Python Tabanlı Optik Karakter Tanıma Kullanılarak Sigortacılıkta Taahhüt İşlemlerinin Otomatikleştirilmesi

Uzmanlık Sağlandı

Arka uç, Veri Bilimi ve QA

Sanayi

Sigorta

Müşterimiz,

Amerika Birleşik Devletleri'ndeki en büyük sigorta brokerlerinden biri olan bu şirket, 25 yılı aşkın deneyime sahiptir. Otomobil, motosiklet, tekne, hayat, sağlık, evcil hayvanlar ve diğer sigorta hizmetlerini içeren 40'tan fazla lokasyonda hizmet sunmaktadırlar.

Sigorta brokeri olarak müşterimiz aynı zamanda ABD genelinde çok sayıda sigorta sağlayıcısına sigortacılık hizmetleri de sunmaktadır.

Proje Kapsamı

Sigortacılar, müşterilerinin kişisel ve finansal bilgilerini içeren sigorta belgelerinin gerçekliğini doğrulamak için sigortacılık kullanır. Bu süreç genellikle manuel olarak yapılır ancak makine öğrenimi, doğal dil işleme ve bilişsel bilişim gibi yapay zeka tabanlı teknolojiler kullanılarak otomatikleştirilebilir.

Müşteri akışının yüksek olmasıyla birlikte, müşteri etkileşimini artırmak ve manuel iş yükünü azaltmak için otomasyonu devreye sokmak büyük önem kazandı.

Müşterimizin proje kapsamı, sigortacılık görevlerinin otomatikleştirilmesi etrafında dönüyordu. Talep kaydı sırasında sunulan müşteri bilgilerinin doğrulanması ve aynı bilgilerin dijitalleştirilmesini içerir.

Bu belgeler şunları içeriyordu:

• Talep sahibinin adını, plaka numarasını, doğum tarihini, cinsiyetini, poliçe numarasını ve daha fazlasını içeren Motorlu Taşıt Kayıtları (MVR).
• Davacının imzası (elektronik veya fotoğrafik).
• Araç bilgileri: üretim yılı, marka, model ve araç kimlik numarası (VIN).
• Talep edenin banka bilgilerinin çapraz doğrulanması.

Meydan okumak

Taahhüt, geleneksel olarak çeşitli belgeleri ve kanıtları manuel olarak doğrulamayı içeren sıkıcı bir süreç olabilir. Değerlendirme yaparken, bir sigortacı öncelikle şirketin risklerini korumak zorunda olduğundan son derece dikkatli olmalıdır.

Bu kadar uzun bir satış döngüsü için manuel doğrulama süreci bolca zaman, enerji ve iş gücü gerektirirken, hataya da açık olup, müşteri kaybına neden olmaktadır.

Müvekkilimizin teminat altına alma ön koşulu, talep sahibinin belgelerini hızla tarayabilen bir Optik Karakter Tanıma modeliyle bu zorluğun üstesinden gelmekti. Bunlar arasında ilk kayıp bildirimi belgeleri, banka ekstreleri, kredi puanları ve diğer basılı veya elle yazılmış talep işleme belgeleri yer alır. Model bunları yazıya döker ve dijitalleştirilmiş bir kopya oluştururdu.

Müşterimiz, sigorta sektörüne yönelik özel çözümler üretme konusunda uzmanlığa ve deneyime sahip bir yapay zeka çözümleri ortağıyla ortaklık kurmak istiyordu.

Gereksinimleri şunlardı:

• FNOL'lar, banka ekstreleri, kredi puanları vb. belgeleri dijitalleştirin.
• Sürücü belgeleri, araç tescil belgeleri, poliçe türü ve detayları gibi manuel veya basılı belgeleri, hiçbir veriyi atlamadan orijinal müşteri belgeleriyle çapraz referanslama yaparak doğrulayın.
• Herhangi bir insan müdahalesi olmadan, birden fazla uygulamayı 7/24 paralel olarak işleyin.
• İşlenmiş verileri tekrarlanmadan sistematik bir şekilde saklayın.
• Doğrulama durumunu tahmini bir zaman dilimi içerisinde acenteler veya müşterilerle paylaşın.

Neden Maruti Techlabs?

Maruti Techlabs daha önce sigorta sektöründe AI projeleri üzerinde çalışmıştı. Müşterinin ekibiyle bağlantıya geçerek, sigortacılık süreçlerini iyileştirme konusundaki uzmanlığımızı görüştük. Uzmanlarımız, AI çözümleri kullanılarak ele alınabilecek sigortacılık ve ilgili operasyonel süreçleri hakkında daha derin içgörüler elde etmek istedi.

Karşılaştıkları zorlukları öğrendikten ve bizim kabiliyetlerimizi değerlendirdikten sonra, her iki taraf da deneme amaçlı olarak zaman kısıtlamalı bir Kavram Kanıtı (PoC) çalışması yapmayı kabul etti.

PoC'nin başarılı bir şekilde yürütülmesinin ardından otomasyon girişimlerine devam ettiler. Daha sonra projenin kapsamını öğrendik ve kapsamlı bir zaman çizelgesi geliştirdik.

İş hedeflerini anlama yaklaşımımız, önerilen çözümü zaman sınırlı bir Kavram Kanıtı aracılığıyla doğrulamamız ve sektördeki meslektaşlarımızdan gelen öneriler, müşterimizin karar alma sürecinde önemli faktörlerdi. Bu faktörler, müşterimize Maruti Techlabs ile devam etme konusunda güven verdi.

Çözüm

Tutarsızlıkları, eksik bilgileri veya hataları arayacak ve bu uygulamaların manuel inceleme için işaretleneceği Python tabanlı bir OCR modeli oluşturduk. İşaretlenmemiş belgeler işlenmek üzere sigortacılara gönderilecekti.

Birincil hedefimiz, el yazısıyla yazılmış veya basılı bir FNOL belgesinden gerekli verileri çıkarmak ve bunları müşterinin kayıtlı kimlik bilgileriyle çapraz referanslayarak düzeltmekti.

Geliştirme ekibimizin karşılaştığı en büyük zorluklardan biri, modeli etkili bir şekilde eğitmek için niceliksel ve nitel verileri modele girmekti.

Optik Karakter Tanıma kullanılarak belge işlemenin adım adım uygulanması süreci şöyledir:

1. Giriş görüntüsünün ön işlenmesi: Bu, görüntü tanıma bileşenine sahip herhangi bir görev için gerçekleştirilmesi gereken en önemli adımdır. Burada, görüntüleri basitleştirmek, ilgili kenarları tespit etmek ve karakterlerin ana hatlarını yorumlamak için Tesseract'ı kullandık.

2. Metni algılama: Bu adımda, görüntüdeki karakterlerin etrafına bir kutucuk işaretledik. Aynısı YOLOv5 ile gerçek zamanlı nesne algılama kullanılarak yapıldı.

3. Karakterlerin tanınması: Son adım, önceki adımda kutulanmış karakterlerin tanınmasını içerir. Aynısını uygulamak için PyTorch kullanıldı.

   
   

Modelimizi müşteri tarafından sağlanan test verilerini kullanarak test ettik. Model çok sayıda kullanım durumuyla denenip test edildikten sonra çevrimiçi platformlarına dağıtıldı.

İletişim ve İşbirliği

Maruti Techlabs'ta herhangi bir proje üzerinde çalışırken iletişimde şeffaflığı sağlamayı seviyoruz.

Bu projede sprint yönetimi, görev oluşturma, yol haritası takibi ve birikmiş işlerin düzenlenmesi için JIRA'dan yararlandık.

Bunun dışında, geliştirme ilerlemesini ve projeyle ilgili ayrıntıları paylaşmak için Google Meet'te haftalık görüşmeler planladık. Her iki taraf da günlük iletişimi yürütmek için Slack'i kullandı.

Projenin geliştirme aşaması için aşağıdaki ekibi görevlendirdik:

• Proje Yöneticisi - projenin tüm zaman çizelgesini planlamak, sorumlulukları ekip üyelerine devretmek ve proje teslimatlarının zamanında teslim edilmesini izlemek.
• Teknik Lider - geliştirme ekibini kararlaştırılan teslimatları başarmak için yönlendirmek. Ekip üyelerini denetlemek, görevleri devretmek, geri bildirim sunmak, riskleri hesaplamak ve çatışmaları çözmek anlamına gelir.
• Yazılım Geliştiricileri - model için kod yazarken, aynı zamanda yazılımı etkili bir şekilde oluşturur, bakımını yapar, düzeltir ve yükseltir.
• QA - titiz testler, hata takibi ve risk azaltma yoluyla yazılım kalitesinin sağlanması.

Teknoloji Yığını

Sonuçlar

• OCR modelimiz, müşterimizin teminat altına alma sürecinde aşağıdaki iyileştirmeleri sağladı:

  • Belge sınıflandırması kullanılarak veri doğruluğu artırılırken veri çoğaltma riski azaltıldı.

  • Otomatik sigortacılık görevleri, harcanan zamanı %40 oranında azaltarak yüksek öncelikli görevlere odaklanmak için daha fazla zaman sağlıyor.

  • Risk puanlaması ve dolandırıcılık içgörüleri kullanılarak güçlendirilmiş güvenlik.

  • Taleplerin işlenmesi için özel uçtan uca bir süreçle genel müşteri deneyimini geliştirdi.

    
    

Müşterimiz, sigortacılık süreçlerini optimize etme ve yapay zeka destekli otomasyon yoluyla müşteri değeri yaratma konusunda Maruti Techlabs'ın yardımlarından yararlandı.

Geliştirme Sürecimiz

Kullanıcılarınızın fikirlerini iş birliği ve hızlı uygulama yoluyla gerçeğe dönüştüren üstün bir prototip oluşturmak için Agile, Lean ve DevOps en iyi uygulamalarını takip ediyoruz. En büyük önceliğimiz hızlı tepki süresi ve erişilebilirliktir.

Gerçekten sizin geniş ekibiniz olmak istiyoruz, bu nedenle düzenli toplantıların dışında, ekip üyelerimizin her birinin bir telefon görüşmesi, e-posta veya mesaj uzağınızda olduğundan emin olabilirsiniz.