Qoala Manfaatkan Solusi Machine Learning AWS untuk Dukung Bisnis Insurtech

Teknogav.com – Qoala adalah startup teknologi asuransi (insurtech) yang bermitra dengan retail dan perusahaan asuransi untuk menyediakan asuransi mikro inovatif ke pasaran. Martin Hong, Chief Technology Officer Qoala mengungkapkan penggunaan teknologi machine learning (ML) AWS pada acara diskusi online bersama media. Pemanfaatan ML tersebut digunakan untuk menyederhanakan berbagai proses inspeksi sebelum klaim diajuka. Donnie Prakoso, Developer Advocate, ASEAN, AWS pun membahas tuntas mengenai ML dan mendemonstrasikan solusi yang ditawarkan AWS.

ML merupakan teknologi yang banyak dimanfaatkan seluruh sektor, termasuk sektor layanan kesehatan, manufaktur, jasa keuangan, retail, media dan hiburan. Berbagai pemanfaatan ML mencakup pengembangan chatbot untuk melayani pelanggan, analisis data dan prediksi. Pengintegrasian teknololgi ML pada setiap lini operasional penting dilakukan untuk bisa beradaptasi dan mengoptimalkan bisnis. Berikut ini adalah beberapa manfaat utama bagi pelaku usaha:

menciptakan sumber-sumber pemasukan baru
meningkatkan efisiensi operasional maupun keuangan
mendeteksi dan menanggapi risiko-risiko yang mengancam berjalannya bisnis

Teknologi ML menyajikan otomatisasi yang membantu pelaku bisnis dalam melakukan hal-hal berikut ini:

Pengoptimalan pengalaman pelanggan maupun pengguna
Pengambilan keputusan lebih cepat dan lebih baik
Peningkatan operasional pada bisnis
Pengembangan produk-produk serta layanan-layanan baru

Kendati banyak dibutuhkan, banyak yang masih keliru dalam membedakan antara kecerdasan buatan atau artificial intelligence (AI) dengan ML. AI adalah sistem yang dapat mereplikasi kecerdasan manusia dan menyelesaikan pekerjaan-pekerjaan yang membutuhkan kecerdasan manusia. ML merupakan turunan AI, cara kerja ML adalah mencari pola pada data dan menciptakan model berdasarkan data tersebut. Sementara itu Deep Learning (DL) merupakan serangkaian ML yang terdiri dari jaringan saraf berlapis yang mengerjakan tugas-tugas seperti pengenalan gambar dan pidato.

Donnie Prakoso, Senior Developer Advocate, ASEAN, Amazon Web Services (AWS)

“Tujuan utama pemanfaatan machine learning adalah membuat dan melakukan validasi atas keputusan-keputusan yang menggunakan logika,” ucap Donnie Prakoso, Senior Developer Advocate, ASEAN, Amazon Web Services (AWS).

Qoala Manfaatkan Teknologi ML pada Platform dan Operasional

Sebagai startup insurtech, Qoala menyediakan teknologi yang memungkinkan perusahaan asuransi mengotomatisasi pengambilan keputusan dalam pemrosesan klaim. Teknologi computer vision dan dukungan model ML digunakan Qoala untuk memeriksa gambar atau video yang diunggah. Salah satu contoh kasus adalah untuk mengidentifikasi goresan permukaan, penyok atau kerusakan pada klaim asuransi mobil. Contoh lainnya adalah analisis video untuk mengkonfirmasi keretakan pada layar ponsel.

Martin Hong, CTO Qoala

"Memiliki otomatisasi seperti ini sangat mengurangi waktu dan kebutuhan akan peninjauan fisik secara manual. Juga memungkinkan para partner asuransi agar mampu dengan cepat menyaring dan menolak klaim yang tidak valid," ucap Martin Hong, CTO Qoala.

Contoh pemanfaatan Amazon Sage Maker untuk pemeriksaan di Qoala

Qoala bersama mitra retail dan perusahaan asuransi memang menyediakan produk asuransi mikro untuk perlindungan dari kerusahaan barang-barang pribadi seperti ponsel. Asuransi mikro tersebut juga termasuk perlindungan dari keterlambatan atau pembatalan penerbangan. Seiring peningkatan permintaan asuransi, baik pelanggan maupun mitra penyedia asuransi Qoala menuntut kenyamanan lebih dalam setiap proses. Pemeriksaan bagian kendaraan sebelum dilanjutkan ke pengajuan klaim asuransi. ML memungkinkan untuk menganalisis foto kerusakan secara otomatis, tak perlu lagi mempelajari satu per satu secara manual.

Satya Walpresa, Head of Data Qoala

“Untuk dapat meningkatkan operasional dan platform Qoala, termasuk untuk tujuan manajemen polis asuransi dan validasi dokumen, kami membutuhkan fondasi berupa infrastruktur teknologi yang dapat diskalakan. Ini yang dapat disediakan oleh AWS,” ucap Satya Walpresa, Head of Data Qoala.

Amazon Sage Maker digunakan untuk mengenali dan menghitung tingkat kerusakan di masing-masing bagian mobil. Model ML dilatih menggunakan sampel dengan lebih dari 1.000 jenis mobil. Pengenalan dan penghitungan tingkat kerusakan tersebut dapat diselesaikan hanya dalam hitungan jam, sehingga menghemat waktu dan sumber daya. Kemampuan ini sangat memudahkan lebih dari 50 ribu agen dan tim operasional di Qoala.

Selain itu, Amazon Sage Maker juga memiliki fitur auto-scaling untuk memampukan Qoala fokus pada bagian-bagian mobil yang umum. Bagian-bagian yang jarang mengalami kerusakan hanya perlu diperhatikan sesekali.

AWS Tawarkan Berbagai Solusi AI

Beberapa solusi AI dari AWS mencakup Amazon Textract, Amazon Comprehend dan Amazon Fraud Detector. Amazon Textract mendukung pemrosesan dokumen secara pintar segingga mendukung pengambilan keputusan lebih cepat dengan mengekstran dan menganalisa data otomatis dari dokumen. Solusi ini dapat digunakan pada peusahaan asuransi, pegadaian, layanan kesehatan, keuangan dan hukum. Keuntungan dari solusi ini adalah akurasi data yang tinggi, pemrosesan data cepat, meningkatkan produktivitas karyawan dan penghematan biaya. Bisnis dapat menggunakan solusi ini tanpa harus memiliki pengalaman dalam hal ML.

Solusi AI dan ML yang ditawarkan AWS

Solusi Amazon Comprehend dapat menemukan wawasan dan keterkaitan dalam teks, baik itu dari email, chat, media sosial dan lain-lain. Sedangkan Amazon Fraud Detector memungkinkan untuk melakukan verifikasi identitas pengguna dan mendeteksi pelanggaaran secara online real-time. Solusi Amazon Fraud Detector dapat digunakan untuk KYC, pembayaran online, autentikasi pengguna dan deteksi pengambilalihan akun. Keuntungan dari solusi ini adalah pendeteksian otomatis secara online, peningkatan pengalaman pengguna, mengurangi biaya dan mempercepat modernisasi solusi.

Omnyex memanfaatkan solusi Amazon Fraud Detector untuk meningkatkan proses deteksi pelanggaran dan mengurangi jumlah transaksi yang perlu ditinjau secara manual. Hasil dari penggunaan solusi ini adalah berkurangnya jumlah transaksi yang perlu ditinjau menjadi 1% dari 10% sebelumnya. Secara keseluruhan, Amazon Fraud Detector memungkinkna Omynex mengurangi transaksi pelanggaran sebesar 6%. Kemampuan ini membantu Omnyex untuk fokus pada pelanggan, pelanggan pun bisa tetap memainkan game mereka.

Model Pembelajaran Machine Learning

Ilmu ML memiliki tiga model pembelajaran, yaitu sebagai berikut:

Supervised learning yaitu model pembelajaran dengan label dan akan menghasilkan jawaban yang konsisten. Contohnya adalah jika input data memiliki nilai ‘A’, maka output data akan memiliki nilai ‘B’
Unsupervised learning yaitu model untuk mendapatkan wawasan-wawasan baru dari kata dalam jumlah besar
Reinforcement learning yaitu model yang menerapkan sistem ‘hadiah’ dan ‘hukuman’ dalam mencerdaskan mesin yang sedang dilatih

Sekumpulan proses rumit pada ML disederhanakan AWS dengan mengembangkan layanan ML Amazon SageMaker. Layanan ini menyederhanakan pekerjaan-pekerjaan tersebut dari hulu ke hilir sehingga dapat menghemat biaya.

AWS mengatasi Tantangan dalam Menerapkan ML

Bisnis membutuhkan tenaga ahli dan sumber daya yang besar dalam menerapkan ML. Kebutuhan tersebut mencakup developer yang memiliki keterampilan dalam bidang ML. Kendalanya adalah belum banyak developer yang menguasai bidang ini, tahap pembelajarannya pun membutuhkan teknologi yang mutahir. AWS menyediakan layanan CPU, GPU dan memori untuk penerapan ML yang dapat diakses tanpa biaya, bahkan tanpa persiapan yang ribet. Hal ini sesuai misi utama AWS yaitu demokratisasi dan pemerataan ML bagi setiap developer, baik pemula maupun ahli.

“AWS menyediakan solusi seperti Amazon SageMaker Studio Lab yang berbasis platform komputasi open-source Jupyter Notebook. Developer bebas menggunakan CPU dan GPU pilihannya, serta mendapatkan memori sebesar 15 Gigabyte. Terlebih lagi, layanan ini dapat diakses tanpa biaya dan tanpa persiapan awal yang merepotkan. Ini akan sangat memudahkan developer untuk belajar dan bereksperimen dengan machine learning,” ucap Donnie mengatakan.

Selain Amazon SageMaker Studio Lab, tersedia juga Amazon SageMaker Canvas untuk membuat model ML dengan hasil prediksi yang akurat. Solusi ini membantu developer membuat mode ML tanpa perlu menulis sebaris kode pun. AWS juga memiliki program AWS DeepRacer, yaitu ajang balap mobil otonom yang memanfaatkan teknologi ML untuk berpacu di lintasan. Tujuan kegiatan ini adalah untuk berkenalan dengan dunia ML bagi pelajar maupun masyarakat awam. Berbagai solusi-solusi ML dari AWS tersebut membantu personel lintas tim untuk berkolaborasi secara produktif sehingga micu inovasi melalui ML

Beberapa Contoh Penggunaan Amazon Personalize di Bisnis

Amazon Personalize merupakan layanan AI proses bisnis yang terspesialisasi dari AWS. Lotte Mart menggunakan solusi Amazon Personalize untuk menganalisa riwayat penjualan, metadata produk dan profil pengguna untuk meningkatkan layanan rekomendasi kupon. Hasilnya Lotte Mart dapat mengalami peningkatan respons lima kali limat atas produk yang direkomendasikan dibandingkan solusi legacy sehingga meningkatkan pendapatan pendapatan. Solusi legacy hanya bisa merekomendasikan barang yang pernah dibeli sebelumnya, bukan produk-produk baru. Penggunaan Amazon Personalize berhasil meningkatkan pembelian produk baru sampai 40%.

Bisnis lain yang menggunakan solusi Amazon Personalize adalah e-commerce Pomelo untuk membangun mesin rekmendasi untuk mempersonalisasi pengalaman belanja setiap pelanggan. Solusi tersebut mencerminkan preferensi pengguna pada halaman produk sehingga memicu penjualan. Hasilnya tingkat klik dari kategori ke halaman produk meningkat sampai 18%. Pendapatan kotor dari halaman kategori pun meningkat sampai 15%. Pomelo pun berhaisil memperoleh imbal hasil dari investasinya sebesar 400% dalam satu bulan.