Implemente um agente de avaliação de risco de IA que ajuda os subscritores a fornecer avaliações instantâneas com recomendações explicáveis para cenários de aprovação, recusa e referência, criado com o MongoDB Atlas, o Atlas Vector Search e o Amazon CamadRock.
Casos de uso: Inteligência artificial, Pesquisa inteligente, Modernização
Setores: Seguros
Produtos e ferramentas: MongoDB Atlas, MongoDB Search, MongoDB pesquisa vetorial
Parceiros: Amazon Cama de Rock, Anthropic, Cohere, LangChain
Visão Geral da Solução
Os agentes de IA estão remodelando o setor de seguros automatizando processos complexos, aprimorando a precisão das decisões e permitindo o aprendizado contínuo nas operações. Elas simplificam o tratamento de reivindicações, a subscrição e o serviço ao cliente por meio da colaboração autônoma e da análise de dados em tempo real. Em vez de depender de modelos estáticos, as seguras agora podem implantar redes de agente adaptáveis que personalizam produtos, detectam fraudes antecipadamente e melhoram a avaliação de riscos. Essa mudança cria ecossistemas de seguros mais rápidos e inteligentes que atendem melhor os clientes e se adaptam rapidamente às mudanças do mercado.
Esta solução mostra um fluxo de trabalho orientado por IA que acelera o processo de subscrição de seguro. A solução combina o MongoDB Atlas para persistência de dados, pesquisa vetorial de alto desempenho e Large Language Models (LLMs) da Cohere e da Anthropic para obter avaliações de risco em tempo real, consistentes e explicáveis. Essa abordagem substitui as análises manuais tradicionais, melhorando a eficiência e a conformidade operacionais.
Arquiteturas de referência
Essa solução usa duas arquiteturas principais para criar um avançado sistema de avaliação de riscos de IA para citações de seguro, tendo o MongoDB Atlas como ponto central:
A arquitetura Agentic Subscritora, que atua sobre os próprios dados.
A Arquitetura RAG, um assistente de bate-papo baseado em texto, que lê a partir de document contendo diretrizes de subscrição e citações.
Arquitetura Agentic Subscritora: avaliação de risco em tempo real
figura 1. Processo de subscrição: arquitetura de agente
Esta arquitetura gera um relatório de subscrição utilizando o seguinte fluxo de trabalho:
Embedding generation (Citação para vetor):
Ação: Os dados brutos de cotações de seguro recebidos, incluindo detalhes da política, histórico do motorista e especificações do veículo, são imediatamente processados.
Tecnologia: os model de linguagem do Cohere convertem as informações textuais e estruturadas de citações em representações numéricas vetoriais chamadas de embeddings. Esta etapa traduz o contexto de citações complexas em um formato otimizado para pesquisa semântica.
Pesquisa vetorial e recuperação de regras (correspondência abaixo do segundo):
Ação: uma pesquisa alta utiliza a cotação gerada como query.
Tecnologia: o MongoDB Atlas Vector Search executa a pesquisa semântica em relação a um índice de regras de subscrição estabelecidas, diretrizes normativas e padrões de risco armazenados no MongoDB. Essa ação recupera rapidamente as regras específicas do contexto mais relevantes para a cotação, garantindo a conformidade e a precisão.
Armazenamento de dados flexível (persistência de dados unificado):
Ação: o sistema armazena todos os dados relevantes, incluindo as informações de cotação estruturadas originais, a vector embedding gerada e as regras de subscrição recuperadas.
Tecnologia: o flexible MongoDB's document model armazena diversos tipos de dados, como dados estruturados, não estruturados e vetoriais, em um único unificado document. Essa capacidade elimina a necessidade de junções complexas e lentas em vários sistemas de banco de dados , simplificando todo o pipeline de avaliação de risco.
Avaliação de risco alimentada por IA (avaliação sistematica):
Ação: o sistema envia a carga útil contextual completa, que inclui os dados da cotação original e as regras relevantes, para um model de IA generativa para avaliação.
Tecnologia: o modelo Claude da Anthropic realiza uma avaliação sistematizada de riscos. O model analisa fatores como histórico do driver, classificações de segurança do veículo, limites de políticas e o conjunto de regras recuperado para determinar o perfil geral de risco e a adesão às políticas internas.
Saída estruturada e consistência (Resultados acionados):
Ação: O model retorna um resultado de avaliação estruturado.
Tecnologia: o model retorna um objeto JSON padronizado. Esse resultado inclui uma pontuação numérica de risco (por exemplo, 1-100), uma explicação concisa para a pontuação e a decisão final, como "Aprovar", "Referenciar" ou "Rejeitar". O MongoDB armazena esses dados estruturados usando operações de gravação atômica, garantindo a consistência dos dados.
Impacto e principais benefícios
Todo o processo, desde a ingestão da cotação até a pontuação final, é concluído em menos de 10 segundos, fornecendo os seguintes benefícios:
Ganho de eficiência: esta solução substitui tarefas legado que Tradicionalmente levam de 30 a 60 minutos de esforço manual intensivo por parte dos subscritores.
Decisões explicáveis e consistentes: os subscritores podem usar algoritmos de IA para gerar resultados e lógicas estruturados com avaliações de risco consistentes, explicáveis e compatíveis.
Base de alto desempenho: a solução usa as funcionalidades de query e indexação de alto desempenho do MongoDB, especialmente o Atlas Vector Search, para garantir a tomada de decisões em tempo real e melhores experiências para o cliente.
Diferencial comparativo: Essa aceleração permite que as operadoras forneçam cotações imediatas e emissão de apólices, dando a elas uma vantagem comparativa no mercado de seguros.
Arquitetura RAG: assistente de bate-papo baseado em texto para o aplicativo de subscritor
Esse recurso fornece um chatbot inteligente e context-aware, projetado para fornecer assistência em tempo real a agentes e subscritores de seguros. Essa interface de conversação melhora a eficiência e a precisão no processo de subscrição.
figura 2. Bot de chat: Arquitetura RAG
A função do MongoDB
O MongoDB atende a duas funções principais na operação da solução:
Estado da conversa e gerenciamento de dados contextuais: o MongoDB mantém a continuação e a relevância da sessão de chat, armazenando o estado da conversa e os dados contextuais necessários.
Recuperação dinâmica de dados contextuais: quando um usuário faz uma pergunta, o Aggregation Pipeline do MongoDB executa uma única chamada altamente eficiente. Esse pipeline é crucial para coletar dinamicamente todos os dados relevantes necessários para a resposta, incluindo:
Detalhes da Cotação Atual
Regras de subscrição aplicáveis
Informações específicas da sessão
Flexibilidade de dados e correlação
O model de esquema flexível do MongoDB permite que o chatbot armazene, acesse e correlaciona uma ampla array de diversos tipos de dados que normalmente são silos em sistemas tradicionais, incluindo:
Campos estruturados: política padrão e dados de risco.
PDFs não estruturados: documentos de políticas, relatórios e formulários enviados.
vector embeddings: Representações semânticas de document e dados para pesquisa e recuperação de similaridade.
Histórico de conversas: o registro completo das interações atuais e passadas do usuário.
Essa capacidade de coordenar diversas estruturas de dados garante que o componente LLM do chatbot receba todas as informações relevantes.
Orientação de decisão inteligente com Anthropic Claude
O MongoDB consolida o contexto enriquecido e o envia com segurança para o LLM, especificamente o Anthropic Claude Model, por meio do AWS Bedrock. Permite ao chatbot:
Explicar o risco: forneça explicações claras e concisas de fatores de risco complexos.
Esclareça a cobertura: ofereça representações precisas da cobertura e das exclusões da política.
Guia decisões de subscrição: sugira caminhos ideais e destaque os requisitos de compliance para facilitar decisões de subscrição mais rápidas e informadas.
Construir a solução
Para replicar esta solução, verifique seu repositório GitHub. Siga o README do repositório, que aborda as seguintes etapas em mais detalhes.
Carregar dados no MongoDB Atlas
Carregue dados de amostra em sua conta do MongoDB Atlas em uma coleção chamada quotes. Os dados de amostra estão presentes no Sample_Data.md. Você pode fazer isso copiando e inserindo-o diretamente na coleção Mongodb.
Estes dados de amostra representam citações de seguros de automóveis e casas.
Principais Aprendizados
Projete assistentes nativos de seguros: crie prompts estruturados de engenharia específicos de domínio que incorporem contexto de seguro, referências de regras e formatos de saída claros para fazer com que os LLMs se comportem como assistentes nativos de seguros. Isso melhora a qualidade da resposta, reduz as alucinação e facilita a conexão das saídas de IA a fluxos de trabalho downstream.
Personalizar sistemas de recuperação: otimize a pesquisa vetorial com roteamento baseado em metadados e injeção de contexto para personalizar a recuperação em hierarquias de seguros e relacionamentos de regras. Isso produz resultados mais relevantes, melhorando o desempenho do RAG e das experiências orientadas por pesquisa.
Aprimore a representação de document: gere embeddings com reconhecimento de conteúdo e otimize a estratégia de agrupamento de document para garantir que cada document seja representado em uma forma que se adapte à sua estrutura e finalidade. Isso aumenta a precisão e a eficiência dos pipelines RAG em relação ao conteúdo de seguro misto.
Autores
Jeff Needham, MongoDB
Albert Cortez, MongoDB