In ambienti altamente regolamentati come i settori sanitario e assicurativo, i fornitori spesso devono eseguire attività come l'analisi dei rischi per la salute e la verifica delle richieste di risarcimento dei clienti, mantenendo i dati rigorosamente all'interno della giurisdizione pertinente.
La soluzione descritta in questo documento fornisce un progetto per risolvere queste sfide con Cloud de Confiance by S3NS. I fornitori di assicurazioni possono eseguire il deployment di BigQuery ML su Cloud de Confiance by S3NS per analizzare in tempo reale i punteggi di rischio per la salute, i piani di modellazione e i database delle richieste di risarcimento. Allo stesso tempo, un sistema LLM Gemma open-weight locale esegue la verifica della documentazione delle richieste di risarcimento archiviata in Cloud Storage. Questo approccio garantisce la conformità in base al contesto e la completa auditabilità, senza mai effettuare chiamate API esterne o spostare i dati al di fuori del confine sovrano.
Puoi eseguire il deployment di questa soluzione seguendo l'implementazione di riferimento allegata con Terraform.
Pubblico di destinazione
Questa soluzione è progettata per le agenzie sanitarie nazionali o i fornitori di assicurazioni regolamentati. È rivolta ai seguenti stakeholder:
- Revisori e investigatori di richieste di risarcimento che esaminano le dashboard dello showroom per verificare i documenti delle richieste di risarcimento inviati, controllare i casi contrassegnati e interagire con l'assistente AI.
- Data scientist che accedono in modo sicuro ai dati non elaborati utilizzando gli ambienti JupyterLab per creare, convalidare ed eseguire modelli di analisi del rischio per la salute.
Funzionalità principali
- Modellazione sanitaria sovrana: utilizza BigQuery ML per esaminare le richieste di risarcimento e i set di dati dei clienti per identificare i fattori di rischio per la salute senza spostare i dati al di fuori del confine sovrano.
- Verifica delle richieste di risarcimento con l'AI: esegui controlli dei documenti localizzati utilizzando l'LLM Gemma open-weight per verificare i dettagli delle richieste di risarcimento rispetto ai record del database.
- Widget chatbot interattivo: esegui query sulle richieste di risarcimento attive del database e ricevi risposte in tempo reale e in base al contesto utilizzando il chatbot dell'assistente AI.
- Analisi JupyterLab senza interruzioni: accedi a un ambiente Jupyter dedicato precaricato con variabili di connessione diretta al database e Workload Identity binding.
- Internazionalizzazione: cambia immediatamente la lingua dell'interfaccia utente tra inglese, francese e tedesco.
Architettura
Componenti
In questa soluzione vengono utilizzate le seguenti tecnologie e i seguenti Cloud de Confiance by S3NS servizi:
| Componente | Tecnologia | Finalità |
|---|---|---|
| Database | Cloud SQL | Archiviazione per richieste di risarcimento assicurative, piani e clienti. |
| Altro spazio di archiviazione | Cloud Storage | Archiviazione per la documentazione delle richieste di risarcimento. |
| DWH | BigQuery | Tabelle analitiche del data warehouse e archiviazione dei big data. |
| Modello | BigQuery ML | Analisi di machine learning sui punteggi di rischio per la salute. |
| LLM | Gemma | Modello open-weight (google/gemma-3-27b-it) per la verifica dei documenti delle richieste di risarcimento e il widget chatbot. |
| Infrastruttura dei container | GKE | Infrastruttura dei container per l'applicazione delle richieste di risarcimento e il server JupyterHub. |
| Analisi | JupyterLab | Notebook dedicati precaricati con dati attivi. |
| App | Node.js | Dashboard dello showroom dell'app web. |
Implementazione di riferimento
In GitHub è disponibile un'implementazione di riferimento di questa soluzione con Terraform. Tieni presente che si tratta di un prototipo di prova di fattibilità creato a scopo dimostrativo e che l'implementazione non è sottoposta a controllo o protetta per i casi d'uso di produzione.
Per i prerequisiti e le istruzioni di deployment, consulta Analisi del rischio di assicurazione sanitaria sovrana con BigQuery ML e Gemma.