NLP und ML in der Praxis – Arztrechnungen prüfen und verarbeiten
Seit 2015 erzielen Maschinen beim Klassifizieren von Objekten auf Bildern bessere Ergebnisse als Menschen, wenn viele Klassen zu unterscheiden sind. Ist das auch im Natural Language Processing (NLP) möglich?
Die Barmenia Krankenversicherung betreibt einen auf Deep Learning basierenden Klassifikator, der kurzen Texten aus Arztrechnungen passende Gebührenziffern zuordnen kann. Er unterscheidet die 1.686 am häufigsten verwendeten Gebührenziffern der Gebührenordnung für Ärzte und erreicht eine Trefferquote von aktuell 98,4 Prozent.
Neben Klassifikatoren für Texte setzt die Barmenia bei der Verarbeitung von Arztrechnungen ein vorwärts gerichtetes neuronales Netz ein, das Prognosen über zu erwartende Prüfergebnisse erzeugt. Welche Einsparung ist zu erwarten, wenn eine Arztrechnung mit bestimmten Auffälligkeiten in die Expertenprüfung ausgesteuert wird? Die maschinell erzeugten Prognosen tragen dazu bei, die Auswahl der zu prüfenden Rechnungen zu verbessern.
Vorkenntnisse
Grundkenntnisse im Bereich des maschinellen Lernens, insbesondere Convolutional Neural Networks
Lernziele
* Einsatz von tiefen Convolutional Neural Networks für die Klassifikation von Texten
* Anpassung von CNN für kurze und fehlerbehaftete Texte aus der OCR
* Konstruktion eines Klassifikators für unausgewogene Trainingsdaten
* Prognosen mit vorwärts gerichteten neuronalen Netzen
* Use Cases für maschinelles Lernen bei der Verarbeitung von Dokumenten