Liquidação de sinistros aprimorada por AI para seguros veiculares

Visão Geral da Solução

O setor de seguros enfrenta um desafio assustador: processar sinistros de forma eficiente e precisa. Os métodos tradicionais estão repletos de ineficiências, principalmente devido a:

• Processos manuais demorados: os avaliadores normalmente gastam muito tempo comparando manualmente novas fotos de colisões com reivindicações históricas, um processo lento e sujeito a erros. Neste exemplo, um carro acabou de colidir com outro veículo. O motorista sai e começa a tirar fotos dos danos, enviando-os para o aplicativo de seguro de automóveis, disponibilizando as fotos para um controlador de reivindicações. Normalmente, o ajustador vasculha as reivindicações anteriores e analisa as diretrizes para fazer uma estimativa dos danos e processar a reivindicação.

• Sistemas de dados fragmentados: informações vitais costumam ficar dispersas entre vários sistemas desconectados, o que torna a recuperação e análise de dados uma tarefa trabalhosa e sujeita a erros.

• Volume de dados não estruturados: a grande quantidade de dados não estruturados, como imagens e documentos, é um desafio significativo em termos de armazenamento, recuperação e análise, frequentemente resultando em atrasos e imprecisões no processamento de sinistros.

• Inconsistência e imprecisão: o caráter manual do processamento tradicional de sinistros pode resultar em avaliações inconsistentes e possíveis imprecisões na estimativa dos sinistros, impactando a satisfação do cliente e os resultados financeiros.

A solução aborda esses desafios implementando um sistema de pesquisa vetorial orientado por IA em um banco de dados vetorial centralizado. Essa abordagem oferece vários benefícios:

• Reduz tempo e esforço: automatiza a comparação de imagens de acidentes, reduzindo significativamente o tempo necessário para que os avaliadores tomem decisões informadas.

• Integra dados perfeitamente: O uso do MongoDB Atlas unifica dados entre sistemas, aprimorando a acessibilidade e a análise.

• Aproveitamento de dados não estruturados: o sistema orientado por AI processa e analisa dados não estruturados de forma eficiente, resultando em avaliações de sinistros mais precisas e consistentes.

Um processo estruturado pode organizar e integrar seus dados de forma centralizada, a criação de um ODL permite Iniciativas estratégias, como modernização de legado e dados como serviço. A construção dessa arquitetura de dados no MongoDB Atlas fornece a base para aplicativos modernos, dando aos usuários acesso a novos recursos de plataforma, como o MongoDB Atlas Vector Search, que eles podem usar para desbloquear dados não estruturados e trabalhar com IA e LLMs.

O ajuste pode simplesmente solicitar a uma IA que "me mostre imagens semelhantes a esta falha" e um sistema alimentada Vector Search pode retornar fotos de colisões de automóveis com perfis de danos semelhantes do banco de dados de histórico de reivindicações. O ajustador agora pode comparar rapidamente as fotos dos colisões de carro com as mais relevantes no histórico de pedidos de seguro da seguradora.

Arquiteturas de referência

O MongoDB Atlas combina recursos transacionais e de pesquisa na mesma plataforma, como mostrado na figura 1, fornecendo uma experiência de desenvolvimento unificada. Nessa framework, você pode armazenar embeddings junto com dados existentes em uma collection, como mostrado na figura 2. Em seguida, conforme mostrado na figura 3, você pode executar uma query de pesquisa vetorial que retorna o documento com as incorporações vetoriais e os metadados associados, eliminando a necessidade de recuperar os dados em outro lugar.

Figura 1. Arquitetura de referência com MongoDB

Figura 2. Um conjunto de dados de fotos de acidentes passados é vetorizado e armazenado no Atlas

Figura 3. Uma consulta de similaridade de imagem é realizada, e as 5 imagens mais semelhantes são retornadas

Abordagem do modelo de dados

O modelo de dados para a coleção de imagens vetorizadas contém documentos, incluindo fotos de desastres de carro ou referências a eles como links do Amazon Web Services S3 e metadados sobre fotos, como anotações que descrevem o veículo e o valor da perda.

Depois que as fotos são vetorizadas, sua incorporação é adicionada ao documento como uma array junto aos campos existentes:

{
   _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]
}

Construir a solução

Visit the repositório do Github: Seguro-imagem-search e crie esta demonstração para você. Siga as etapas abaixo para criar seu pipeline de pesquisa de imagem:

1

Configurar o índice do Atlas Vector Search

Crie o índice do Vector Search no Atlas seguindo as instruções de este tutorial (Etapa 4). Use a configuração de índice da imagem abaixo:

figura 4. Configuração de índice do Atlas Vector Search na UI do Atlas

2

Configurar o aplicação

Abra o bloco de anotações do Python no repositório do Github e siga as instruções, o código orienta você pelas seguintes etapas:

• Definição da classe de incorporação de imagem

• Download do conjunto de dados

• Definição de funções de visualização de dados

• Conexão ao MongoDB

• Vetorização do conjunto de dados

• Fazer consultas no conjunto de dados com uma foto selecionada pelo usuário

Principais Aprendizados

• Gerar incorporações de texto: você pode criar incorporações usando diferentes modelos e opções de implantação. É importante considerar os requisitos de privacidade e proteção de dados. Você pode implantar um modelo localmente se seus dados precisarem permanecer nos servidores. Caso contrário, você pode chamar uma API e recuperar suas incorporações vetoriais, conforme explicado neste tutorial. Você pode usar modelos Voyage AI ou open-source.

• Criar índices de Vector Search: Você pode criar índices de Vector Search no MongoDB Atlas. Como alternativa, você também pode criar índices para sistemas locais.

• Execute uma query do Vector Search: você pode executar queries do Vector Search com o agregação pipeline do MongoDB, permitindo concatenar várias operações em seu fluxo de trabalho. Essa abordagem elimina a necessidade de aprender outra linguagem de programação ou alterar o contexto.

Autores

• Luca Napoli, MongoDB

• Jeff Needham, MongoDB

• Karthic Subramanian, MongoDB

Saiba mais

• Gerenciamento de declarações usando LLMs e Vector Search para RAG