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：

• 耗时的人工流程：理赔员通常需要花费大量时间手动比对新的事故照片与历史理赔记录，这一过程既缓慢又容易出错。在我们的示例中，一辆汽车刚刚撞上了另一辆车。司机下车后开始拍摄损坏情况，并将照片上传至其汽车保险应用程序，使理赔员可以查看。通常，理赔员会仔细查阅以往的索赔记录，并解读相关指南，以估算损失并处理索赔。

• 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。

我们的解决方案通过在集中式向量数据库中实现 AI 驱动的向量搜索系统，解决了这些挑战。这种方法提供了几点优势：

• 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：通过使用MongoDB Atlas，我们的解决方案实现了跨系统的数据统一，增强了数据的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。

通过结构化的流程，我们可以集中组织和整合数据，构建 ODL，从而实现旧版系统现代化和数据即服务等战略举措。在 MongoDB Atlas 上构建这种数据架构为现代应用程序奠定了基础，使我们能够访问新的平台功能，例如 Atlas Vector Search，我们可以利用这些功能来解锁非结构化数据，并与 AI 和 LLM 协同工作。

理赔员只需要求 AI “向我展示与此次车祸相似的图片”，由 Vector Search 驱动的系统就能从理赔历史数据库中返回具有相似损害特征的车祸照片。理赔员现在可以快速将车祸照片与保险公司理赔记录中最相关的照片进行比较。

参考架构

MongoDB Atlas 将事务处理和搜索功能整合于同一平台，提供统一的开发体验。由于嵌入向量与现有数据一起存储，当运行向量搜索查询时，我们可以获取包含向量嵌入和相关元数据的文档，从而无需从其他地方检索数据。这对开发者来说是一个巨大优势，因为他们无需学习和维护独立的技术，可以完全专注于构建应用程序。

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非常基础，我们的索赔集合包含文档，其中包括车祸照片（以 AWS S3 链接的形式引用）以及有关照片的元数据，例如描述事故和损失金额的备注。

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]
}

添加图像嵌入后的示例文档。

构建该解决方案

为了构建图像搜索管道，我们需要遵循两个简单的步骤：

1

配置 Atlas Search 索引

在 Atlas 中按照 本教程（步骤 4）的说明创建搜索索引，并使用如下配置（如图所示）：

{
   _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

配置 Atlas Search 索引

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

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

上述代码展示了我们如何在 MQL 中执行相似性查询。

图 4. 如何在 Atlas 用户界面中配置搜索索引

访问 GitHub repo: Insurance-image-search，并按照此解决方案存储库中的说明和相关模型创建此演示。

关键要点

• 图像向量化：嵌入生成过程可以通过不同的模型和部署方案来实现。始终要重视隐私和数据保护要求。如果我们需要确保数据绝不离开我们的服务器，那么本地部署模型可能是一个不错的选择。否则，我们可以直接调用 API 并获取向量，详情请参见本教程的说明。

• 在 Atlas 中创建向量搜索索引：现在可以为本地部署创建索引。

• 执行向量搜索查询：值得注意的是，向量搜索查询在 MongoDB 的聚合管道中拥有专门的操作符。这意味着它们可以与其他操作连接起来，这对开发者来说非常方便，因为他们不需要学习不同的语言或更改上下文。

使用的技术和产品

作者

• Luca Napoli，MongoDB

• Jeff Needham，MongoDB

• Karthic Subramanian，MongoDB