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: Los peritos suelen dedicar mucho tiempo a comparar manualmente fotos de accidentes recientes con reclamaciones históricas, un proceso lento y propenso a errores. En este ejemplo, un coche acaba de chocar contra otro vehículo. El conductor se baja y empieza a tomar fotos de los daños, subiéndolas a su aplicación de seguros de auto y poniéndolas a disposición del perito. Normalmente, el perito revisaría las reclamaciones anteriores y analizaría las directrices para calcular una estimación de los daños y procesar la reclamación.

• Sistemas de datos fragmentados: la información vital a menudo está 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 reclamos puede generar evaluaciones inconsistentes y posibles imprecisiones en la estimación de los reclamos, lo que afecta la satisfacción del cliente y los resultados financieros.

La solución aborda estos desafíos implementando un sistema de búsqueda de vectores basado en IA dentro de una base de datos de vectores centralizada. Este enfoque ofrece varias ventajas:

• 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 sus datos de forma centralizada. La creación de un ODL facilita iniciativas estratégicas como la modernización de sistemas heredados y los datos como servicio (DaaS). Desarrollar esta arquitectura de datos en MongoDB Atlas sienta las bases para las aplicaciones modernas, brindando a los usuarios acceso a nuevas funciones de la plataforma,como MongoDB Atlas Vector Search, que pueden usar para desbloquear datos no estructurados y trabajar con IA y LLM.

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, lo que proporciona una experiencia de desarrollo unificada. En este marco, puede almacenar incrustaciones junto con los datos existentes en una colección, como se muestra en la Figura 2. Posteriormente, como se muestra en la Figura 3, puede ejecutar una consulta de búsqueda vectorial que devuelva el documento con las incrustaciones vectoriales y los metadatos asociados, eliminando así la necesidad de recuperar los datos en otro lugar.

Figura 1. Arquitectura de referencia con MongoDB

Figura 2. Un conjunto de datos de fotos de accidentes pasados ​​se vectoriza y se almacena en Atlas.

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

Enfoque del modelo de datos

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

Una vez vectorizadas las fotos, su incrustación se agrega al documento como una matriz junto con 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]
}

Construir 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 el índice de búsqueda vectorial en Atlas siguiendo las instrucciones de este tutorial (Paso).4 Utilice la configuración de índice de la imagen a continuación:

Figura 4. Configuración del índice de búsqueda vectorial de Atlas en la interfaz de usuario de Atlas.

2

Configurar la aplicación

Abra el cuaderno de Python en el repositorio de GitHub y siga las instrucciones; el código lo guiará a través de 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

Aprendizajes clave

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

• Crear índices de búsqueda vectorial: Puede crear índices de búsqueda vectorial en MongoDB Atlas. También puede 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 LLM y búsqueda vectorial para RAG