자동차 보험을 위한 AI 기반 청구 조정

솔루션 개요

보험 청구를 정확하고 효율적으로 처리하는 것은 보험업계의 어려운 과제입니다. 전통적인 방식은 다음과 같은 이유로 비효율적입니다.

• 시간이 많이 소요되는 수동 프로세스: 조정자는 일반적으로 새로운 사고 사진과 과거 청구서를 수동으로 비교하는 데 많은 시간을 소요하며, 이 프로세스 는 속도가 느리고 오류가 발생하기 쉽습니다. 이 예시 에서는 자동차가 다른 차량과 충돌했습니다. 운전자 밖으로 나가 손상을 찍은 사진을 찍기 시작하고, 자동차 보험 앱 에 업로드하여 보상 청구 조정자에게 사진을 제공합니다. 일반적으로 조정자는 과거 클레임을 훑어보고 지침을 분석하여 손상 추정치를 계산하고 클레임을 프로세스 .

• 조각난 데이터 시스템: 중요한 정보가 연결이 끊긴 여러 시스템에 분산되어 있는 경우가 많아 데이터 검색 및 분석이 번거로우며 오류가 발생하기 작업.

• 비정형 데이터의 양: 이미지 및 문서와 같은 방대한 양의 비정형 데이터는 저장, 검색 및 분석 측면에서 상당한 과제를 제기하며, 이는 종종 청구 처리의 지연과 부정확성으로 이어집니다.

• 불일치 및 부정확성: 전통적인 청구 처리의 수동적 특성은 평가의 일관성을 떨어뜨리고 청구 추정의 부정확성을 초래하여 고객 만족도와 재무 결과에 영향을 미칠 수 있습니다.

이 솔루션은 중앙 집중식 벡터 데이터베이스 내에 AI 기반 벡터 검색 시스템을 구현하여 이러한 과제를 해결합니다. 이 접근 방식은 다음과 같은 몇 가지 이점을 제공합니다.

• 시간과 노력 절감: 사고 이미지 비교를 자동화하여 손해 사정사가 정보에 입각한 결정을 내리는 데 필요한 시간을 크게 단축합니다.

• 원활한 데이터 통합: MongoDB Atlas 사용하여 시스템 전반에서 데이터를 통합하여 접근성과 분석을 개선할 수 있습니다.

• 비정형 데이터 활용: AI 기반 시스템은 비정형 데이터를 효율적으로 처리하고 분석하여 더 정확하고 일관적인 청구 평가를 제공합니다.

구조화된 프로세스 데이터를 중앙에서 구성하고 통합할 수 있으며, ODL 을 구축하면 레거시 현대화 및 서비스형 데이터와 같은 전략적인 이니셔티브를 구현할 수 있습니다. MongoDB Atlas 에 이 데이터 아키텍처를 구축하면 최신 앱을 위한 기반을 제공하여 사용자가 비정형 데이터의 잠금을 해제하고 AI 및 LLM 으로 작업하는 데 사용할 수 있는 MongoDB Atlas Vector Search 와 같은 새로운 플랫폼 기능에 액세스 .

조정자는 AI 에게 "이 충돌과 유사한 이미지를 보여 줘"라고 요청하기만 하면, Vector Search 기반 시스템은 청구 내역 데이터베이스 에서 유사한 손상 프로필을 가진 자동차 사고 사진을 반환할 수 있습니다. 이제 조정자는 자동차 사고 사진을 보험사의 청구 내역에서 가장 관련성이 높은 사진과 빠르게 비교할 수 있습니다.

참조 아키텍처

MongoDB Atlas 그림 1와 같이 동일한 플랫폼에 트랜잭션 기능과 검색 기능을 결합하여 통합 개발 환경을 제공합니다. 이 프레임워크 에서는 그림 2과 같이 기존 데이터와 함께 임베딩을 컬렉션 에 저장 수 있습니다. 그런 다음 그림 3와 같이 벡터 임베딩 및 관련 메타데이터 가 있는 문서 반환하는 벡터 검색 쿼리 실행 다른 곳에서 데이터를 조회 필요가 없습니다.

그림 1. MongoDB가 있는 참조 아키텍처

그림 2. 과거 사고 사진의 데이터세트는 벡터화되어 Atlas에 저장됩니다.

그림 3. 이미지 유사성 쿼리 수행 후 가장 유사한 이미지 5개 반환

데이터 모델 접근 방식

벡터화된 이미지 컬렉션 의 데이터 모델 에는 자동차 충돌 사진 또는 이를 Amazon Web Services S3 링크로 참조하는 문서, 사고 및 손실 금액을 설명하는 메모 등 사진에 대한 메타데이터 포함되어 있습니다.

사진이 벡터화되면, 해당 사진의 임베딩이 기존 필드와 함께 문서에 배열로 추가됩니다.

{
   _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]
}

솔루션 빌드

Github 리포지토리(Insurance-image-search) 를 방문하여 이 데모를 직접 만듭니다. 아래 단계에 따라 이미지 검색 파이프라인 빌드 .

1

Atlas Vector Search 인덱스 구성

이 튜토리얼 의 4 지침에 따라 Atlas 에서 Vector Search 인덱스 생성합니다( 단계). 아래 이미지의 인덱스 구성을 사용합니다.

그림 4. Atlas UI 의 Atlas Vector Search 인덱스 구성

2

애플리케이션 설정

Github 리포지토리에서 Python 노트북을 열고 지침에 따라 코드가 다음 단계를 안내합니다.

• 이미지 임베딩 클래스 정의

• 데이터 세트 다운로드

• 데이터 시각화 함수의 정의

• MongoDB에 연결

• 데이터 세트의 벡터화

• 사용자가 선택한 사진을 사용하여 데이터 세트를 쿼리합니다.

주요 학습 사항

• 텍스트 임베딩 생성: 다양한 모델 및 배포서버 옵션을 사용하여 임베딩을 생성할 수 있습니다. 개인정보 및 데이터 보호 요구 사항을 고려하는 것이 중요합니다. 데이터를 서버에 유지해야 하는 경우 모델을 로컬로 배포 할 수 있습니다. 그렇지 않으면 이 튜토리얼에 설명된 대로 API 호출하고 벡터 임베딩을 다시 가져올 수 있습니다. Voyage AI 또는 오픈 소스 모델을 사용할 수 있습니다.

• 벡터 검색 인덱스 생성: MongoDB Atlas 에서 벡터 검색 인덱스를 빌드 할 수 있습니다. 또는 로컬 배포를 위한 인덱스를빌드 할 수도 있습니다.

• 벡터 검색 쿼리 수행: MongoDB의 집계 파이프라인 사용하여 벡터 검색 쿼리를 실행 워크플로의 여러 작업을 연결할 수 있습니다. 이 접근 방식을 사용하면 다른 프로그래밍 언어 학습 거나 컨텍스트를 변경할 필요가 없습니다.

작성자

• Luca Napoli, MongoDB

• Jeff Needham, MongoDB

• Karthic Subramanian, MongoDB

자세히 알아보기

• LLM 및 RAG에 대한 벡터 검색을 사용한 클레임 관리