Em ambientes altamente regulamentados, como os setores de saúde e seguros, os provedores geralmente precisam realizar tarefas como analisar riscos à saúde e verificar reivindicações de clientes, mantendo os dados estritamente dentro da jurisdição relevante.
A solução descrita neste documento fornece um modelo para resolver esses desafios com Cloud de Confiance by S3NS. Os provedores de seguros podem implantar o BigQuery ML Cloud de Confiance by S3NS para analisar pontuações de risco à saúde, planos de modelos e bancos de dados de reivindicações em tempo real. Simultaneamente, um sistema LLM Gemma local e de peso aberto realiza a verificação da documentação de reivindicação armazenada no Cloud Storage. Essa abordagem garante a conformidade contextual e a capacidade de auditoria completa, sem fazer chamadas de API externas ou mover dados para fora da fronteira soberana.
Para implantar essa solução, siga a implementação de referência que acompanha o Terraform.
Público-alvo
Essa solução foi projetada para agências nacionais de saúde ou provedores de seguros regulamentados. Ela atende às seguintes partes interessadas:
- Auditores e investigadores de reivindicações que analisam painéis de showrooms para verificar documentos de reivindicação enviados, auditar casos sinalizados e interagir com o assistente de IA.
- Cientistas de dados que acessam dados brutos com segurança usando ambientes JupyterLab para criar, validar e executar modelos de análise de risco à saúde.
Recursos principais
- Modelagem de saúde soberana: use o BigQuery ML para analisar reivindicações e conjuntos de dados de clientes para identificar fatores de risco à saúde sem mover dados para fora da fronteira soberana.
- Verificação de reivindicações de IA: execute verificações de documentos localizadas usando o LLM Gemma de peso aberto para verificar os detalhes da reivindicação em relação aos registros do banco de dados.
- Widget de chatbot interativo: consulte reivindicações de banco de dados ativas e receba respostas contextuais em tempo real usando o chatbot do assistente de IA.
- Análise perfeita do JupyterLab: acesse um ambiente Jupyter dedicado pré-carregado com variáveis de conexão direta do banco de dados e vinculações de Identidade da carga de trabalho.
- Internacionalização: alterne instantaneamente o idioma da UI entre inglês, francês e alemão.
Arquitetura
Componentes
As seguintes tecnologias e Cloud de Confiance by S3NS serviços são usados nesta solução:
| Componente | Tecnologia | Finalidade |
|---|---|---|
| Banco de dados | Cloud SQL | Armazenamento para reivindicações de seguros, planos e clientes. |
| Outro armazenamento | Cloud Storage | Armazenamento para documentação de reivindicações. |
| DWH | BigQuery | Tabelas analíticas de data warehouse e armazenamento de Big Data. |
| Modelo | BigQuery ML | Análise de machine learning em pontuações de risco à saúde. |
| LLM | Gemma | Modelo de peso aberto (google/gemma-3-27b-it) para verificação de documentos de reivindicação e widget de chatbot. |
| Infraestrutura de contêiner | GKE | Infraestrutura de contêiner para o aplicativo de reivindicação e o servidor JupyterHub. |
| Análise | JupyterLab | Notebooks dedicados pré-carregados com dados ativos. |
| App | Node.js | Painel de showroom de apps da Web. |
Implementação de referência
Uma implementação de referência dessa solução com o Terraform é fornecida no GitHub. Esse é um protótipo de prova de conceito criado para fins de demonstração, e a implementação não é auditada nem protegida para casos de uso de produção.
Para conferir os pré-requisitos e instruções de implantação, consulte Análise de risco de seguro de saúde soberano com o BigQuery ML e o Gemma.