"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," jelas Martin.
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 yang mengalami kerusakan sebelum dilanjutkan ke pengajuan klaim asuransi. Tanpa machine learning, masing-masing foto kerusakan harus dipelajari satu per satu.
Qoala menggunakan Amazon SageMaker membuat dua model: model ML untuk mengidentifikasi secara otomatis bagian-bagian kendaraan dan model untuk mengenali dan menghitung tingkat kerusakan pada masing-masing bagian mobil.
Satya mengatakan bahwa timnya menggunakan sampel berupa lebih dari 1000 image mobil untuk melatih model machine learning yang bisa dilakukan Qoala dalam hitungan jam.
Selain itu, fitur auto-scaling pada Amazon SageMaker juga memungkinkan Qoala menggunakan teknologi secara lebih efisien yaitu difokuskan untuk melatih model-model yang sering digunakan.
Tidak hanya untuk keperluan yang terkait proses bisnis, machine learning juga dimanfaatkan untuk mempercepat registrasi agen Qoala yang jumlahnya mencapai lebih dari 50 ribu agen. Salah satu layanan yang dimanfaatkan untuk ini adalah Amazon Textract.