Cara Qoala Manfaatkan Kemampuan Machine Learning Milik AWS

Dari sekian banyak perusahaan yang menggunakan machine learning dalam operasi usaha sehari-harinya, Qoala adalah salah satunya.

Berbasis di Jakarta, startup teknologi asuransi ini menghadirkan produk asuransi mikro inovatif ke pasaran bermitra dengan ritel dan perusahaan asuransi.

Adapun polis asuransi mikro ini memberikan perlindungan untuk insiden seperti keterlambatan atau pembatalan penerbangan, atau kerusakan pada barang-barang pribadi seperti ponsel pintar.

Memanfaatkan teknologi machine learning ini, Qoala mengotomatisasi pengambilan keputusan selama pemrosesan klaim.

Mereka memeriksa gambar atau video yang diunggah dengan menggunakan teknologi computer vision, dan didukung oleh model ML.

Misalnya, perusahaan dapat menganalisis video memperlihatkan layar ponsel untuk mengkonfirmasi keretakan, atau misalnya pada kasus mobil untuk mengidentifikasi adanya goresan permukaan, penyok, atau kerusakan.

* BACA BERITA TERKINI LAINNYA DI GOOGLE NEWS

"Memiliki otomatisasi seperti ini sangat mengurangi waktu, dan kebutuhan akan peninjauan fisik secara manual," sebut Martin Hong, CTO Qoala.

Tak hanya itu, teknologi ini juga memungkinkan para partner asuransi mampu dengan cepat menyaring dan menolak klaim yang tidak valid.

“Untuk dapat meningkatkan operasional dan platform Qoala, termasuk untuk tujuan manajemen polis asuransi dan validasi dokumen, kami membutuhkan fondasi berupa infrastruktur teknologi yang dapat diskalakan. Ini yang dapat disediakan oleh AWS,” tegasnya.

Satya Walpresa, Head of Data Qoala, menambahkan seiring meningkatnya permintaan terhadap asuransi, baik pelanggan maupun mitra penyedia asuransi Qoala menuntut kenyamanan lebih dalam setiap proses.

Salah satu proses yang paling memakan waktu dan tenaga jika dilakukan secara manual adalah pengecekan (assessment) bagian kendaraan sebelum dilanjutkan ke pengajuan klaim asuransi.

Tanpa machine learning, masing-masing foto kerusakan harus dipelajari satu per satu.

Qoala pun menggunakan Amazon SageMaker untuk mengenali dan menghitung tingkat kerusakan pada masing-masing bagian mobil.

Satya mengatakan, tim melatih model machine learning-nya menggunakan sampel yang diperoleh dari lebih dari 1.000 jenis mobil.

Kegiatan ini dapat diselesaikan hanya dalam hitungan jam.

Selain itu, fitur auto-scaling pada Amazon SageMaker juga memampukan Qoala fokus pada bagian-bagian mobil yang umum, sementara bagian-bagian jarang mengalami kerusakan hanya perlu diperhatikan sesekali.

“Amazon SageMaker sangat menghemat waktu dan sumber daya kami, khususnya bagi lebih dari 50.000 agen dan tim operasional di Qoala,” Satya mengatakan.

(Ysl/Dam)