Qoala Gunakan Machine Learning AWS

Jakarta, Itech- Qoala sebagai startup teknologi asuransi memanfaatkan teknologi machine learning dari Amazone Web Services (AWS) untuk mengotomatisasi pengambilan keputusan selama pemrosesan klaim. Otomatisasi sangat mengurangi waktu dan kebutuhan akan peninjauan fisik secara manual.

Berbasis di Jakarta, Qoala bermitra dengan ritel dan perusahaan asuransi untuk menghadirkan produk asuransi mikro yang inovatif ke pasaran. Polis asuransi mikro ini memberikan perlindungan untuk insiden seperti keterlambatan atau pembatalan penerbangan atau kerusakan pada barang-barang pribadi seperti ponsel pintar.

Teknologi Qoala memungkinkan perusahaan asuransi untuk mengotomatisasi pengambilan keputusan selama pemrosesan klaim. Mereka memeriksa gambar atau video yang diunggah dengan menggunakan teknologi computer vision dan didukung oleh model machine learning.

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

“Memiliki otomatisasi seperti ini sangat mengurangi waktu dan kebutuhan akan peninjauan fisik secara manual. Juga memungkinkan para partner asuransi agar mampu dengan cepat menyaring dan menolak klaim yang tidak valid,” sebut Martin Hong, CTO Qoala dalam media briefieng pada Rabu (20/7).

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

Satya Walpresa, Head of Data Qoala menambahkan bahwa 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 bahwa 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 untuk fokus pada bagian-bagian mobil yang umum, sementara bagian-bagian yang 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,” kata Satya.

Donnie Prakoso, Senior Developer Advocate, ASEAN, AWS menjelaskan layanan machine learning Amazon SageMaker yang dikembangkan AWS hadir untuk menyederhanakan pekerjaan-pekerjaan dari hulu ke hilir dan mengurangi biaya yang dibutuhkan.

Menurutnya tantangan utama bagi bisnis dalam implementasi machine learning adalah dibutuhkannya tenaga ahli dan sumber daya yang tidak kecil. Pertama, developer yang memiliki keahlian khusus di bidang machine learning memang belum banyak tersedia. Kedua, tahap pembelajarannya pun membutuhkan lingkungan yang termutakhir, dari CPU, GPU, memori, hingga penyimpanan.

Demokratisasi dan pemerataan machine learning kepada setiap developer di tingkat pemula maupun ahli merupakan salah satu misi utama AWS.

Donnie mengatakan AWS menyediakan solusi seperti Amazon SageMaker Studio Lab yang berbasis platform komputasi open-source Jupyter Notebook. Developer bebas menggunakan CPU dan GPU pilihannya, serta mendapatkan memori sebesar 15 Gigabyte.

“Terlebih lagi, layanan ini dapat diakses tanpa biaya dan tanpa persiapan awal yang merepotkan. Ini akan sangat memudahkan developer untuk belajar dan bereksperimen dengan machine learning,” kata Donnie.

Selain itu ada Amazon SageMaker Canvas yang membantu awam untuk membuat model machine learning dan menghasilkan prediksi dengan akurat, tanpa perlu menulis sebaris kode pun.