AI 보험 언더라이터

MongoDB Atlas, Atlas Vector Search 및 Amazon 침대록을 기반으로 구축된 AI 위험 평가 에이전트를 배포하여 인수자가 승인, 거부 및 참조 시나리오에 대한 설명 가능한 권장 사항을 포함하여 즉각적인 평가를 제공할 수 있도록 지원합니다.

사용 사례: 인공 지능, 지능형 검색, 현대화

산업: 보험

제품 및 도구: MongoDB Atlas, MongoDB Search, MongoDB Vector Search

파트너: Amazon 베드락, Atronic, 코히어, LangChain

솔루션 개요

AI 에이전트는 복잡한 프로세스를 자동화하고, 의사 결정의 정확성을 높이며, 운영 전반에 걸쳐 지속적인 학습을 가능하게 하여 보험 업계를 재편하고 있습니다. 자율 협업 및 실시간 데이터 분석을 통해 클레임 처리, 언더라이팅, 고객 서비스를 간소화합니다. 이제 보험사는 정적 모델에 의존하는 대신 제품을 개인화하고, 사기를 조기에 감지하며, 위험 평가를 개선하는 적응 에이전트 네트워크를 배포 할 수 있습니다. 이러한 변화는 고객에게 더 나은 제공 하고 시장 변화에 빠르게 적응할 수 있는 더 빠르고 스마트한 보험 에코시스템을 만들고 있습니다.

이 솔루션은 보험 인수 프로세스 가속화하는 AI 기반 워크플로를 보여줍니다. 이 솔루션은 데이터 지속성을 위한 MongoDB Atlas , 고성능 벡터 검색 , 코히어(Cohere)와 Athroughic의 LLM(Large Language Models)을 결합하여 일관적인 되고 설명 가능한 실시간 위험 평가를 달성합니다. 이 접근 방식은 기존의 수동 검토를 대체하여 운영 효율성 과 컴플라이언스 개선합니다.

참조 아키텍처

이 솔루션은 두 가지 주요 아키텍처를 사용하여 MongoDB Atlas 중앙 허브로 사용하여 보험 견적에 대한 고급 AI 위험 평가 시스템을 빌드 .

데이터 자체에 대해 작동하는 Agentic Underwriter 아키텍처.
텍스트 기반 채팅 도우미인 RAG 아키텍처는 언더라이팅 가이드라인 및 인용문이 포함된 문서에서 읽습니다.

Agentic Underwriter 아키텍처: 실시간 위험 평가

그림 1. 언더라이팅 프로세스: 에이전트 아키텍처

이 아키텍처는 다음 워크플로를 사용하여 언더라이팅 보고서를 생성합니다.

임베딩 생성(Quote to vector):
- 작업: 정책 세부 정보, 운전자 배경, 차량 사양 등 수신되는 원시 보험 견적 데이터가 즉시 처리됩니다.
- 기술: 코히어의 언어 모델은 텍스트 및 구조화된 인용문 정보를 임베딩이라고 하는 숫자 벡터 표현으로 변환합니다. 이 단계에서는 복잡한 인용문 컨텍스트를 시맨틱 검색 에 최적화된 형식으로 변환합니다.
벡터 검색 및 규칙 조회(초 미만 일치):
- 조치: 상위 검색은 생성된 견적을 쿼리 로 사용합니다.
- 기술: MongoDB Atlas Vector Search는 MongoDB 에 저장된 기존 인수 규칙, 규제 가이드라인, 위험 패턴의 인덱스 에 대해 시맨틱 검색 실행합니다. 이 조치 견적에 대해 가장 관련성이 높은 컨텍스트별 규칙을 빠르게 검색하여 컴플라이언스 와 정확성을 보장합니다.
유연한 데이터 저장 (통합 데이터 지속성):
- 조치: 시스템은 구조화된 원본 견적 정보, 생성된 벡터 임베딩, 조회된 언더라이팅 규칙 등 모든 관련 데이터를 함께 저장합니다.
- 기술: MongoDB의 유연한 문서 모델 구조화된 데이터, 구조화되지 않은 데이터, 벡터 데이터와 같은 다양한 데이터 유형을 하나의 통합 문서 에 저장합니다. 이러한 용량 여러 데이터베이스 시스템에 걸쳐 복잡하고 느린 조인이 필요하지 않으므로 전체 위험 평가 파이프라인 간소화합니다.
AI 기반 위험 평가(체계적 평가):
- 작업: 시스템에서 원본 견적 데이터 및 관련 규칙을 포함한 전체 컨텍스트 페이로드를 평가를 위해 생성형 AI 모델로 전송합니다.
- 기술: Atronic의 Claude 모델은 체계적 위험 평가를 수행합니다. 이 모델은 운전자 이력, 차량 안전 등급, 정책 한도, 검색된 규칙 설정하다 등의 요인을 분석하여 전체 위험 프로필과 내부 정책 준수 여부를 결정합니다.
구조화된 출력 및 일관성 (실행 가능한 결과):
- 작업: 모델이 구조화된 평가 결과를 반환합니다.
- 기술: 이 모델은 표준화된 JSON 객체 반환합니다. 이 출력에는 숫자로 된 위험 점수( 예시: 1100-), 점수에 대한 간결한 설명, 최종 결정(예: "Approve", "Refer" 또는 "Decline")이 포함됩니다. MongoDB 원자성 쓰기 (write) 작업을 사용하여 이 구조화된 데이터를 저장하여 데이터 일관성 보장합니다.

영향 및 주요 이점

견적 수집부터 최종 점수 반환까지의 전체 프로세스 초 이내에 완료되어 다음과 같은 이점이 10 있습니다.

효율성 향상: 이 솔루션은 기존에 언더라이터가 30 ~ 60 분의 집중적인 수작업을 필요로 하는 레거시 작업을 대체합니다.
설명 가능하고 일관적인 결정: 언더라이터는 AI 알고리즘을 사용하여 일관적인 되고 설명 가능하며 규정을 준수하는 위험 평가를 통해 구조화된 출력과 이론적 근거를 생성할 수 있습니다.
고성능 기반: 이 솔루션은 MongoDB의 고성능 쿼리 및 인덱싱 기능, 특히 Atlas Vector Search 사용하여 실시간 의사 결정과 더 나은 고객 경험을 보장합니다.
경쟁우위: 이러한 가속화를 통해 보험사는 즉각적인 견적과 증서 발급을 제공하여 보험 시장에서 경쟁 우위를 점할 수 있습니다.

RAG 아키텍처: 언더라이터 앱 에 대한 텍스트 기반 채팅 도우미

이 기능 보험 에이전트와 언더라이터(underwriters)에게 실시간 지원을 제공하도록 설계된 지능형 상황 인식 챗봇을 제공합니다. 이 대화형 인터페이스는 언더라이팅 프로세스 의 효율성 과 정확성을 향상시킵니다.

그림 2. 챗봇: RAG 아키텍처

MongoDB 의 역할

MongoDB 솔루션 운영에 두 가지 프라이머리 기능을 제공합니다.

대화 상태 및 상황별 데이터 관리: MongoDB 대화 상태 와 필요한 상황별 데이터를 저장하여 채팅 세션의 연속성과 관련성을 유지합니다.
동적 상황별 데이터 검색: 사용자가 질문을 제기하면 MongoDB의 집계 파이프라인이 매우 효율적인 단일 호출을 실행합니다. 이 파이프라인 다음을 포함하여 응답에 필요한 모든 관련 데이터를 동적으로 수집하는 데 중요합니다.
- 현재 견적 세부 정보
- 적용 가능한 언더라이팅 규칙
- 세션별 정보

데이터 유연성 및 상관관계

MongoDB의 유연한 스키마 모델을 통해 챗봇은 다음을 포함하여 일반적으로 기존 시스템에서 격리된 다양한 데이터 배열 을 저장, 액세스 , 상관 관계를 분석할 수 있습니다.

구조화된 필드: 표준 정책 및 위험 데이터.
구조화되지 않은 PDF: 정책 문서, 보고서 및 제출된 양식.
벡터 임베딩: 유사성 검색 및 조회를 위한 문서 및 데이터의 시맨틱 표현입니다.
대화 기록: 현재 및 과거 사용자 상호 작용에 대한 전체 기록 입니다.

다양한 데이터 구조를 조화시키는 이러한 역량 챗봇의 LLM 구성 요소가 모든 관련 정보를 수신하도록 보장합니다.

Anthropic Claude를 사용한 지능형 의사 결정 안내

MongoDB 풍부한 컨텍스트를 통합하여 AWS 기반을 통해 LLM,특히 Anthropic Claude 모델로 안전하게 전송합니다. 챗봇을 통해 다음을 수행할 수 있습니다.

위험 설명: 복잡한 위험 요인에 대한 명확하고 간결한 설명을 제공합니다.
적용 범위 명확화: 정책 적용 범위 및 제외 사항에 대한 정확한 해석을 제공합니다.
언더라이팅 결정 안내: 최적의 경로를 제안하고 컴플라이언스 요건을 강조하여 보다 빠르고 정확한 정보에 입각한 언더라이팅 결정을 내릴 수 있습니다.

솔루션 빌드

이 솔루션을 복제하려면 해당 GitHub 리포지토리 를 확인하세요. 다음 단계를 더 자세히 다루는 리포지토리의 README를 따르세요.

MongoDB Atlas 에서 데이터 로드

MongoDB Atlas 계정의 quotes 컬렉션 에 샘플 데이터를 로드합니다. 샘플 데이터는 Sample_Data.md에 있습니다. 이를 복사하여 Mongodb 컬렉션에 직접 삽입하여 이 작업을 수행할 수 있습니다.

이 샘플 데이터는 자동차 및 주택 보험의 견적을 나타냅니다.

벡터 검색 인덱스 만들기

명령줄 또는 Mongodb Compass UI 에서 인덱스 탭 으로 이동하여 다음 구조로 새 벡터 인덱스를 만듭니다.

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

백엔드 실행

백엔드 폴더에서 uv 실행 메인 명령을 사용합니다. 그러면 모든 데이터 처리 실행될 백엔드 가 로드됩니다.

프런트 엔드 로드

프론트엔드 폴더에서 npm start 명령을 사용합니다. 그러면 UI 요소가 로드됩니다.

보고서 생성

모든 견적을 가져오거나 검색 기능을 사용하여 특정 견적을 찾은 다음 UI 에서 보고서 생성 버튼을 사용하여 보고서를 생성하면 언더라이팅 에이전트 기능이 실행됩니다.

주요 학습 사항

디자인 인슈어런스 네이티브 어시스턴트: 인슈런스 컨텍스트, 규칙 참조, 명확한 출력 형식을 포함하는 도메인별 엔지니어링 구조화된 프롬프트를 빌드하여 LLM이 인슈런스 네이티브 어시스턴트처럼 작동하도록 합니다. 이를 통해 답변 품질이 향상되고, 환각이 줄어들며, AI 출력을 다운스트림 워크플로에 더 쉽게 연결할 수 있습니다.
조회 시스템 사용자 지정: 메타데이터 기반 라우팅 및 컨텍스트 주입으로 벡터 검색 최적화하여 보험 계층 및 규칙 관계에 맞게 조회를 맞춤 설정합니다. 이를 통해 보다 관련성 높은 결과를 제공하여 RAG 및 검색 기반 환경의 성능을 개선합니다.
문서 표현 향상: 콘텐츠 인식 임베딩을 생성하고 문서 청크 전략을 최적화하여 각 문서 구조와 목적에 맞는 방식으로 표현되도록 합니다. 이를 통해 혼합된 보험 콘텐츠에 대한 RAG 파이프라인의 정확성과 효율성 향상됩니다.

작성자

Jeff Needham, MongoDB
Albert Cortez, MongoDB

자세히 알아보기

돌아가기

AI 기반 클레임 조정

PDF 검색 애플리케이션 구축