Ajuste de reclamaciones mejorado con IA para seguros de automóviles

Resumen de la solución

La industria de seguros enfrenta el desalentador desafío del procesamiento de reclamaciones de manera eficiente y precisa. Los métodos tradicionales están plagados de ineficiencias, principalmente debido a:

• Procesos manuales que requieren mucho tiempo: Por lo general, los peritos dedican mucho tiempo a comparar manualmente las nuevas fotografías de accidentes con las reclamaciones anteriores, un proceso que es tanto lento como propenso a errores. En este ejemplo, un auto acaba de chocar con otro vehículo. El conductor sale y comienza a tomar fotos de los daños, subiéndolas a la aplicación de su seguro de auto, poniendo las fotos a disposición del ajustador de reclamos. Normalmente, el perito revisaría minuciosamente los reclamos anteriores y analizaría las pautas para elaborar una estimación de los daños y procesar el reclamo.

• Sistemas de datos fragmentados: la información vital a menudo se dispersa en múltiples sistemas desconectados, lo que hace que la recuperación y el análisis de datos sea una tarea engorrosa y propensa a errores.

• Volumen de datos no estructurados: la gran cantidad de datos no estructurados, como imágenes y documentos, plantea un desafío importante en términos de almacenamiento, recuperación y análisis, lo que a menudo genera demoras e imprecisiones en el procesamiento de reclamaciones.

• Inconsistencia e inexactitud: La naturaleza manual del procesamiento tradicional de reclamaciones puede dar lugar a evaluaciones inconsistentes y posibles inexactitudes en la estimación de las reclamaciones, lo que tiene un impacto en la satisfacción del cliente y los resultados financieros.

La solución aborda estos desafíos implementando un sistema de búsqueda vectorial impulsado por IA dentro de una base de datos vectorial centralizada. Este enfoque ofrece varios beneficios:

• Reduce el tiempo y el esfuerzo: automatiza la comparación de imágenes de accidentes, reduciendo significativamente el tiempo necesario para que los peritos tomen decisiones informadas.

• Integra datos sin inconvenientes: Usar MongoDB Atlas permite unificar datos a través de sistemas, mejorando la accesibilidad y el análisis.

• Aprovecha datos no estructurados: el sistema impulsado por IA procesa y analiza de manera eficiente datos no estructurados, lo que genera evaluaciones de reclamaciones más precisas y consistentes.

Un proceso estructurado puede organizar e integrar tus datos de manera centralizada, y construir un ODL permite iniciativas estratégicas como la modernización de sistemas legados y datos como servicio. El desarrollo de esta arquitectura de datos en MongoDB Atlas proporciona la base para aplicaciones modernas, ofreciendo a los usuarios acceso a nuevas funciones de la plataforma como MongoDB Atlas Búsqueda Vectorial, que pueden utilizar para desbloquear datos no estructurados y trabajar con IA y LLMs.

El ajustador puede simplemente pedirle a una IA "muéstrame imágenes similares a este accidente" y un sistema potenciado por búsqueda vectorial puede devolver imágenes de accidentes automovilísticos con perfiles de daño similares desde la base de datos de historial de reclamaciones. El ajustador ahora puede comparar rápidamente las fotos del accidente de coche con las más relevantes en el historial de reclamaciones de la aseguradora.

Arquitecturas de Referencia

MongoDB Atlas combina capacidades transaccionales y de búsqueda en la misma plataforma, como se muestra en la figura 1, proporcionando una experiencia de desarrollo unificada. En este marco, puedes almacenar embeddings junto con los datos existentes en una colección, como se muestra en la Figura 2. Luego, como se muestra en la Figura 3, se puede ejecutar una query de búsqueda vectorial que devuelve el documento con los embebidos vectoriales y los metadatos asociados, eliminando la necesidad de recuperar los datos en otro lugar.

Figura 1. Arquitectura de referencia con MongoDB

Figura 2. Se vectoriza un conjunto de datos de fotos de accidentes anteriores y se almacena en Atlas

Figura 3. Se realiza una query de similitud de imágenes y se devuelven las 5 imágenes más similares.

Enfoque de modelo de datos

El modelo de datos para la colección de imágenes vectorizadas contiene documentos que incluyen fotos de accidentes de autos o referencias a ellas como enlaces AWS S3, y metadatos sobre fotos como notas que describen el accidente y el monto de la pérdida.

Una vez que las fotos se han vectorizado, su incrustación se añade al documento como un arreglo junto a los campos existentes:

{
   _id: ObjectId('64d39175e65'),
   notes: "The crash happened...",
   loss amount: 1250,
   filename: "image_65.jpg",
   url: "https://my-bucket...",
   embedding: [0.3, 0.6, ..., 11.2]
}

Compilar la solución

Visita el repositorio de GitHub: Insurance-image-search y crea esta demostración. Sigue los pasos a continuación para crear tu flujo de búsqueda de imágenes:

1

Configurar el índice de búsqueda vectorial Atlas

Cree un índice de búsqueda vectorial en Atlas 4 (Paso). Utilice la configuración de índice de la imagen siguiente:

Figura 4. Configuración del índice Atlas búsqueda vectorial en la Interfaz de Usuario de Atlas

2

Configurar la aplicación

Abrí el cuaderno de python en el repositorio de GitHub y seguí las instrucciones. El código te guiará por los siguientes pasos:

• Definición de la clase de incrustación de imágenes

• Descarga del conjunto de datos

• Definición de funciones de visualización de datos

• Conexión a MongoDB

• Vectorización del conjunto de datos

• Consultar el conjunto de datos con una foto elegida por el usuario

Lecciones clave

• Generar incrustaciones de texto: se pueden crear incrustaciones utilizando diferentes modelos y opciones de implementación. Es importante considerar los requisitos de privacidad y protección de datos. Puedes implementar un modelo localmente si tus datos necesitan permanecer en los servidores. De lo contrario, puedes llamar a una API y recuperar tus incrustaciones vectoriales, como se explica en este tutorial. Puedes usar Voyage IA o modelos de código abierto.

• Cree índices de búsqueda vectorial: puede crear índices de búsqueda vectorial en MongoDB Atlas. Alternativamente, también puedes crear índices para implementaciones locales.

• Realizar una consulta de búsqueda vectorial: Puede ejecutar consultas de búsqueda vectorial con la canalización de agregación de MongoDB, lo que le permite concatenar múltiples operaciones en su flujo de trabajo. Este enfoque elimina la necesidad de aprender otro lenguaje de programación o cambiar el contexto.

Autores

• Luca Napoli, MongoDB

• Jeff Needham, MongoDB

• Karthic Subramanian, MongoDB

Obtén más información

• Gestión de reclamaciones mediante LLMs y búsqueda vectorial para RAG