Despliegue un Agente de Evaluación de Riesgos de IA que ayude a los aseguradores a ofrecer evaluaciones instantáneas con recomendaciones explicables para escenarios de aprobación, rechazo y remisión, construido con MongoDB Atlas, Atlas Vector Search y Amazon Bedrock.
caso de uso: Inteligencia artificial, Búsqueda inteligente, Modernización
Industrias: Seguros
Productos y herramientas: MongoDB Atlas, MongoDB Search, MongoDB búsqueda vectorial
emparejar: Amazon Bedrock, Anthropic, Cohere, LangChain
Descripción general de la solución
Los agentes de IA están remodelando la industria de los seguros al automatizar procesos complejos, mejorar la precisión de las decisiones y permitir el aprendizaje continuo en todas las operaciones. Simplifican la gestión de siniestros, la suscripción de pólizas y la atención al cliente mediante la colaboración autónoma y el análisis de datos en tiempo real. En lugar de depender de modelos estáticos, las compañías de seguros ahora pueden implementar redes de agentes adaptativas que personalizan los productos, detectan fraudes de manera temprana y mejoran la evaluación de riesgos. Este cambio genera ecosistemas de seguros más rápidos e inteligentes que atienden mejor a los clientes y se adaptan rápidamente a los cambios del mercado.
Esta solución muestra un flujo de trabajo impulsado por IA que acelera el proceso de suscripción de seguros. La solución combina MongoDB Atlas para la persistencia de datos, búsqueda vectorial de alto rendimiento y grandes modelos de lenguaje (LLMs) de Cohere y Anthropic para lograr evaluaciones de riesgos en tiempo real, coherentes y explicables. Este enfoque sustituye las revisiones manuales tradicionales, mejorando la eficiencia operativa y el cumplimiento.
Arquitecturas de Referencia
Esta solución utiliza dos arquitecturas principales para construir un sistema avanzado de Evaluación de Riesgos con IA para cotizaciones de seguro, teniendo como eje central MongoDB Atlas:
La arquitectura Agentic Underwriter, que actúa sobre los propios datos.
La arquitectura RAG es un asistente de chat basado en texts que lee documents que contienen directrices de suscripción y cotizaciones.
Arquitectura de Suscripción Axial: Evaluación de Riesgos en Tiempo Real
Figura 1. Proceso de evaluación de riesgos: Arquitectura agentica
Esta arquitectura genera un informe de evaluación de riesgos utilizando el siguiente flujo de trabajo:
Generación de incrustaciones (Cita a vector):
Acción: Los datos brutos entrantes de cotización de seguro, que incluyen detalles de la póliza, antecedentes del conductor y especificaciones del vehículo, se procesan de inmediato.
Tecnología: Los models de lenguaje de Cohere convierten la información textual y estructurada de cotizaciones en representaciones numéricas vectoriales denominadas incrustaciones. Este paso traduce el complejo contexto de cotización a un formato optimizado para la búsqueda semántica.
Búsqueda vectorial y recuperación de reglas (coincidencia en subsegundos):
Acción: Una búsqueda exhaustiva utiliza la cotización generada como query.
Tecnología: MongoDB Atlas Vector Search ejecuta búsquedas semánticas en un índice de reglas de suscripción establecidas, directrices regulatorias y patrones de riesgo almacenados en MongoDB. Esta acción recupera rápidamente las reglas más relevantes y específicas del contexto para el presupuesto, garantizando el cumplimiento y la precisión.
Almacenamiento de datos flexible (persistencia de datos unificada):
Acción: el sistema almacena todos los datos relevantes, incluida la información estructurada original de la cotización, el generado vector embedding, y las reglas de suscripción recuperadas, todo junto.
Tecnología: El modelo orientado a documentos de MongoDB almacena diferentes tipos de datos, como datos estructurados, no estructurados y vectoriales, en un solo, unificado document. Esta capacidad elimina la necesidad de unir datos complejos y lentos entre múltiples sistemas de bases de datos, agilizando toda la pipeline de evaluación de riesgos.
Evaluación de riesgos impulsada por IA (evaluación sistemática):
Acción: El sistema envía el payload contextual completo, que incluye los datos originales de cotización y las reglas relevantes, a un model de IA generativa para su evaluación.
Tecnología: el model Claude de Anthropic realiza una evaluación sistemática de riesgos. El model analiza factores como el historial del conductor, las calificaciones de seguridad del vehículo, los límites de la póliza y el conjunto de reglas recuperado para determinar el perfil de riesgo general y el cumplimiento de las políticas internas.
Salida estructurada y coherencia (resultados prácticos):
Acción: El model devuelve un resultado de evaluación estructurado.
Tecnología: el model devuelve un objeto JSON estandarizado. Esta salida incluye una puntuación de riesgo numérica (por ejemplo, 1-100), una explicación concisa de la puntuación y la decisión final, como "Aprobar", "Referir" o "Rechazar". MongoDB almacena estos datos estructurados utilizando operaciones de escritura atómicas, garantizando la coherencia de los datos.
Impacto y beneficios clave
Todo el proceso, desde la ingesta de la cotización hasta la puntuación final, se completa en menos de 10 segundos, proporcionando los siguientes beneficios:
Eficiencia ganada: Esta solución sustituye tareas heredadas que tradicionalmente requieren entre 30 y 60 minutos de esfuerzo intensivo y manual por parte de los suscriptores.
Decisiones explicables y coherentes: Los suscriptores pueden utilizar algoritmos de IA para generar resultados estructurados y razonamientos con evaluaciones de riesgos coherentes, explicables y compatibles.
Fundación de alto rendimiento: La solución utiliza las capacidades de consulta e indexación de alto rendimiento de MongoDB, especialmente Atlas Vector Search, para garantizar la toma de decisiones en tiempo real y una mejor experiencia del cliente.
Ventaja competitiva: Esta aceleración permite a las aseguradoras ofrecer cotizaciones e emisión de pólizas inmediatas, dándoles una ventaja competitiva en el mercado de seguros.
Arquitectura RAG: asistente de chat basado en texto para la aplicación de suscripción
Esta funcionalidad proporciona un chatbot inteligente y context-aware, diseñado para brindar asistencia en tiempo real a agentes y suscriptores de seguros. Esta interfaz conversacional mejora la eficiencia y la precisión en el proceso de suscripción.
Figura 2. Chatbot: arquitectura RAG
El papel de MongoDB
MongoDB tiene dos funciones principales para el funcionamiento de la solución:
Gestión del estado de la conversación y de los datos contextuales: MongoDB mantiene la continuidad y la relevancia de la sesión de chat, almacenando el estado de la conversación y los datos contextuales necesarios.
Recuperación dinámica de datos contextuales: cuando un usuario realiza una pregunta, el Pipeline de agregación de MongoDB ejecuta una llamada única y altamente eficiente. Este pipeline es crucial para recopilar dinámicamente todos los datos relevantes necesarios para la respuesta, incluidos:
Detalles del presupuesto actual
Reglas de suscripción aplicables
Información específica de la sesión
Flexibilidad de datos y correlación
El modelo de esquema flexible de MongoDB permite al chatbot almacenar, acceder y correlacionar un amplio arreglo de tipos de datos diversos que normalmente están aislados en sistemas tradicionales, entre ellos:
Campos estructurados: Política estándar y datos de riesgos.
PDF no estructurados: documentos de políticas, informes y formularios enviados.
Vector embeddings: Representaciones semánticas de documentos y datos para búsqueda y recuperación por similitud.
Historial de conversaciones: El registro completo de las interacciones actuales y anteriores del usuario.
Esta capacidad de armonizar diversas estructuras de datos garantiza que el componente LLM del chatbot reciba toda la información relevante.
Orientación en la toma de decisiones inteligente con Anthropic Claude
MongoDB consolida el contexto enriquecido y lo envía de forma segura al LLM, específicamente al Model Claude de Anthropic, a través de AWS Bedrock. Permite que el chatbot:
Explicar el riesgo: Proporcionar explicaciones claras y concisas de los complejos factores de riesgo.
Aclarar la cobertura: Ofrecer interpretaciones precisas de la cobertura de la póliza y las exclusiones.
Guía las decisiones de suscripción: Sugiere caminos óptimos y resalta los requisitos de cumplimiento para facilitar decisiones de suscripción más rápidas y fundamentadas.
Compilar la solución
Para replicar esta solución, revise su repositorio de GitHub. Sigue el README del repositorio, que cubre los siguientes pasos con más detalle.
Carga tus datos en MongoDB Atlas
Cargue los datos de muestra en su cuenta de MongoDB Atlas en una colección llamada quotes. Los datos de muestra están presentes en el Sample_Data.md. Puedes hacer esto copiando e insertándolo directamente en la colección Mongodb.
Estos datos de muestra representan estimaciones de seguros de autos y viviendas.
Crear un índice de búsqueda vectorial
Desde la línea de comandos o la interfaz de usuario de Mongodb Compass, dirígete a la pestaña Índices y crea un nuevo Índice Vectorial con la siguiente estructura:
{ "fields": [ { "type": "vector", "path": "vector", "numDimensions": 1024, "similarity": "cosine" } ] }
Lecciones clave
Diseñar asistentes nativos de seguros: Compila prompts estructurados de ingeniería específicos para el sector que integren el contexto de seguros, referencias de normas y formatos claros de resultados para hacer que los LLM se comporten como asistentes nativos de seguros. Esto mejora la calidad de las respuestas, reduce las alucinaciones y facilita la integración de los resultados de la IA en los flujos de trabajo posteriores.
Personalizar sistemas de recuperación: Optimizar la búsqueda vectorial mediante el enrutamiento basado en metadatos y la inyección de contexto para adaptar la recuperación a las jerarquías de seguros y las relaciones de reglas. Esto ofrece resultados más relevantes, mejorando el rendimiento de RAG y las experiencias basadas en búsquedas.
Enhance document representation: Generar incrustaciones conscientes del contenido y optimizar la estrategia de fragmentación de document para garantizar que cada document esté representado de forma que se ajuste a su estructura y finalidad. Esto mejora la precisión y eficiencia de los pipelines RAG sobre contenido de seguros mixtos.
Autores
Jeff Needham, MongoDB
Albert Cortez, MongoDB