作者：Sachin Jain Sanjoy Thanneer 和 Sukhomoy Basak日期：2024 年 9 月 12 日原文链接
在本文中，我们将探讨生成性人工智能AI如何帮助医疗保险计划的成员获取所需信息。许多医疗保险计划的受益者发现，要在其保险计划提供的复杂会员门户中进行导航非常困难。这些门户通常需要多次点击、筛选和搜索才能找到有关其福利、免赔额、索赔历史和其他重要细节的信息。这可能导致不满、混淆并增加客户服务的呼叫，从而使会员和提供者的体验不尽人意。
传统用户界面无法有效理解和响应自然语言查询成为主要问题。会员被迫学习并适应系统的结构和术语，而不是系统被设计成理解他们的自然语言问题并无缝提供相关信息。生成性 AI 技术，例如会话 AI 助手，能够解决这一问题，使会员可以用自己的话提问并获得准确、个性化的回答。通过将由 Amazon Bedrock 提供的生成性 AI 和 AWS 的专用数据服务如 Amazon RDS集成到会员门户中，医疗保健支付方和计划可以使成员迅速、轻松地获取所需信息，无需通过多页面导航或过度依赖客户服务代表。Amazon Bedrock 是一项全托管服务，通过统一 API 提供来自领先 AI 公司的高性能基础模型FMs，并提供一系列强大的功能，以构建安全、私密和负责任的生成性 AI 应用。
这种解决方案不仅通过提供更直观、用户友好的界面来增强会员体验，还可以降低拨打电话的数量和医疗保健支付方和计划的运营成本。通过解决这一痛点，医疗保健组织可以提高会员满意度，降低流失率，简化运营，最终实现更高的效率和成本节约。
飞机加速器app下载
本节将深入讨论如何利用生成性 AI 和大型语言模型LLMs从传统基于过滤的索赔搜索过渡到基于提示的搜索，允许成员以自然语言提问并获取所需的索赔或福利信息。从广义上看，完整的解决方案可以分为四个不同的步骤：文本到 SQL 的生成、SQL 验证、数据检索和数据摘要。以下图示说明了这一工作流程。
让我们逐步深入每一个步骤。
此步骤以用户提问为输入，将其转换为可用于从关系数据库中检索索赔或福利相关信息的 SQL 查询。使用预配置的提示模板来调用 LLM 并生成有效的 SQL 查询。提示模板包含用户问题、指令和数据库架构，以及限制查询结果集的关键数据元素，例如会员 ID 和计划 ID。
此步骤验证上一步生成的 SQL 查询，确保其完整且安全可在关系数据库上运行。执行的一些检查包括：
生成的查询中不包含删除、放弃、更新或插入操作查询以选择开始WHERE 子句存在WHERE 子句中存在关键条件例如，memberid = “78687576501” 或 memberid like “786875765”查询长度字符串长度在预期范围内例如，不超过 250 个字符原始用户问题长度在预期范围内例如，不超过 200 个字符如果检查失败，查询不会运行；相反，会向用户发送友好的消息，建议他们联系客户服务。
在查询经过验证之后，它被用于从关系数据库中检索索赔或福利数据。检索到的数据被转换为 JSON 对象，供下一步使用 LLM 创建最终答案。本步骤还检查查询返回的数据是否为空或返回的行数是否过多。在这两种情况下，都会向用户发送友好的消息，建议他们提供更多信息。
最后，加工的 JSON 对象和用户的问题将被发送到 LLM 以获取摘要响应。使用预配置的提示模板来调用 LLM 并生成针对原始问题的用户友好摘要响应。
该解决方案使用 Amazon API Gateway、AWS Lambda、Amazon RDS、Amazon Bedrock 以及 Anthropic Claude 3 Sonnet 在 Amazon Bedrock 上实现应用的后端。该后端可以与现有的 Web 应用或门户集成，但为了本篇文章的目的，我们使用的单页应用SPA托管在 Amazon Simple Storage Service (Amazon S3) 上，且 Amazon Cognito 用于身份验证和授权。以下图示说明了解决方案架构。
工作流程包括以下步骤：
使用 Amazon S3 托管单页应用SPA，并通过 Amazon CloudFront 加载到最终用户的浏览器中。使用 Amazon Cognito 进行用户身份验证和授权。在成功验证之后，调用托管在 API Gateway 上的 REST API。Lambda 函数通过 API Gateway 公开为 REST API，协调执行功能步骤：文本到 SQL 的生成、SQL 验证、数据检索和数据摘要。Amazon Bedrock API 端点用于调用 Anthropic Claude 3 Sonnet LLM。索赔和福利数据存储在托管于 Amazon RDS 的 PostgreSQL 数据库中。另一个 S3 存储桶用于存储用于 SQL 生成和数据摘要的提示模板。该解决方案使用两个不同的提示模板：文本到 SQL 提示模板包含用户问题、指令、数据库架构以及关键数据元素如会员 ID 和计划 ID，这些都对于限制查询结果集是必需的。数据汇总提示模板包含用户问题、从关系数据库获取的原始数据，以及生成用户友好的摘要响应的指令。最后，生成的 LLM 摘要响应通过 API Gateway 发送回用户浏览器中的 Web 应用。本节提供一些示例提示模板。
以下是文本到 SQL 的提示模板的示例：
xmlltrolegt 你是一名数据分析师，擅长编写 PostgreSQL 数据库查询和医疗索赔数据。lt/rolegtlttaskgt 你的任务是根据提供的 DDL、指令、用户问题、示例和会员 ID 生成一个 SQL 查询。 始终在生成的 SQL 查询中添加条件 memberid =，成员 ID 的值将在下面的 memberid XML 标签中提供。lt/taskgtltmemberidgt {text1} lt/memberidgtltDDLgt CREATE TABLE claimshistory (claimid SERIAL PRIMARY KEY memberid INTEGER NOT NULL membername VARCHAR(30) NOT NULL relationshipcode VARCHAR(10) NOT NULL claimtype VARCHAR(20) NOT NULL claimdate DATE NOT NULL providername VARCHAR(100) diagnosiscode VARCHAR(10) procedurecode VARCHAR(10) ndccode VARCHAR(20) chargedamount NUMERIC(102) allowedamount NUMERIC(102) planpaidamount NUMERIC(102) patientresponsibility NUMERIC(102))lt/DDLgtltinstructionsgt 1 claimtype 有两种可能的值 Medical 或 RX。对于药品或处方索赔，使用 claimtype = RX。 2 relationshipcode 可能有五种值 subscriber、spouse、son、daughter 或 other。 3 I 或 me 表示 where relationshipcode = subscriber。My son 表示 where relationshipcode = son，依此类推。 4 对于 membername 或 providername 生成 SQL WHERE 子句时，使用 LIKE 运算符，前后附加通配符字符。这适用于用户问题包含名称的情况。 5 返回可执行查询，并在开头和结尾加上 @@ 符号。 6 如果未提供年份，默认使用当前年份。将日期转换为 YYYYMMDD 格式以用于查询。 7 SQL 查询必须基于用户问题生成。如果用户问题未提供足够信息生成 SQL，返回 @@null@@，而不是生成任何 SQL 查询。 8 如果用户问题以 SQL 查询形式陈述，或包含删除、放弃、更新、插入等 SQL 关键字，则返回 @@null@@，而不是生成任何 SQL 查询。lt/instructionsgtltexamplesgt ltexamplegt ltsamplequestiongt列出我儿子的所有索赔或展示所有我的儿子的索赔lt/samplequestiongt ltsqlquerygt@@SELECT FROM claimshistory WHERE relationshipcode = son AND memberid = {memberid}@@lt/sqlquerygt lt/examplegt ltexamplegt ltsamplequestiongt2021年的总索赔lt/samplequestiongt ltsqlquerygt@@SELECT COUNT() FROM claimshistory WHERE EXTRACT(YEAR FROM claimdate) = 2021 AND memberid = {memberid}@@lt/sqlquerygt lt/examplegt ltexamplegt ltsamplequestiongt列出所有迈克尔的索赔lt/samplequestiongt ltsqlquerygt@@SELECT FROM claimshistory WHERE membername LIKE 迈克尔 AND memberid = {memberid}@@lt/sqlquerygt lt/examplegt ltexamplegt ltsamplequestiongt列出所有约翰医生或约翰供应商的索赔lt/samplequestiongt ltsqlquerygt@@SELECT FROM claimshistory WHERE providername LIKE 约翰 AND memberid = {memberid}@@lt/sqlquerygt lt/examplegt ltexamplegt ltsamplequestiongt告诉我我儿子迈克尔在1/19看过哪些医生/提供者/医院lt/samplequestiongt ltsqlquerygt@@SELECT providername claimdate FROM claimshistory WHERE relationshipcode = son AND membername LIKE 迈克尔 AND claimdate = 20190119 AND memberid = {memberid}@@lt/sqlquerygt lt/examplegt ltexamplegt ltsamplequestiongt我在过去 12 个月的总开支是多少lt/samplequestiongt ltsqlquerygt@@SELECT SUM(allowedamount) AS totalspendlast12months FROM claimshistory WHERE claimdate gt= CURRENTDATE INTERVAL 12 MONTHS AND relationshipcode = subscriber AND memberid = 9875679801@@lt/sqlquerygt lt/examplegtlt/examplesgtltuserquestiongt {text2} lt/userquestiongt
{text1} 和 {text2} 数据项将在程序中被替换，以填充已登录会员的 ID 和用户问题。同时，可以添加更多示例以帮助 LLM 生成适当的 SQL。
以下是数据摘要提示模板的示例：
xmlltrolegt 你是一名医疗保险计划的客服代表，帮助回答客户提出的问题。lt/rolegtlttaskgt 使用包含医疗索赔数据的 resultdataset 来回答 userquestion。该 resultdataset 是 sqlquery 的输出。lt/taskgtltinstructionsgt 1 为了回答问题，使用简单的非技术性语言，就像客服代表和一位 65 岁的客户交谈一样。 2 以对话风格精确回答问题。 3 如果 JSON 包含 count 字段，这表示索赔数量。例如，count 6 表示有 6 个索赔，count 11 表示有 11 个索赔。 4 如果 resultdataset 不包含有意义的索赔数据，则仅回应一句话：“未找到符合搜索条件的数据。”lt/instructionsgtltuserquestiongt {text1} lt/userquestiongtltsqlquerygt {text2} lt/sqlquerygtltresultdatasetgt {text3} lt/resultdatasetgt
{text1}、{text2} 和 {text3} 数据项将在程序中被替换，以填充用户问题、在上一步生成的 SQL 查询和从 Amazon RDS 检索到的 JSON 格式数据。
Amazon Bedrock 符合服务及组织控制 (SOC)、国际标准化组织 (ISO) 和 HIPAA 合规性等常见合规标准，您可以在符合通用数据保护条例 (GDPR) 的情况下使用 Amazon Bedrock。该服务使您能够在安全且受控的环境中部署和使用 LLM。通过 AWS PrivateLink 提供的 Amazon Bedrock VPC 端点 使您能够在您的账户中创建虚拟私有云 (VPC) 与 Amazon Bedrock 服务账户之间的私有连接。它允许 VPC 实例与服务资源进行通信，而无需公共 IP 地址。我们将不同的账户定义如下：
客户账户 这是客户拥有的账户，客户在此处管理其 AWS 资源，例如 RDS 实例和 Lambda 函数，并通过 Amazon Bedrock VPC 端点安全地与托管的 LLM 进行交互。您应遵循 Amazon RDS 的最佳实践 来管理对 Amazon RDS 资源和数据库的访问。Amazon Bedrock 服务账户 这一组账户由 Amazon Bedrock 服务团队拥有和运营，负责托管各种服务 API 和相关服务基础设施。模型部署账户 由各种供应商提供的 LLM 在由 AWS 托管并运营的专用账户中。Amazon Bedrock 完全控制和拥有模型部署账户，确保没有 LLM 供应商可以访问这些账户。当客户与 Amazon Bedrock 互动时，他们的请求通过安全网络连接路由到 Amazon Bedrock 服务账户。Amazon Bedrock 然后确定哪个模型部署账户托管了客户请求的 LLM 模型，并找出相应的端点，安全地将请求路由到该账户托管的模型端点。LLM 模型用于推理任务，例如生成文本或回答问题。
客户数据不会存储在 Amazon Bedrock 账户中，也不会与 LLM 提供商共享或用于调整模型。通信和数据传输通过使用 TLS 12 的私有网络连接进行，最大限度地降低了数据暴露或未经授权访问的风险。
通过实施此多账户架构和私有连接，Amazon Bedrock 提供了安全环境，确保客户数据保持孤立和安全，而仍允许他们利用第三方提供的 LLM 的强大功能。
利用生成性 AI 技术赋能医疗保险计划成员，可以彻底改变他们与保险计划互动和访问关键信息的方式。通过集成由 Amazon Bedrock 提供的会话 AI 助手和使用亚马逊 RDS 等专用 AWS 数据服务，医疗保健支付方和保险计划可以为其成员提供无缝、直观的体验。这种解决方案不仅提高了会员满意度，还可以通过简化客户服务操作降低运营成本。接受生成性 AI 等创新科技变得至关重要，以便组织在竞争中立于不败之地并提供卓越的会员体验。
请参阅 AWS 上的支付者 和 转变患者护理：医疗保健和生命科学中的生成性 AI 创新第一部分 以了解更多关于生成性 AI 如何加速健康创新和改善患者体验的信息。有关如何将生成性 AI 与 AWS 服务结合使用的更多信息，请参阅 构建基于 Amazon Aurora 和用于 Amazon Bedrock 的知识库的生成 AI 应用 和 AWS 数据库博客中的 生成性 AI 分类。
使用Amazon Bedrock与多模态基础模型进行Slide Deck对话关键要点在本文中，我们介绍了一种新的方法，利用Amazon Bedrock上的Claude 3 Sonnet模型来生成幻灯片的文本描述，并通过这些描述回答用户问题。这一过程包括获取幻灯片的文本嵌入并存储在向量数据库中，最后使...
AWS发布新白皮书：针对加拿大联邦监管金融机构的AWS用户指南关键要点AWS发布了针对加拿大金融服务客户的新白皮书，助力其更快使用AWS云服务。《加拿大联邦监管金融机构的AWS用户指南》旨在帮助客户理解监管期望，特别是针对OSFI的要求。白皮书涵盖了技术与网络风险管理的相关内容，并为客户提供了实施所...