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 드는 수동 프로세스: 조정자들은 일반적으로 새로운 사고 사진을 과거의 청구 기록과 수동으로 비교하는 데 많은 시간을 할애합니다. 이 과정은 느리고 오류가 발생하기 쉽습니다. 이 예시에서는 자동차가 다른 차량과 방금 충돌했습니다. 운전자가 차에서 내려 손상된 부분을 사진으로 찍고, 이를 자동차 보험 앱에 업로드하여 손해사정인이 볼 수 있도록 합니다. 일반적으로 조정자는 과거의 클레임을 꼼꼼히 검토하고 지침을 분석하여 손해를 추산하고 클레임을 처리합니다.

• 단편화된 데이터 시스템: 중요한 정보가 여러 개의 연결되지 않은 시스템에 분산되어 있어, 데이터 검색 및 분석이 번거롭고 오류가 발생하기 쉬운 작업이 됩니다.

• 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.

당사의 솔루션은 중앙 집중형 벡터 데이터베이스 내에 AI 기반 벡터 검색 시스템을 구현하여 이러한 과제를 해결합니다. 이 접근 방식은 다음과 같은 여러 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 Atlas를 사용해 시스템 전반의 데이터를 통합함으로써 접근성과 분석 기능을 강화합니다.

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

구조화된 프로세스를 통해 데이터를 중앙에서 구성하고 통합할 수 있으며, ODL을 빌드하면 레거시 현대화 및 DaaS(Data-as-a-Service) 같은 전략적 이니셔티브를 추진할 수 있습니다. MongoDB Atlas를 기반으로 이 데이터 아키텍처를 빌드하면 최신 앱의 토대를 마련할 수 있으며, Atlas Vector Search와 같은 새로운 플랫폼 기능을 활용해 비정형 데이터를 처리하고 AI 및 LLM과 연계하여 작업할 수 있습니다.

조정 담당자는 AI에게 "이 사고와 유사한 이미지를 보여줘"라고 요청할 수 있으며, 벡터 검색 기반 시스템은 청구 이력 데이터베이스에서 손상 프로필이 비슷한 차량 사고 사진을 반환할 수 있습니다. 이제 조정 담당자는 해당 사진을 보험사의 청구 기록에서 가장 관련성 높은 사진과 빠르게 비교할 수 있습니다.

참조 아키텍처

MongoDB Atlas는 트랜잭션과 검색 기능을 하나의 플랫폼에 결합해 통합된 개발 환경을 제공합니다. 임베딩을 기존 데이터와 함께 저장하면 벡터 검색 쿼리를 실행할 때 벡터 임베딩과 관련 메타데이터를 모두 포함한 문서를 바로 가져올 수 있어 다른 저장소에서 데이터를 조회할 필요가 없습니다. 이는 별도의 기술을 새로 배우고 유지 관리할 필요 없이 앱 개발에만 집중할 수 있다는 점에서 개발자에게 큰 장점입니다.

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 데이터 모델은 매우 기본적입니다. 당사의 청구 컬렉션에는 자동차 충돌 사진(AWS S3 링크로 참조)과 사고 및 손실 금액을 설명하는 메모와 같은 사진 메타데이터를 포함한 문서가 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]
}

이미지 임베딩이 추가된 후 샘플 문서.

솔루션 구축

이미지 검색 파이프라인을 빌드하려면 간단한 2단계를 진행합니다.

1

Atlas Search 인덱스 구성

Atlas에서 이 튜토리얼(단계 4)의 지침에 따라, 이미지에 표시된 대로 다음 구성을 사용하여 검색 인덱스를 생성합니다.

{
   _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 인덱스 구성

Github 리포지토리에서 Python 노트북을 열고 지침을 따르세요. 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.

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

위 코드는 MQL에서 유사성 쿼리를 수행하는 방법을 보여줍니다.

그림 4. Atlas UI에서 검색 인덱스를 구성하는 방법

GitHub 리포지토리: Insurance-image-search를 방문하고 이 솔루션의 리포지토리에서 제시하는 지침과 관련 모델에 따라 직접 데모를 생성합니다.

주요 학습 사항

• 이미지 벡터화: 임베딩 생성 과정은 다양한 모델과 배포 옵션을 통해 수행할 수 있습니다. 항상 개인정보 보호 및 데이터 보호 요구 사항을 유념하는 것이 중요합니다. 데이터가 서버를 절대 벗어나지 않도록 하려면 로컬에 배포된 모델을 사용하는 것이 아마도 좋은 선택입니다. 그렇지 않으면 이 튜토리얼에서 설명한 대로 API를 호출하여 벡터를 다시 가져올 수 있습니다.

• Atlas에서 벡터 검색 인덱스 생성: 이제 로컬 배포에 인덱스를 생성할 수 있습니다.

• 벡터 검색 쿼리 수행: 특히 벡터 검색 쿼리는 MongoDB의 집계 파이프라인에 전용 연산자가 있습니다. 이는 다른 작업과 연결할 수 있음을 의미하며, 개발자에게 매우 편리합니다. 왜냐하면 개발자는 다른 언어를 학습하거나 문맥을 바꿀 필요가 없기 때문입니다.

사용된 기술 및 제품

작성자

• Luca Napoli, MongoDB

• Jeff Needham, MongoDB

• Karthic Subramanian, MongoDB