人工智能增强的汽车保险索赔调整

解决方案概述

保险业面临着高效、准确处理理赔的严峻挑战。传统方法效率低下，主要原因如下：

• 耗时的手动流程：理算员通常花费大量时间手动将新的事故照片与历史索赔进行比较，该进程既缓慢又容易出错。在此示例中，一辆车刚刚撞上另一辆车。驱动程序下车并开始拍摄损坏情况的照片，将其上传到汽车保险应用，然后将照片提供给理赔人员。通常，理算人会梳理过去的索赔并解析指南，以估计损失并进程索赔。

• 数据系统分散：重要信息通常分布在多个相互独立的系统中，使得数据检索和分析变得繁琐且容易出错。

• 非结构化数据量大：大量的非结构化数据，如图像和文档，在存储、检索和分析方面带来了巨大挑战，常常导致理赔处理延误和不准确。

• 不一致性和不准确性：传统理赔流程的人工操作性质可能导致评估结果不一致和理赔估算不准确，进而影响客户满意度和财务结果。

该解决方案通过在集中式矢量数据库中实施AI驱动的向量搜索系统来应对这些挑战。这种方法有几个好处：

• 减少时间和精力：自动化比较事故图像，显著减少理赔人员做出明智决策所需的时间。

• 无缝集成数据：使用MongoDB Atlas统一跨系统的数据，从而增强可访问性和分析能力。

• 利用非结构化数据：人工智能驱动的系统能够高效地处理和分析非结构化数据，从而使索赔评估更加准确和一致。

结构化进程可以集中组织和集成您的数据，构建ODL可以实现传统现代化和数据即服务等战略计划。在MongoDB Atlas上构建此数据架构为现代应用程序奠定了基础，使用户访问权限新的平台功能，例如MongoDB Atlas Vector Search，他们可以使用这些功能来解锁非结构化数据并与AI和法学硕士一起工作。

理算员可以简单地要求AI“显示与这次事故类似的图像”，而矢量搜索支持的系统可以从索赔历史数据库中返回具有类似损坏情况的车祸照片。理算员现在能够快速将车祸照片与保险公司理赔历史记录中最相关的照片进行比较。

参考架构

MongoDB Atlas在同一平台中结合了事务和搜索功能，如图 1 所示，提供了统一的开发体验。在此框架中，您可以将嵌入与现有数据一起存储到集合中，如图 2 所示。然后，如图 3 所示，您可以运行向量搜索查询，返回具有向量嵌入和关联元数据的文档，从而无需在其他地方检索数据。

图 1. 基于 MongoDB 的参考架构

图2。过去事故照片的数据集被矢量化并存储在 Atlas 中

图3.执行图像相似度查询，并返回前 5 张相似图像。

数据模型方法

矢量化图像集合的数据模型包含各种文档，包括车祸照片或作为Amazon Web Services S3 链接对这些照片的引用，以及有关照片的元数据，例如描述事故和损失金额的注释。

照片被矢量化后，其嵌入向量将作为数组与现有字段一起添加到文档中：

{
   _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]
}

构建解决方案

访问Github存储库：Insurance-image-search 并自行创建此演示。请按照以下步骤构建图片搜索管道：

1

配置Atlas Vector Search索引

按照本教程的说明在Atlas中创建 Vector Search索引（步骤 4）。使用下图的索引配置：

图 4。Atlas用户界面中的Atlas Vector Search索引配置

2

设置应用程序

打开Github存储库中的Python笔记本并按照说明进行操作，代码将指导您完成以下步骤：

• 图像嵌入类的定义

• 数据集下载

• 数据可视化功能的定义

• 连接到 MongoDB

• 数据集向量化

• 使用用户选择的照片查询数据集

关键要点

• 生成文本嵌入：您可以使用不同的模型和部署选项创建嵌入。考虑隐私和数据保护要求非常重要。如果您的数据需要保留在服务器上，您可以在本地部署模型。否则，您可以调用API并取回向量嵌入，如本教程中所述。您可以使用Voyage AI或开源模型。

• 创建向量搜索索引：您可以在MongoDB Atlas中构建向量搜索索引。或者，您也可以为本地部署构建索引。

• 执行向量搜索查询：您可以运行MongoDB 的聚合管道向量搜索查询，从而允许您在工作流程中连接多个操作。这种方法无需学习；了解另一种编程语言或更改上下文。

作者

• Luca Napoli，MongoDB

• Jeff Needham，MongoDB

• Karthic Subramanian，MongoDB

了解详情

• 使用 LLM 和 RAG 向量搜索进行理赔管理