한 수동 검증 프로세스에는 많은 시간, 에너지, 인력이 필요하지만 오류가 발생할 여지가 많고, 이는 결국 고객을 잃는 결과를 초래합니다.

우리 고객의 인수 전제 조건은 청구인의 문서를 빠르게 스캔할 수 있는 광학 문자 인식 모델로 이 과제를 충족하는 것이었습니다. 여기에는 손실에 대한 첫 번째 통지 문서, 은행 거래 내역서, 신용 점수 및 기타 인쇄 또는 손으로 쓴 청구 처리 문서가 포함됩니다. 이 모델은 동일한 내용을 필사하여 디지털화된 사본을 렌더링합니다.

저희 고객은 보험 산업에 맞는 맞춤형 솔루션을 구축하는 데 전문성과 경험을 갖춘 AI 솔루션 파트너 와 협력하기를 원했습니다.

그들의 요구 사항은 다음과 같습니다.

• FNOL, 은행 거래 내역서, 신용 점수 등의 문서를 디지털화합니다.
• 운전면허증, 차량 등록증, 정책 유형 및 세부 정보 등과 같은 수동 또는 인쇄된 문서를 원본 고객 문서와 교차 참조하여 데이터를 건너뛰지 않고 검증합니다.
• 인간의 개입 없이 24시간 내내 여러 애플리케이션을 병렬로 처리합니다.
• 처리된 데이터를 중복 없이 체계적으로 저장합니다.
• 예상 기간 내에 에이전트나 고객에게 검증 상태를 공유합니다.

왜 Maruti Techlabs인가?

Maruti Techlabs는 이전에 보험 산업 내에서 AI 프로젝트를 진행했습니다. 우리는 고객 팀과 연락하여 인수 프로세스를 개선하는 데 대한 전문성을 논의했습니다. 우리 전문가들은 AI 솔루션을 사용하여 해결할 수 있는 인수 및 관련 운영 프로세스에 대한 더 깊은 통찰력을 얻고 싶어했습니다.

양측은 각자의 과제를 파악하고 당사의 역량을 평가한 후, 시범적으로 시간 제약이 있는 개념 증명(PoC)을 진행하기로 합의했습니다.

PoC를 성공적으로 실행한 후, 그들은 자동화 벤처를 진행했습니다. 그 후, 우리는 프로젝트의 범위를 알게 되었고 포괄적인 타임라인을 개발했습니다.

고객의 사업 목표를 이해하고, 시간 제한이 있는 Proof of Concept를 통해 제안된 솔루션을 검증하고, 업계 동료의 추천을 받는 데 대한 당사의 접근 방식은 당사 고객의 의사 결정 프로세스에 중요한 요소였습니다. 이러한 요소 덕분에 당사 고객은 Maruti Techlabs를 계속 사용할 수 있는 자신감을 얻었습니다.

해결책

우리는 불일치, 누락된 정보 또는 오류를 찾는 Python 기반 OCR 모델을 만들었고, 이러한 애플리케이션은 수동 검토를 위해 플래그가 지정됩니다. 플래그가 지정되지 않은 문서는 처리를 위해 인수인에게 전송됩니다.

우리의 주요 목표는 손으로 쓰거나 인쇄한 FNOL 문서에서 필수 데이터를 추출하고 이를 고객의 등록 자격증명과 교차 참조하여 수정하는 것이었습니다.

저희 개발팀이 직면한 주요 과제 중 하나는 효과적으로 모델을 훈련시키기 위해 양적, 질적 데이터를 모델에 공급하는 것이었습니다.

광학 문자 인식을 사용하여 문서 처리를 구현하는 단계별 프로세스는 다음과 같습니다.

1. 입력 이미지 전처리: 이것은 이미지 인식 구성 요소가 있는 모든 작업에 대해 수행해야 하는 가장 중요한 단계입니다. 여기서 우리는 Tesseract를 사용하여 이미지를 단순화하고, 관련 에지를 감지하고, 문자의 윤곽을 해석했습니다.

2. 텍스트 감지: 이 단계에서는 이미지의 문자 주위에 상자를 표시했습니다. YOLOv5를 사용한 실시간 객체 감지를 사용하여 동일한 작업을 수행했습니다.

3. 문자 인식: 마지막 단계는 이전 단계에서 박스로 표시된 문자를 인식하는 것을 포함합니다. PyTorch를 활용하여 이를 구현했습니다.

   
   

우리는 클라이언트가 제공한 테스트 데이터를 사용하여 모델을 테스트했습니다. 모델이 수많은 사용 사례로 시도되고 테스트된 후, 온라인 플랫폼에 배포되었습니다.

소통과 협업

Maruti Techlabs에서는 모든 프로젝트를 진행하는 동안 의사소통의 투명성을 보장하고자 합니다.

이 프로젝트의 스프린트 관리, 작업 생성, 로드맵 추적, 백로그 정리를 위해 JIRA를 활용했습니다.

이 외에도 Google Meet에서 주간 통화를 예약하여 개발 진행 상황과 프로젝트에 대한 세부 정보를 공유했습니다. 양측은 Slack을 사용하여 일상적인 커뮤니케이션을 수행했습니다.

우리는 프로젝트의 개발 단계에 다음과 같은 팀을 배치했습니다.

• 프로젝트 관리자 - 프로젝트 전체의 일정을 계획하고, 팀원에게 책임을 위임하고, 프로젝트 성과물의 적시 전달을 모니터링합니다.
• 기술 책임자 - 개발팀을 이끌고 결정된 성과물을 달성합니다. 여기에는 팀원 감독, 업무 위임, 피드백 제공, 위험 계산 및 갈등 해결이 포함됩니다.
• 소프트웨어 개발자 - 효율성을 위해 소프트웨어를 제작, 유지 관리, 수정, 업그레이드하면서 모델에 대한 코드를 작성합니다.
• QA - 꼼꼼한 테스트, 결함 추적, 위험 완화를 통해 소프트웨어 품질을 보장합니다.

기술 스택

결과

• 우리 회사의 OCR 모델은 고객의 인수 프로세스에 다음과 같은 개선을 제공했습니다.

  • 문서 분류를 통해 데이터 중복 위험을 줄이는 동시에 데이터 정확도를 높였습니다.

  • 자동화된 인수 업무로 소요시간이 40% 단축되고 우선순위가 높은 업무에 집중할 수 있는 시간이 늘어났습니다.

  • 위험 평가 및 사기 통찰력을 활용하여 보안을 강화했습니다.

  • 클레임 처리를 위한 전담 엔드투엔드 프로세스를 통해 전반적인 고객 경험이 향상되었습니다.

    
    

우리 고객은 Maruti Techlabs의 지원을 통해 인수 프로세스를 최적화하고 AI 기반 자동화를 통해 고객 가치를 창출하는 데 도움을 받았습니다.

우리의 개발 프로세스

우리는 Agile, Lean & DevOps 모범 사례를 따라 협업 및 신속한 실행을 통해 사용자의 아이디어를 실현하는 우수한 프로토타입을 만듭니다. 우리의 최우선 순위는 빠른 반응 시간과 접근성입니다.

우리는 여러분의 확장된 팀이 되고 싶어합니다. 정기 회의 외에도 우리 팀원 각자는 전화 한 통화, 이메일 또는 메시지 한 통으로 여러분과 소통할 수 있다는 것을 확신하셔도 좋습니다.