In stark regulierten Umgebungen wie dem Gesundheits- und Versicherungssektor müssen Anbieter häufig Aufgaben wie die Analyse von Gesundheitsrisiken und die Überprüfung von Kundenansprüchen ausführen, während die Daten streng innerhalb der relevanten Gerichtsbarkeit verbleiben müssen.
Die in diesem Dokument beschriebene Lösung bietet eine Blaupause für die Bewältigung dieser Herausforderungen mit Cloud de Confiance by S3NS. Versicherer können BigQuery ML Cloud de Confiance by S3NS bereitstellen, um Gesundheitsrisikobewertungen, Modell pläne und Datenbanken mit Ansprüchen in Echtzeit zu analysieren. Gleichzeitig führt ein lokales, offenes Gemma-LLM-System die Überprüfung von Dokumenten mit Ansprüchen durch, die in Cloud Storage gespeichert sind. Dieser Ansatz gewährleistet kontextbezogene Compliance und vollständige Auditierbarkeit, ohne dass externe API-Aufrufe erfolgen oder Daten außerhalb der souveränen Grenzen verschoben werden.
Sie können diese Lösung bereitstellen, indem Sie der zugehörigen Referenzimplementierung mit Terraform folgen.
Zielgruppe
Diese Lösung wurde für nationale Gesundheitsbehörden oder regulierte Versicherer entwickelt. Sie richtet sich an folgende Stakeholder:
- Auditoren und Sachbearbeiter für Ansprüche , die Showroom-Dashboards überprüfen, um eingereichte Dokumente mit Ansprüchen zu verifizieren, gekennzeichnete Fälle zu prüfen und mit dem KI-Assistenten zu interagieren.
- Data Scientists , die mit JupyterLab-Umgebungen sicher auf Rohdaten zugreifen, um Modelle für die Analyse von Gesundheitsrisiken zu erstellen, zu validieren und auszuführen.
Hauptfunktionen
- Souveräne Gesundheitsmodellierung: Mit BigQuery ML können Sie Ansprüche und Kundendatensätze prüfen, um Gesundheitsrisikofaktoren zu identifizieren, ohne Daten außerhalb der souveränen Grenzen zu verschieben.
- KI-Überprüfung von Ansprüchen: Führen Sie lokalisierte Dokumentprüfungen mit dem offenen Gemma-LLM aus, um Details zu Ansprüchen mit Datenbankeinträgen zu vergleichen.
- Interaktives Chatbot-Widget: Fragen Sie aktive Datenbankansprüche ab und erhalten Sie in Echtzeit kontextbezogene Antworten vom Chatbot des KI-Assistenten.
- Nahtlose JupyterLab-Analysen: Greifen Sie auf eine dedizierte Jupyter-Umgebung zu, in der Variablen für die direkte Datenbankverbindung und Workload Identity Bindungen vorab geladen sind.
- Internationalisierung: Wechseln Sie sofort die Sprache der Benutzeroberfläche zwischen Deutsch, Englisch und Französisch.
Architektur
Komponenten
In dieser Lösung werden die folgenden Technologien und Cloud de Confiance by S3NS Dienste verwendet:
| Komponente | Technologie | Zweck |
|---|---|---|
| Datenbank | Cloud SQL | Speicher für Versicherungsansprüche, ‑pläne und ‑kunden. |
| Anderer Speicher | Cloud Storage | Speicher für Dokumente mit Ansprüchen. |
| DWH | BigQuery | Analytische Tabellen für Data Warehouse und Big-Data-Speicher. |
| Modell | BigQuery ML | Analyse von Gesundheitsrisikobewertungen mit maschinellem Lernen. |
| LLM | Gemma | Offenes Modell (google/gemma-3-27b-it) für die Überprüfung von Dokumenten mit Ansprüchen und das Chatbot-Widget. |
| Containerinfrastruktur | GKE | Containerinfrastruktur für die Anwendung für Ansprüche und den JupyterHub-Server. |
| Analyse | JupyterLab | Dedizierte Notebooks mit aktiven Daten. |
| App | Node.js | Showroom-Dashboard der Webanwendung. |
Referenzimplementierung
Eine Referenzimplementierung dieser Lösung mit Terraform finden Sie auf GitHub. Dies ist ein Proof-of-Concept-Prototyp, der zu Demonstrationszwecken erstellt wurde. Die Implementierung wurde nicht geprüft oder für Produktionsanwendungsfälle gesichert.
Informationen zu den Voraussetzungen und zur Bereitstellung finden Sie unter Souveräne Analyse von Gesundheitsversicherungsrisiken mit BigQuery ML und Gemma.