AI保険引受書

MongoDB Atlas、 Atlas ベクトル検索、 Amazon Web Services で構築された、承認、拒否、参照シナリオに関する説明可能な推奨事項を使用して、AIライターが即座の評価を提供するのに役立ちます。

業種: 保険

製品およびツール: MongoDB Atlas、 MongoDB Search、 MongoDB ベクトル検索

パートナー: Amazon Bedrock, Anthropic, Cohere, LangChain

ソリューション概要

AIエージェントは、複雑なプロセスを自動化し、決定の精度を向上させ、操作全体で継続的な学習を可能にすることで、保証業界を再構築しています。オートメーションコラボレーションとリアルタイムデータ分析を通じて、クレームの処理、引数、カスタマーサービスを効率化します。静的modelに依存する代わりに、保証会社は、製品をパーソナライズし、不正を早期に検出し、リスク評価を向上させる適応型エージェントネットワークを配置できるようになりました。この移行により、カスタマーによりのサービスが提供され、マーケットの変化に迅速に対応するための保証のエコシステムがより高速化されています。

このソリューションは、保証引数プロセスを迅速化するAI駆動型ワークフローを示しています。このソリューションは、データ永続性、高パフォーマンスのベクトル検索、および Cohere と Anthropic の大規模言語モデル（LLM）用のMongoDB Atlasを組み合わせて、リアルタイムのコンシステントで説明可能なリスク評価を実現します。このアプローチは従来の手動レビューに置き換わり、運用効率とコンプライアンスが向上します。

参照アーキテクチャ

このソリューションでは、2 つの主要なアーキテクチャを使用して、 MongoDB Atlasを中央ハブとして、保証引用符用の高度なAIリスク評価システムを構築します。

データ自体を操作するエージェントキーアーキテクチャ
RAG アーキテクチャは、下書きガイドラインと引用符を含む document から読み取りを行うテキストベースのチャット支援ものです。

エージェント的アンダーライターのアーキテクチャ: リアルタイムのリスク評価

図の 1。書込みプロセス: エージェントアーキテクチャ

このアーキテクチャでは、次のワークフローを使用して引数レポートが生成されます。

埋め込み生成（ベクトルに引用符）:
- アクション: ポリシーの詳細、ドライバーのバックグラウンド、車両の仕様を含む受信した未加工の保証引用符データは、ただちに処理されます。
- テクノロジー: Cohere の言語 model は、テキストと構造化された引用符情報を、埋め込みと呼ばれる数値ベクトル表現に変換します。このステップでは、複雑な引用符コンテキストをセマンティック検索用に最適化された形式に変換します。
ベクトル検索とルール検索（サブ秒一致）:
- アクション: 高検索では、生成された引用符がクエリとして使用されます。
- テクノロジー: MongoDB Atlas Vector Search は、 MongoDBに保存されている確立された下書きルール、規制ガイドライン、リスクパターンのインデックスに対してセマンティック検索を実行します。このアクションは、引用符の最も関連性の高いコンテキスト固有のルールを迅速に取得し、コンプライアンスと精度を確保します。
柔軟なデータストレージ（統合データ永続性）:
- アクション: システムは、元の構造化引用符情報、生成されたvector embeddings、および検索された下書きルールを含むすべての関連データを保存します。
- テクノロジー: MongoDB の柔軟な document model は、構造化データ、非構造化データ、ベクトルデータなどのさまざまなデータ型を単一の統合 document に保存します。このキャパシティー、複数のデータベースシステムにまたがる複雑で低速な結合が不要になり、リスク評価パイプラインライン全体が効率化されます。
AIベースのリスク評価（システム的評価）:
- アクション: システムは、評価のために生成系AI modelに元の引用符データと関連ルールを含む完全なコンテキストペイロードを送信します。
- テクノロジー: Anthropic Claude modelは、システム化リスク評価を実行します。The modelは、ドライバー履歴、ドライバーの安全性評価、ポリシー制限、検索されたルールセットなどの要素を分析して、全体的なリスクプロファイルと内部ポリシーへの準拠を決定します。
構造化出力と整合性（アクション可能な結果）:
- アクション: modelは構造化された評価結果を返します。
- テクノロジー: modelは標準化されたJSONオブジェクトを返します。この出力には、数値リスクスコア（例: 1-100）、スコアの簡潔な説明、および最終決定（"apply"、"Refer"、"拒否" など）が含まれます。MongoDB は、データの一貫性を保証するために、この構造化データをアトミックな書込み操作を使用して保存します。

影響と主要利点

引用符の取り込みから最終スコアバックまでの全プロセスは 10 秒未満で完了し、次のメリットが得られます。

効率の向上: このソリューションは、従来、アンダーライターによる集中的な手動作業に 30 ～ 60 をかかるレガシータスクを置き換えます。
説明可能でコンシステントな決定: アンダーライターはAIアルゴリズムを使用して、コンシステントで、説明可能で、準拠したリスク評価を持つ構造化された出力と理由を生成できます。
高性能基盤: このソリューションは、MongoDB の高性能クエリおよびインデックス作成機能、特に Atlas Vector Search を使用して、リアルタイムの決定とカスタマーエクスペリエンスを確保します。
競合上の利点: この高速化により、保証会社は即座の引用符とポリシー発行を提供できるようになり、保証マーケットにおける競合利点が得られます。

RAG アーキテクチャ: アンダーライターアプリへのテキストベースのチャット支援

この機能は、保証エージェントと保証機関にリアルタイムでの支援を提供するように設計された、インテリジェントでcontext-awareなチャットボットを提供します。この通信インターフェースは、書込み (write) プロセスの効率と精度を向上させます。

図の 2。チャットボット: RAG アーキテクチャ

MongoDBのロール

MongoDB は、ソリューションの操作に 2 つのプライマリ関数を提供します。

変換状態とコンテキストに応じたデータ管理: MongoDB は、チャットセッションの継続性と関連性を維持し、対話状態と必要なコンテキストデータを保存します。
動的なコンテキストデータの取得: ユーザーが質問をすると、MongoDB の集計パイプラインは非常に効率的な単一の呼び出しを実行します。このパイプラインは、次のような応答に必要な関連データをすべて動的に収集するために重要です。
- 現在の引用符の詳細
- 適用可能な下書きルール
- セッション固有の情報

データの柔軟性と相関

MongoDB の柔軟なスキーマモデルにより、チャットボットは、従来のシステムでは通常、次のような多彩なデータ型を保存、アクセス、相関処理できます。

構造化フィールド: 標準ポリシーとリスクデータ。
非構造化 PDF: policy document、レポート、送信されたフォーム。
vector embeddings: 類似性検索および検索用の document とデータのセマンティック表現。
変換履歴: 現在と過去のユーザーインタラクションの完全なレコード。

さまざまなデータ構造を整合させるこの機能により、チャットボットの LLM コンポーネントが関連情報をすべて受け取れるようになります。

Anthropic Claude によるインテリジェント決定ガイダンス

MongoDB は豊富なコンテキストを統合し、 AWS Bedrock を介して LLM（具体的には Anthropic Claude model）にそれを安全に送信します。これにより、チャットボットは次のことが可能になります。

リスクを説明する: 複雑なリスク要因について、明確かつ簡潔に説明します。
カバレッジの明確化: ポリシーのカバレッジと除外の正確な解釈を提供します。
下書きに関する決定をガイドします: 最適なパスを提案し、コンプライアンス要件を強調し、より迅速でより情報のある下位書き込みの決定を容易にします。

ソリューションのビルド

このソリューションを複製するには、 GitHubリポジトリを確認します。リポジトリの README に従ってください。これでは、次の手順がより詳細にカバーされています。

MongoDB Atlasでのデータのロード

quotesというコレクション内のMongoDB Atlasアカウントにサンプルデータをロードします。サンプルデータは Sample_Data.md にあります。これは、コピーして Mongodb コレクションに直接挿入することで可能です。

このサンプルデータは、オートメーションおよびハウス保証からの引用符を表します。

ベクトル検索インデックスの作成

コマンドラインまたは MongoDB Compass UIから、[ インデックス ]タブに移動し、次の構造を持つ新しいベクトルインデックスを作成します。

{
  "fields": [
    {
      "type": "vector",
      "path": "vector",
      "numDimensions": 1024,
      "similarity": "cosine"
    }
  ]
}

バックエンドの実行

バックエンドフォルダーからメインコマンドを実行します。これにより、すべてのデータ処理が実行されるバックエンドが負荷されます。

エンドポイントをロードする

フロントエンド フォルダーから npm start コマンドを使用します。これにより、 UI要素が読み込まれます。

レポートの生成

検索機能を使用してすべての引用符を取得するか、特定の引用符を見つけ、 UIから レポートの生成 ボタンを使用してレポートを生成すると、下書きエージェント機能が実行されます。

キーポイント

Design Insurance native assistants: 保険コンテキスト、ルール参照、クリア出力形式を埋め込み、LLM が保険ネイティブエージェントのように動作するようにするドメイン固有のエンジニアリング構造化プロンプトをビルドする。これにより、応答の品質が向上し、後のAIに接続しやすくなります。
取得システムをカスタマイズします: メタデータベースのルーティングとコンテキストインジェクションを使用してベクトル検索を最適化し、保証階層とルール関係の取得をリアルタイム化します。これにより、より関連性の高い結果が提供され、RAG と検索ベースのエクスペリエンスが向上します。
document表現の強化: コンテンツを認識する埋め込みを生成し、documentチャンク戦略を最適化して、各documentがその構造と目的に適した方法で表現されるようにします。これにより、混合型保証コンテンツよりも RAG パイプラインの精度と効率が向上します。

作成者

ジェフ・ニーダム、MongoDB
Albert Cortez, MongoDB

詳細

戻る

AI を活用した請求調整

PDF 検索アプリケーションの構築