בסביבות עם רגולציה מחמירה, כמו בתחומי הבריאות והביטוח, ספקים צריכים לעיתים קרובות לבצע משימות כמו ניתוח סיכונים בריאותיים ואימות תביעות של לקוחות, תוך שמירה על נתונים בתוך תחום השיפוט הרלוונטי.
הפתרון שמתואר במסמך הזה מספק תוכנית לפתרון האתגרים האלה באמצעות Cloud de Confiance by S3NS. חברות ביטוח יכולות להשתמש ב-BigQuery ML ב- Cloud de Confiance by S3NS כדי לנתח ציוני סיכון בריאותי, ליצור מודלים של תוכניות ולנתח מסדי נתונים של תביעות בזמן אמת. במקביל, מערכת Gemma LLM מקומית ופתוחה מבצעת אימות של מסמכי התביעה שמאוחסנים ב-Cloud Storage. הגישה הזו מבטיחה תאימות מודעת-הקשר ויכולת מלאה לביצוע ביקורת, בלי לבצע קריאות ל-API חיצוני או להעביר נתונים מחוץ לגבולות הריבונות.
כדי לפרוס את הפתרון הזה, צריך לפעול לפי הטמעה לדוגמה שמצורפת באמצעות Terraform.
משתמשי היעד
הפתרון הזה מיועד לסוכנויות בריאות לאומיות או לספקי ביטוח מפוקחים. הוא מיועד לבעלי העניין הבאים:
- בודקים וחוקרי תביעות שבודקים את מרכזי הבקרה של אולם התצוגה כדי לאמת מסמכי תביעה שנשלחו, לבדוק מקרים שסומנו ולקיים אינטראקציה עם העוזר הדיגיטלי מבוסס ה-AI.
- מדעני נתונים שניגשים בצורה מאובטחת לנתונים גולמיים באמצעות סביבות JupyterLab כדי לבנות, לאמת ולהריץ מודלים לניתוח סיכונים בריאותיים.
יכולות הליבה
- מודלים של בריאות ריבונית: אפשר להשתמש ב-BigQuery ML כדי לסרוק תביעות ומערכי נתונים של לקוחות, ולזהות גורמי סיכון בריאותיים בלי להעביר נתונים מחוץ לגבול הריבוני.
- אימות טענות באמצעות AI: הפעלת בדיקות של מסמכים מקומיים באמצעות Gemma LLM עם משקלים פתוחים, כדי לאמת את פרטי הטענה מול רשומות במסד נתונים.
- ווידג'ט אינטראקטיבי של צ'אט בוט: אפשר לשאול שאלות לגבי תביעות פעילות במסד הנתונים ולקבל תשובות בזמן אמת עם התייחסות להקשר באמצעות הצ'אט בוט של עוזר ה-AI.
- ניתוח נתונים חלק ב-JupyterLab: גישה לסביבת Jupyter ייעודית עם משתנים של חיבור ישיר למסד נתונים ועם קשרי גומלין של Workload Identity.
- בינלאומיות: מעבר מיידי בין שפות הממשק: אנגלית, צרפתית וגרמנית.
ארכיטקטורה
רכיבים
הטכנולוגיות והשירותים הבאים נמצאים בשימוש בפתרון הזה: Cloud de Confiance by S3NS
| רכיב | טכנולוגיה | מטרה |
|---|---|---|
| מסד נתונים | Cloud SQL | אחסון של תביעות ביטוח, תוכניות ולקוחות. |
| אחסון אחר | Cloud Storage | אחסון של מסמכים לתביעות. |
| DWH | BigQuery | טבלאות ניתוח של מחסן נתונים ואחסון של ביג דאטה. |
| מודל | BigQuery ML | ניתוח של למידת מכונה על ציוני סיכון בריאותי. |
| LLM | Gemma | מודל עם משקלים פתוחים (google/gemma-3-27b-it) לאימות מסמכי תביעות ולשימוש בווידג'ט של צ'אטבוט. |
| תשתית קונטיינרים | GKE | תשתית קונטיינרים לאפליקציית התביעה ולשרת JupyterHub. |
| ניתוח | JupyterLab | מחברות ייעודיות שנטענו מראש עם נתונים פעילים. |
| אפליקציה | Node.js | לוח הבקרה של Web app showroom. |
הטמעה לדוגמה
ב-GitHub אפשר למצוא הטמעה לדוגמה של הפתרון הזה באמצעות Terraform. הערה: זהו אב-טיפוס של הוכחת היתכנות שנבנה למטרות הדגמה, וההטמעה לא נבדקה או אובטחה לשימוש בתרחישי ייצור.
למידע על הדרישות המוקדמות ולהוראות פריסה, אפשר לעיין במאמר ניתוח סיכוני ביטוח בריאות ריבוני באמצעות BigQuery ML ו-Gemma.