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。

• 時間のかかる手動プロセス：査定者は通常、新しい事故の写真と過去の請求を手動で比較するために多大な時間を費やします。このプロセスは遅く、エラーが発生しやすいです。この例では、車が別の車両に衝突したところです。運転手は車から降りて損傷の写真を撮り始め、自動車保険のアプリにアップロードし、査定担当者がその写真を確認できるようにします。通常、査定人は過去の請求を入念に調べ、ガイドラインを解析して損害額の見積もりを立て、請求を処理します。

• 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。

当社のソリューションは、これらの課題に対して、AI 主導のベクトル検索システムを中央集約型のベクトルデータベース内に実装することで対応しています。このアプローチは、いくつかの利点を提供します。

• 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 を使用することで、システム全体のデータを統合し、アクセスのしやすさと分析を強化します。

• 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。

構造化されたプロセスを通じてデータを一元的に整理および統合し、ODL を構築することで、レガシーシステムのモダナイゼーションやサービスとしてのデータ（data as a service）といった戦略的施策を可能にします。MongoDB Atlas 上にこのデータアーキテクチャを構築することで、最新のアプリの基盤を提供し、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るようになります。これにより、非構造化データを活用し、AI や LLM と連携することが可能になります。

保険査定担当者が AI に「この事故と似た画像を見せて」と依頼するだけで、AI 搭載のベクトル検索システムが、保険金請求履歴データベースから同様の損傷プロファイルを持つ自動車事故の写真を返します。保険査定担当者は、保険会社の請求履歴の中で最も関連性の高いものと自動車事故の写真を迅速に比較できるようになります。

参照アーキテクチャ

MongoDB Atlas は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、一貫した開発者体験を提供します。埋め込みは既存のデータと共に保存されるため、ベクトル検索クエリを実行すると、ベクトル埋め込みと関連するメタデータの両方を含むドキュメントが取得でき、他の場所でデータを検索する必要がなくなります。別のテクノロジーの使用と維持を学ぶ必要がなく、アプリの構築に完全に集中できるため、開発者にとって大きな利点です。

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

ベクトル化された画像コレクションのデータモデルは非常に簡易的です。請求コレクションには、自動車事故の写真（AWS S3 リンクとして参照）や、事故を説明するメモや損失額などの写真に関するメ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]
}

画像埋め込み追加後のサンプルドキュメント。

ソリューションを構築する

画像検索パイプラインを構築するには、次の 2 つの簡単な手順に従う必要があります。

1

Atlas Search インデックスを設定する

このチュートリアルの指示 (ステップ4 )に従って、画像に示すように次の構成を使用して Atlas に検索インデックスを作成します。

{
   _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]
}

2

Atlas Search インデックスを設定する

Github リポジトリで python ノートブックを開き、指示に従うと、コードが次の手順を案内します。

• 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

documents = coll.aggregate([
   {
      "$search": {
      "index": "default",
      "knnBeta": {
      "vector": query_embedding,
      "path": "embedding",
      "k": 5
         }
      }
   }
])

上記のコードは、MQL で類似性クエリを実行する方法を示しています。

図 4. Atlas UI で Search インデックスを設定する方法

GitHub リポジトリ：Insurance-image-searchに移動し、このソリューションの GitHub リポジトリにある手順と関連モデルに従って、このデモをご自身用に作成します。

キーポイント

• 画像のベクトル化：埋め込み生成プロセスは、さまざまなモデルと配置オプションを使用して実行できます。プライバシーとデータ保護の要件に常に注意を払うことが重要です。データがサーバーから決して離れないようにする必要がある場合、ローカルに配置されたモデルが良い考えかもしれません。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を取得するだけです。

• Atlas での Vector Search インデックスの作成: ローカル配置用のインデックスを作成できるようになりました。

• ベクトル検索クエリの実行: 特に、Vector Search クエリには MongoDB の集計パイプライン内に専用の演算子があります。つまり、他の操作と連結できるので、別の言語を覚えたり、コンテキストを変更したりする必要がないため、開発者にとって非常に便利です。

使用した技術と製品

作成者

• Luca Napoly、 MongoDB

• ジェフ・ニーダム、MongoDB

• Karthic Subramanian、MongoDB