Descubra como o MongoDB e o LangGraph podem ajudar as empresas de seguros a otimizar o em processamento de sinistros e proporcionar uma melhor experiência ao cliente.
Casos de uso: Gen AI, Gerenciamento de Conteúdo
Setores: Seguro, serviços financeiros, varejo, Assistência médica
Produtos: MongoDB Atlas, MongoDB Atlas Vector Search
Parceiros: Anthropic, AWS, Cohere, LangChain
Visão Geral da Solução
A Agentic AI está transformando o setor de seguro, permitindo que sistemas autônomos vejam, raciocinam e ajam de forma independente. Os agentes de IA são autônomos, o que permite que sejam orientados por objetivos e operem sem instruções precisas. As operadoras estão investindo fortemente nessas tecnologias para superar as limitações do sistema legado, oferecer experiências personalizadas ao cliente e capitalizar o mercado de seguros de IA de US$80 bilhões projetado por 2032.
O processamento eficiente de sinistros é importante para a modernização do setor de seguros. Ferramentas de IA como NLP, classificação de imagens e incorporação vetorial ajudam as seguradoras a realizar as seguintes tarefas:
Gere avaliações precisas de impacto de catástrofes.
Acelere o roteamento de requisições com metadados mais ricos.
Previna litígios com uma análise mais eficaz.
Minimize as perdas financeiras utilizando avaliações de risco mais precisas.
No entanto, aplicar IA a cenários de produção pode apresentar desafios ao equilibrar confiabilidade e flexibilidade. Muita autonomia pode levar a resultados imprevisíveis, enquanto restrições excessivamente rígidas podem reduzir a autonomia dos agentes.
Para superar esses desafios, esta solução mostra como um agente de IA pode ajudar você a otimizar as operações de sinistros e aumentar a satisfação do cliente com um fluxo de trabalho de sinistros em processamento em várias etapas. Neste fluxo de trabalho, o agente lida com fotos de acidentes, avalia os danos e verifica a cobertura do seguro. LLMs analisam informações de políticas e documentos relacionados recuperados do MongoDB Atlas Vector Search. Os resultados são então armazenados em um banco de dados MongoDB Atlas.
Arquitetura de referência
Para auxiliar os agentes a compreenderem seu contexto, elabore um prompt que descreva o escopo e os objetivos ao definir a instância do agente. Esta solução utiliza o seguinte prompt:
"Você é um assistente de gerenciamento de sinistros para uma empresa de seguros. Seu objetivo é ajudar os responsáveis pelo processamento de reivindicações a compreender o escopo da reivindicação atual e fornecer informações relevantes para auxiliá-los a tomar uma decisão informada. Em particular, com base na descrição do acidente, você precisa buscar e resumir as diretrizes de seguro relevantes para que o responsável possa determinar a cobertura e processar o sinistro de acordo. Apresente suas descobertas de forma clara e extremamente concisa.
Além de definir tarefas, é necessário especificar quais ferramentas o agente pode utilizar e como utilizá-las. Este sistema utiliza a Pesquisa Vetorial e grava no banco de dados, conforme representado na imagem abaixo.
Figura 1. Etapas do fluxo de trabalho agêntico
A pesquisa vetorial mapeia a descrição da imagem vetorizada para a apólice vetorizada relacionada, que inclui a descrição da cobertura para essa classe de acidente. O agente utiliza a apólice e as coberturas relacionadas para recomendar as próximas ações e atribuir uma ordem de serviço a um gestor de sinistros. Em seguida, ele grava no banco de dados para armazenar essas informações.
Além disso, a solução usa as seguintes tecnologias:
O LLM do Athropiccomo o memória do agente.
LangGraph como estrutura da agente.
Construir a solução
Para replicar esta solução, siga as instruções no README do repositório Github desta solução. Este processo inclui as seguintes etapas:
Conectar no MongoDB Atlas e crie seu banco de dados.
Criar as coleções especificadas.
Configure seu índice de pesquisa vetorial.
Crie uma conta AWS e configure seus modelos Bedrock.
Configurar e executar o backend.
Configure e execute o frontend.
Configure os contêineres do Docker.
Após seguir estas etapas, você pode executar o aplicativo.
Principais Aprendizados
Agentes de IA simplificam o processamento de sinistros: Agentes de IA automatizam o processo de localização de apólices e cobertura, eliminando a necessidade de navegar por vários sistemas, ler PDFs extensos e resumir informações.
A IA agentiva pode impulsionar mudanças transformadoras: os agentes de IA possuem um nível de autonomia sem precedentes com suas capacidades de raciocinar, perceber e agir. As seguradoras devem adotar a experimentação e integrar essas tecnologias em seus sistemas e processos para se manterem competitivas.
O document model flexível do MongoDB permite fácil acesso aos dados: Os agentes podem acessar facilmente dados estruturados e não estruturados armazenados no MongoDB usando APIs ou o servidor MCP do MongoDB. Isso permite que os agentes lidem com interações complexas e contextuais.
Autores
Luca Napoli, MongoDB