MongoDB Atlas Vector Searchと大規模な言語モデルを使用して、金融アプリケーションのインタラクションを改善します。
業種別: 金融サービス
パートナー: Amazon Bedrock
ソリューション概要
インタラクティブ データベースでは、金融サービスのカスタマーは、ニーズを先読みし、ニーズをリアルタイムで満たすデジタル プラットフォームと連携します。
このアプローチでは、チャットボットや仮想支援などの 生成系人工知能（生成AI） テクノロジーを使用して、基本的な金融操作を強化します。生成系AIを活用して、セルフサービス型デジタル チャネルを介してカスタマイズされたコンテキストに対応したインタラクションを提供することで、カスタマーエクスペリエンスを向上させることができます。クエリを即座に解決するAIベースのチャットボットから、カスタマイズされた 金融アドバイスを提供する予測的分析まで、インタラクティブ データベースはユーザーにとってより魅力的で直感的なデータベース エクスペリエンスを実現します。
AIベースのアドバイザーをデジタル 金融サービスに統合することで、金融機関は関連性の高い回答を即座に提供できます。その結果、カスタマーはサポートされていると認識する、ユーザー対応のやり取りがよりスムーズになります。
参照アーキテクチャ
このソリューションでは、 MongoDBとAmazon Web Services は、条件や条件などの金融ドキュメントをMongoDBドキュメント内のベクトル化された埋め込みとして保存します。次の図は、このソリューションのアーキテクチャを示しています。
図 1。AI 主導のインタラクティブ バンキング アーキテクチャ
MongoDB は、 AIテクノロジーレイヤーとアプリケーションレイヤーの間のデータ ストアレイヤーとして機能します。これにより、非構造化データと構造化データをまとめて保存し、組織がより統合されたデータセットでオペレーションできるようにすることで、データ管理が効率化されます。データ サイロを分裂することで、ビジネスはデジタル プラットフォーム全体でより一貫したカスタマーエクスペリエンスを提供できます。
データモデルアプローチ
このソリューションでは、MongoDB の柔軟性を使用して、 PDF からのテキスト チャンクとその埋め込みの両方を 同じドキュメントに保存します。これにより、クエリが簡素化され、追加のテクノロジーや機能を必要とせずに高パフォーマンスが確保されます。これにより、会社は MongoDB の最新のマルチクラウドデータベースプラットフォームにAIを使用してアプリケーションを構築し、リアルタイムの、非構造化、およびAI拡張データを統合します。
以下の画像は、このソリューションで使用されるデータの例を示しています。
図の 2。テキスト チャンクとその埋め込みを含む単一ドキュメント
ソリューションのビルド
このソリューションには次のGithubリポジトリがあります。
ソリューションを実行するには、リポジトリ内の README ファイルを参照してください。
このアーキテクチャには、次のワークフローがあります。
1。ドキュメント前処理
まず、利用規約 PDF などのテキストベースの非構造化データは、スリングウィンドウ方式を使用して処理され、チャンクに変換されます。これにより、チャンク間の過渡データが保持され、継続性とコンテキストが維持されます。
非構造化データがベクトル化されたチャンクに変換されると、それは埋め込みモデルを介してベクトル埋め込みを生成します。要件に基づいて埋め込みモデルを選択できます。このデモでは、Amazon Web Services Advisor の cohere.embed-english-v3 モデルを使用します。
チャンクとそれに対応するベクトルは両方ともMongoDB Atlasに保存されます。このデモでは、 SuperDuper Pythonフレームワークを使用して、 AIモデルとワークフローをMongoDBと統合します。
2. ベクトル検索とクエリの実行
チャンクと埋め込みがMongoDBに保存された後、セマンティック クエリにMongoDB Atlas Vector Searchを使用できるようになります。
3。チャットボットの使用
このソリューションのチャットボットは、MongoDB Atlas Vector Searchと事前訓練された LM によって強化されています。ユーザーが質問を入力すると、その質問はベクトル化され、 MongoDB Atlas Vector Search は同様の埋め込みを持つドキュメントを検索します。
関連するドキュメントが取得された後、このデータは LM に送信されます。 このデモでは、 AmazonがLM は、検索されたドキュメントをコンテキストとして使用して、より包括的で正確な応答を生成します。 このプロセスは、検索拡張生成 (RAG)（RAG ）と呼ばれます。RG は、セマンティック検索と言語モデル生成を組み合わせることで、チャットボットの能力を強化します。
図 3。Leafy Bank チャットボットの実行例
キーポイント
チャットボットはユーザー エクスペリエンスを向上させます: チャットボットのようなAI駆動型テクノロジーは、迅速かつコンテキストに対応した応答を提供することでカスタマーインタラクションを簡素化し、ユーザーは複雑な用語や条件を通過せずに金融操作を単独で実行できるようにします。
Atlas ベクトル検索 でPDF 検索が可能になります: データ チャンク と Atlas ベクトル検索を使用することで、 MongoDB は高密度のリージョン ドキュメントを効率的にクエリでき、カスタマーが正確でコンテキストに応じた応答を受け取れるようにします。
MongoDB は技術統合を可能にします: MongoDB をベクトル検索 、LRM、および専用検索インフラストラクチャと統合することで、金融機関はAIソリューションを増やす、カスタマーの要求の増大に応じてパフォーマンスと応答性が向上します。
作成者
Luis Pazmino Diaz、MongoDB EMEA FSI プリンシパル
Ainhoa Múgica、シニア スペシャリスト、業界ソリューションズ、MongoDB
Pedro Bereilh、スペシャリスト、業界ソリューション、MongoDB
Andrea Alaman Calderon、シニア スペシャリスト、業界ソリューション、MongoDB