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 geralmente gastam muito tempo comparando manualmente novas fotos de acidentes com sinistros históricos, um processo que é tanto lento quanto propenso a erros. No nosso exemplo, um carro acabou de colidir com outro veículo. O motorista sai do carro e começa a tirar fotos dos danos, enviando-as para o aplicativo de seguro do automóvel, disponibilizando as fotos para um avaliador de sinistros. Normalmente, o ajustador examinaria meticulosamente os sinistros anteriores e as diretrizes para elaborar uma estimativa dos danos e processar o sinistro.

• 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.

Nossa solução resolve esses desafios com a implementação de um sistema de pesquisa vetorial orientado por AI dentro de um banco de dados vetorial centralizado. Essa abordagem tem 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 sem interrupções: ao utilizar o MongoDB Atlas, nossa solução unifica dados entre sistemas, melhorando 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.

Por meio de um processo estruturado, podemos organizar e integrar nossos dados de forma centralizada, construindo uma ODL que permite iniciativas estratégicas, como modernização de legados e dados como serviço. Construir essa arquitetura de dados no MongoDB Atlas fornece a base para aplicativos modernos, nos fornecendo acesso a novos recursos da plataforma, como o Atlas Vector Search, que podemos usar para utilizar dados não estruturados e trabalhar com AI e LLMs.

O perito pode simplesmente pedir a uma AI para "mostrar imagens semelhantes a este acidente", e um sistema com tecnologia de pesquisa vetorial pode retornar fotos de acidentes de carro com perfis de danos semelhantes a partir do banco de dados de histórico de sinistros. O perito agora pode comparar rapidamente as fotos do acidente de carro com as mais relevantes no histórico de sinistros da seguradora.

Arquiteturas de referência

O MongoDB Atlas combina funcionalidades transacionais e de pesquisa na mesma plataforma, proporcionando uma experiência de desenvolvimento unificada. Como as embeddings são armazenados junto com os dados existentes, ao executar uma query de pesquisa vetorial, o documento que obtemos contém tanto as embeddings vetoriais quanto os metadados associados, eliminando a necessidade de recuperar os dados em outro lugar. Essa é uma grande vantagem para os desenvolvedores, pois não precisarão aprender a usar e manter uma tecnologia separada — eles podem se concentrar totalmente na criação de seus aplicativos.

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 é extremamente básico. Nossa coleção de sinistros contém documentos que incluem fotos de acidentes de carro (referências a elas, como links AWS S3) e metadados sobre as fotos, como notas descrevendo o acidente 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]
}

Documento de amostra após a embedding da imagem ser adicionada.

Construindo a Solução

Para criar nosso pipeline de pesquisa de imagens, precisamos seguir duas etapas simples:

1

Configurar o índice do Atlas Search

Crie o índice de pesquisa no Atlas seguindo as instruções deste tutorial (Etapa 4) usando a seguinte configuração conforme mostrado na imagem:

{
   _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

Configurar o índice do Atlas Search

Abra o notebook Python no repositório do Github e siga as instruções. O código irá orientar você nas etapas a seguir:

• 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

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

O código acima demonstra como realizamos a consulta de similaridade no MQL.

Figura 4. Como configurar o índice de pesquisa na IU do Atlas

Acesse o repositório Insurance-image-search no GitHub: e crie esta demonstração seguindo as instruções e os modelos associados no repositório desta solução.

Principais Aprendizados

• Vetorização de imagens: o processo de geração de incorporações pode ser realizado usando diferentes modelos e opções de implantação. É sempre importante estar atento aos requisitos de privacidade e de proteção de dados. Se precisarmos que nossos dados nunca saiam de nossos servidores, um modelo implantado localmente provavelmente é uma boa ideia. Caso contrário, podemos simplesmente chamar uma API e obter nossos vetores de volta, conforme explicado neste tutorial.

• Criação de um índice de pesquisa vetorial no Atlas: agora é possível criar índices para implantações locais.

• Fazer uma consulta de pesquisa vetorial: notavelmente, as consultas de pesquisa vetorial têm um operador dedicado dentro do pipeline de agregação do MongoDB. Isso significa que elas podem ser concatenadas com outras operações, o que as torna extremamente convenientes para os desenvolvedores, que não precisam aprender uma linguagem diferente ou mudar de contexto.

Tecnologias e produtos utilizados

Autores

• Luca Napoli, MongoDB

• Jeff Needham, MongoDB

• Karthic Subramanian, MongoDB