Implemente un agente de evaluación de riesgos basado en IA que ayude a los suscriptores a ofrecer evaluaciones instantáneas con recomendaciones explicables para aprobar, rechazar y remitir casos, desarrollado con MongoDB Atlas, Atlas Vector Search y Amazon Bedrock.
caso de uso: Inteligencia artificial, búsqueda inteligente, modernización.
Industrias: Seguros
Productos y herramientas: Atlas deMongoDB, Búsqueda en MongoDB, Búsquedavectorial en MongoDB
emparejar: Amazon Bedrock, Antropoide, Cohere, LangChain
Descripción general de la solución
Los agentes de IA están transformando el sector asegurador al automatizar procesos complejos, mejorar la precisión en la toma de decisiones y facilitar el aprendizaje continuo en todas las operaciones. Optimizan la gestión de siniestros, la suscripción de pólizas y el servicio al cliente mediante la colaboración autónoma y el análisis de datos en tiempo real. En lugar de depender de modelos estáticos, las aseguradoras ahora pueden implementar redes de agentes adaptativas que personalizan los productos, detectan el fraude de forma temprana y mejoran la evaluación de riesgos. Este cambio crea ecosistemas de seguros más rápidos e inteligentes que ofrecen un mejor servicio a los clientes y se adaptan rápidamente a las fluctuaciones del mercado.
Esta solución presenta un flujo de trabajo impulsado por IA que acelera el proceso de suscripción de seguros. Combina MongoDB Atlas para la persistencia de datos, búsqueda vectorial de alto rendimiento y modelos de lenguaje a gran escala (LLM) de Cohere y Anthropic para lograr evaluaciones de riesgo en tiempo real, consistentes y explicables. Este enfoque reemplaza las revisiones manuales tradicionales, mejorando la eficiencia operativa y el cumplimiento normativo.
Arquitecturas de Referencia
Esta solución utiliza dos arquitecturas principales para construir un sistema avanzado de evaluación de riesgos mediante IA para cotizaciones de seguros, con MongoDB Atlas como núcleo central:
La arquitectura Agentic Underwriter, que actúa sobre los datos en sí mismos.
RAG Architecture es un asistente de chat basado en texto que lee documentos que contienen directrices de suscripción y presupuestos.
Arquitectura de suscripción de agentes: evaluación de riesgos en tiempo real
Figura 1. Proceso de suscripción: Arquitectura agencial
Esta arquitectura genera un informe de suscripción utilizando el siguiente flujo de trabajo:
Generación de incrustaciones (de cita a vector):
Acción: Los datos brutos de cotización de seguros entrantes, que incluyen detalles de la póliza, antecedentes del conductor y especificaciones del vehículo, se procesan de inmediato.
Tecnología: Los modelos de lenguaje de Cohere convierten la información textual y estructurada de las citas en representaciones vectoriales numéricas llamadas incrustaciones. Este paso traduce el contexto complejo de la cita a un formato optimizado para la búsqueda semántica.
Búsqueda vectorial y recuperación de reglas (coincidencia en subsegundos):
Acción: Una búsqueda avanzada utiliza la cotización generada como consulta.
Tecnología: MongoDB Atlas Vector Search realiza búsquedas semánticas en un índice de reglas de suscripción, directrices regulatorias y patrones de riesgo establecidos, almacenados en MongoDB. Esta acción recupera rápidamente las reglas más relevantes y específicas para el contexto de la cotización, garantizando así el cumplimiento y la precisión.
Almacenamiento de datos flexible (persistencia de datos unificada):
Acción: El sistema almacena todos los datos relevantes, incluyendo la información de cotización estructurada original, la representación vectorial generada y las reglas de suscripción recuperadas, de forma conjunta.
Tecnología: El modelo de documentos flexible de MongoDB almacena diversos tipos de datos, como datos estructurados, no estructurados y vectoriales, en un único documento unificado. Esta capacidad elimina la necesidad de realizar uniones complejas y lentas entre múltiples sistemas de bases de datos, lo que agiliza todo el proceso de evaluación de riesgos.
Evaluación de riesgos mediante inteligencia artificial (Evaluación sistemática):
Acción: El sistema envía la carga útil contextual completa, que incluye los datos de la cotización original y las reglas relevantes, a un modelo de IA generativa para su evaluación.
Tecnología: El modelo Claude de Anthropic realiza una evaluación sistemática de riesgos. El modelo analiza factores como el historial del conductor, las calificaciones de seguridad del vehículo, los límites de la política y el conjunto de reglas recuperadas para determinar el perfil de riesgo general y el cumplimiento de las políticas internas.
Resultados estructurados y consistentes (Resultados prácticos):
Acción: El modelo devuelve un resultado de evaluación estructurado.
Tecnología: El modelo devuelve un objeto JSON estandarizado. Este resultado incluye una puntuación de riesgo numérica (por ejemplo, 1100-), una explicación concisa de la puntuación y la decisión final, como "Aprobar", "Remitir" o "Rechazar". MongoDB almacena estos datos estructurados mediante operaciones de escritura atómicas, lo que garantiza la consistencia de los datos.
Impacto y beneficios clave
Todo el proceso, desde la ingesta de cotizaciones hasta la obtención de la puntuación final, se completa en menos 10 de segundos, lo que proporciona los siguientes beneficios:
Aumento de la eficiencia: Esta solución reemplaza las tareas heredadas que tradicionalmente requieren de 30 a 60 minutos de esfuerzo manual intensivo por parte de los suscriptores.
Decisiones explicables y coherentes: Los suscriptores pueden utilizar algoritmos de IA para generar resultados estructurados y justificaciones con evaluaciones de riesgo coherentes, explicables y que cumplan con la normativa.
Base de alto rendimiento: La solución utiliza las capacidades de consulta e indexación de alto rendimiento de MongoDB, en particular Atlas Vector Search, para garantizar la toma de decisiones en tiempo real y una mejor experiencia para el cliente.
Ventaja competitiva: Esta aceleración permite a las aseguradoras ofrecer presupuestos y emitir pólizas de forma inmediata, lo que les otorga una ventaja competitiva en el mercado de seguros.
Arquitectura RAG: Asistente de chat basado en texto para la aplicación de aseguradores.
Esta función proporciona un chatbot inteligente y contextual 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 cumple dos funciones principales en 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 formula una pregunta, la canalización de agregación de MongoDB ejecuta una única llamada de alta eficiencia. Esta canalización es fundamental para recopilar dinámicamente todos los datos relevantes necesarios para la respuesta, incluyendo:
Detalles de la cotización actual
Normas de suscripción aplicables
Información específica de la sesión
Flexibilidad y correlación de datos
El modelo de esquema flexible de MongoDB permite al chatbot almacenar, acceder y correlacionar una amplia gama de diversos tipos de datos que normalmente se encuentran aislados en los sistemas tradicionales, entre los que se incluyen:
Campos estructurados: Datos estándar de políticas y riesgos.
PDF no estructurados: documentos de políticas, informes y formularios enviados.
Incrustaciones vectoriales: Representaciones semánticas de documentos y datos para la búsqueda y recuperación de similitudes.
Historial de conversaciones: El registro completo de las interacciones actuales y pasadas de los usuarios.
Esta capacidad para armonizar diversas estructuras de datos garantiza que el componente LLM del chatbot reciba toda la información relevante.
Guía de decisiones inteligente con Anthropic Claude
MongoDB consolida el contexto enriquecido y lo envía de forma segura al LLM, específicamente al Modelo Claude Antrópico, a través de AWS Bedrock. Esto permite que el chatbot:
Explicar el riesgo: Proporcionar explicaciones claras y concisas de los factores de riesgo complejos.
Aclarar la cobertura: Ofrecer interpretaciones precisas de la cobertura y las exclusiones de la póliza.
Orientar las decisiones de suscripción: Sugerir las vías óptimas y destacar los requisitos de cumplimiento para facilitar decisiones de suscripción más rápidas y mejor fundamentadas.
Compilar la solución
Para replicar esta solución, consulta su repositorio de GitHub.Siga las instrucciones del archivo README del repositorio, que explica los siguientes pasos con más detalle.
Cargar datos en MongoDB Atlas
Cargue datos de muestra en su cuenta de MongoDB Atlas en una colección llamada quotesLos datos de muestra se encuentran en Sample_Data.md. Puede hacerlo copiándolos e insertándolos directamente en la colección de MongoDB.
Estos datos de muestra representan cotizaciones de seguros de automóviles y de hogar.
Lecciones clave
Diseñar asistentes nativos para seguros: Crear indicaciones estructuradas específicas del sector que incorporen el contexto del seguro, referencias a reglas y formatos de salida claros para que los sistemas de gestión de riesgos se comporten como asistentes nativos de seguros. Esto mejora la calidad de las respuestas, reduce las confusiones y facilita la integración de los resultados de la IA en flujos de trabajo posteriores.
Personalice los sistemas de recuperación: optimice la búsqueda vectorial con enrutamiento basado en metadatos e inyección de contexto para adaptar la recuperación a las jerarquías de seguros y las relaciones de reglas. Esto proporciona resultados más relevantes, mejorando el rendimiento de RAG y las experiencias basadas en búsqueda.
Mejora de la representación de documentos: Genera incrustaciones sensibles al contenido y optimiza la estrategia de segmentación de documentos para garantizar que cada documento se represente de forma acorde a su estructura y propósito. Esto mejora la precisión y la eficiencia de los flujos de trabajo RAG sobre contenido de seguros mixto.
Autores
Jeff Needham, MongoDB
Albert Cortez, MongoDB