Dans les environnements hautement réglementés, tels que les secteurs de la santé et de l'assurance, les fournisseurs doivent souvent effectuer des tâches telles que l'analyse des risques pour la santé et la vérification des demandes client, tout en conservant les données strictement dans la juridiction concernée.
La solution décrite dans ce document fournit un modèle pour résoudre ces défis avec Cloud de Confiance by S3NS. Les assureurs peuvent déployer BigQuery ML sur Cloud de Confiance by S3NS pour analyser les scores de risque pour la santé, les plans de modélisation et les bases de données de demandes en temps réel. Simultanément, un système LLM Gemma local à poids ouvert effectue la vérification de la documentation des demandes stockée dans Cloud Storage. Cette approche garantit une conformité contextuelle et une auditabilité complète, sans jamais effectuer d'appels d'API externes ni déplacer de données en dehors de la limite souveraine.
Vous pouvez déployer cette solution en suivant l'implémentation de référence associée avec Terraform.
Audience cible
Cette solution est conçue pour les agences nationales de santé ou les assureurs réglementés. Elle s'adresse aux parties prenantes suivantes :
- Auditeurs et enquêteurs de demandes qui examinent les tableaux de bord de la vitrine pour vérifier les documents de demande envoyés, auditer les cas signalés et interagir avec l'assistant IA.
- Data scientists qui accèdent de manière sécurisée aux données brutes à l'aide d'environnements JupyterLab pour créer, valider et exécuter des modèles d'analyse des risques pour la santé.
Fonctionnalités de base
- Modélisation de la santé souveraine : utilisez BigQuery ML pour examiner les demandes et les ensembles de données client afin d'identifier les facteurs de risque pour la santé sans déplacer les données en dehors de la limite souveraine.
- Vérification des demandes par IA : exécutez des vérifications de documents localisées à l'aide du LLM Gemma à poids ouvert pour vérifier les détails des demandes par rapport aux enregistrements de la base de données.
- Widget de chatbot interactif : interrogez les demandes de base de données actives et recevez des réponses contextuelles en temps réel à l'aide du chatbot de l'assistant IA.
- Analyse de données JupyterLab fluide : accédez à un environnement Jupyter dédié préchargé avec des variables de connexion directe à la base de données et des liaisons Workload Identity.
- Internationalisation : basculez instantanément entre l'anglais, le français et l'allemand pour l'interface utilisateur.
Architecture
Composants
Les technologies et Cloud de Confiance by S3NS services suivants sont utilisés dans cette solution :
| Composant | Technologies | Objectif |
|---|---|---|
| Base de données | Cloud SQL | Stockage des demandes d'assurance, des plans et des clients. |
| Autre stockage | Cloud Storage | Stockage de la documentation des demandes. |
| DWH | BigQuery | Tables analytiques d'entrepôt de données et stockage de big data. |
| Modèle | BigQuery ML | Analyse par machine learning des scores de risque pour la santé. |
| LLM | Gemma | Modèle à poids ouvert (google/gemma-3-27b-it) pour la vérification des documents de demande et le widget de chatbot. |
| Infrastructure de conteneurs | GKE | Infrastructure de conteneurs pour l'application de demande et le serveur JupyterHub. |
| Analyse | JupyterLab | Notebooks dédiés préchargés avec des données actives. |
| Application | Node.js | Tableau de bord de la vitrine de l'application Web. |
Implémentation de référence
Une implémentation de référence de cette solution avec Terraform est fournie dans GitHub. Notez qu'il s'agit d'un prototype de preuve de concept conçu à des fins de démonstration. L'implémentation n'est pas auditée ni sécurisée pour les cas d'utilisation en production.
Pour connaître les prérequis et obtenir des instructions de déploiement, consultez Analyse des risques d'assurance santé souveraine avec BigQuery ML et Gemma.