AI を活用した自動車保険の請求調整

ソリューション概要

保険業界は、請求を効率的かつ正確に処理するという困難な挑戦を抱えています。従来の方法には、主に以下の理由により、多くの非効率性があります。

• 時間集中型の手動プロセス: 調整担当者は通常、新しい安全件のスナップショットと履歴クレームを手動で比較する長い時間を費やします。このプロセスは遅く、エラーが発生しやすいプロセスです。この例では、自動車が別の自動車にクラッシュしたばかりです。ドライバーは停止してから、破損の状態の画像を取得し始め、 自動保証アプリにアップロードされ、画像をクレーム作成に使用できるようにします。通常、 Atlas は過去のクレームと ガイドライン を組み合わせて、破損の推定値を作成し、クレームを処理します。

• 断片化されたデータシステム: 重要な情報は、多くの場合、複数の分断されたシステムに分散しているため、データの取得と分析が煩雑でエラーが発生しやすいタスクとなっています。

• 非構造化データの量: 画像やドキュメントなどの膨大な量の非構造化データは、ストレージ、検索、分析の面で大きな課題となり、多くの場合、請求処理の遅延や不正確さを引き起こします。

• 不一致と不正確さ: 従来の請求プロセシングは手作業で行われるため、評価が一貫性を欠き、請求の見積もりに不正確さが生じる可能性があり、顧客満足度と財務結果に影響を与えることがあります。

このソリューションは、 一元化されたベクトルデータベース内にAI駆動型ベクトル検索システムを実装することで、これらの課題に対処します。このアプローチには、いくつかの利点があります。

• 時間と労力を削減します：事故画像の比較を自動化することで、査定担当者が情報に基づいた判断を行うために必要な時間を大幅に短縮します。

• データをシームレスに統合: MongoDB Atlasを使用すると、システム間でデータが統合され、アクセス可能性と分析が向上します。

• 非構造化データを活用：AI 主導のシステムは非構造化データを効率的に処理および分析し、より正確で一貫した請求評価につながります。

構造化プロセスによりデータを一元的に整理し統合できるため、ODL を構築することで、レガシーモダナイゼーションやデータをサービスとして提供するなどの戦略的なプロジェクトが可能になります。MongoDB Atlasでこのデータ アーキテクチャを構築すると、最新のアプリの基盤が提供され、ユーザーはMongoDB Atlas Vector Searchなどの新しいプラットフォーム機能にアクセスできます。これを使用して非構造化データのロックを解除し、AIやLMと連携できます。

調整役は、このクラッシュに似た画像を表示するようにAIにリクエストするだけで、ベクトル検索を実行するシステムは、 クレーム履歴データベースから同様の破損プロファイルを持つコレクションの詳細を返すことができます。調整役は、自動車障害の画像を、保証会社の請求履歴で最も関連性の高いものと迅速に比較できるようになりました。

参照アーキテクチャ

MongoDB Atlas は、図 1 に示すようにトランザクション機能と検索機能を同じプラットフォームで組み合わせ、統合開発エクスペリエンスを提供します。このフレームワークでは、図 2 に示すように、既存のデータと一緒に埋め込みをコレクションに保存できます。次に、図 3 に示すように、ベクトル検索クエリーを実行すると、ベクトル埋め込みと関連するメタデータを含むドキュメントが返されます。これにより、データを他の場所で取得する必要がなくなります。

図 1. MongoDB を使用したリファレンス アーキテクチャ

図 2. 過去の事故の写真データセットはベクトル化され、Atlas に保存されます。

図3。画像類似性クエリが実行され、5 件の最も類似した画像が返されます。

データモデルアプローチ

ベクトル化されたイメージコレクションのデータモデルには、自動車クラッシュの画像またはAmazon Web Services S3 リンクとしてのそれらの参照と、エラーや損失額を説明するメモなどの画像に関するメタデータデータが含まれています。

写真がベクトル化されると、その埋め込み情報は既存のフィールドとともにドキュメント内の配列に追加されます。

{
   _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]
}

ソリューションのビルド

Githubリポジトリ: 保証-イメージ検索 にアクセスし、このデモを自分で作成します。イメージ検索パイプラインを構築するには、以下の手順に従います。

1

Atlas ベクトル検索インデックスの構成

このチュートリアルの手順（ステップ 4） に従って、Atlas にベクトル検索インデックスを作成します。以下の画像のインデックス構成を使用します。

図の 4。Atlas UIの Atlas ベクトル検索インデックス構成

2

アプリケーションを設定する

GithubリポジトリでPythonノートを開き、指示に従います。コードが次の手順をガイドします。

• イメージ埋め込みクラスの定義

• データセットをダウンロード

• データ可視化関数の定義

• MongoDB への接続

• データセットのベクトル化

• ユーザーが選択した写真を用いてデータセットをクエリする

キーポイント

• テキスト埋め込みの生成: さまざまなモデルと配置オプションを使用して埋め込みを作成できます。プライバシーとデータ保護の要件を考慮することが重要です。データをサーバー上に保持する必要がある場合は、モデルをローカルに配置できます。それ以外の場合は、このチュートリアルで説明されているように、 APIを呼び出してベクトル埋め込みを元に戻すことができます。投票AIまたはオープンソース モデルを使用できます。

• ベクトル検索インデックスの作成: MongoDB Atlasでベクトル検索インデックスをビルドできます。あるいは、ローカル配置用のインデックスをビルドすることもできます。

• ベクトル検索クエリの実行: MongoDB の集計パイプラインを使用してベクトル検索クエリを実行でき、ワークフロー内で複数の操作を連結できます。このアプローチにより、別のプログラミング言語を学習したりコンテキストを変更したりする必要がなくなります。

作成者

• Luca Napoly、 MongoDB

• ジェフ・ニーダム、MongoDB

• Karthic Subramanian、MongoDB

詳細

• RAM と RAG 用のベクトル検索を使用したクレーム管理