部署AI风险评估代理，帮助承保人提供即时评估，并为批准、拒绝和转介场景提供可解释的建议，该代理使用MongoDB Atlas、 Atlas Vector Search和Amazon Bedrock 构建。
行业： 保险
产品和工具： MongoDB Atlas、 MongoDB Search、 MongoDB Vector Search
合作伙伴： Amazon Bedrock、Anthropic、Cohere、LangChain
解决方案概述
AI助手正在通过自动化复杂流程、提高决策准确性以及实现跨运营持续学习来重塑保险业。他们通过自主协作和实时数据分析来简化理赔处理、承保和客户服务。保险公司现在可以不依赖静态模型，而是部署自适应代理网络来个性化产品、及早检测欺诈并改进风险评估。这种转变创建了更快、更智能的保险生态系统，可以更好地为客户提供服务并快速适应市场变化。
该解决方案展示了AI驱动的工作流程，可加快保险承保进程。该解决方案结合了用于数据持久性的MongoDB Atlas 、高性能向量搜索以及来自 Cohere 和 Anthropic 的大型语言模型 (LLM)，以实现实时、一致且可解释的风险评估。这种方法取代了传统的人工审核，提高了运营效率和合合规。
参考架构
该解决方案使用两种主要架构，以MongoDB Atlas为中心，为保险报价构建先进的AI风险评估系统：
代理承保架构，作用于数据本身。
RAG 架构是一种基于文本的聊天助手，它会读取包含承保指南和报价的文档。
Agentic Underwriter 架构：实时风险评估
图 1。承保流程：代理架构
此架构使用以下工作流程生成承保报告：
嵌入生成（向量引用）：
向量搜索和规则检索（亚秒级匹配）：
操作：高级搜索使用生成的报价作为查询。
技术： MongoDB Atlas Vector Search 针对存储在MongoDB中的既定承保规则、监管指南和风险模式的索引执行语义搜索。此动作可快速检索与报价最相关、特定于上下文的规则，确保合规和准确性。
灵活的数据存储（统一数据持久性）：
操作：系统将所有相关数据存储在一起，包括原始结构化报价信息、生成的向量嵌入和检索到的承销规则。
技术：MongoDB 灵活的文档模型将结构化、非结构化和向量数据等不同数据类型存储在单个统一文档中。这种容量消除了跨多个数据库系统进行复杂、缓慢的连接的需要，从而简化了整个风险评估管道。
AI驱动的风险评估（系统评估）：
操作：系统将完整的上下文有效负载（包括原始报价数据和相关规则）发送到生成式AI模型进行评估。
技术：Anthropic 的 Claude 模型执行系统性风险评估。该模型分析驾驶员历史记录、车辆安全评级、策略限制和检索的规则设立等因素，以确定总体风险状况和对内部策略的遵守情况。
结构化输出和一致性（可操作的结果）：
操作：模型返回结构化评估结果。
技术：模型返回标准化JSON对象。此输出包括数字风险分数（示例，1 -100 ）、分数的简明解释以及最终决策，例如“Approve”（批准）、“Refer”（推荐）或“Decline”（拒绝）。 MongoDB使用原子写入操作存储这些结构化数据，从而保证数据一致性。
影响和主要优势
从报价摄取到最终得分返回的整个进程在 10秒内完成，具有以下优点：
效率提升：该解决方案取代了传统上需要承保人花费 30 到 60 分钟的大量手动工作的传统任务。
可解释且一致的决策：承保人可以使用AI算法生成结构化输出和理由，进行一致、可解释且合规的风险评估。
高性能基础：该解决方案使用 MongoDB 的高性能查询和索引功能，尤其是Atlas Vector Search，确保实时决策和更好的客户体验。
竞争优势：这种加速使保险公司能够提供即时报价和保单签发，从而在保险市场上具有竞争优势。
RAG 架构：承销商应用基于文本的聊天助手
此功能提供了一个上下文感知的智能聊天机器人，旨在为保险代理人和承保人提供实时帮助。这种对话界面提高了承保进程的效率和准确性。
图 2。聊天机器人：RAG 架构
MongoDB的作用
MongoDB为解决方案的运行提供两个主节点 (primary node in the replica set)功能：
对话状态和上下文数据管理： MongoDB存储对话状态和必要的上下文数据，保持聊天会话的连续性和相关性。
动态上下文数据检索：当用户提出问题时，MongoDB 的聚合管道会执行单个高效调用。此管道对于动态收集响应所需的所有相关数据至关重要，包括：
当前报价详情
适用的承保规则
特定于会话的信息
数据灵活性和关联性
MongoDB 灵活的模式模型允许聊天机器人存储、访问权限和关联传统系统中通常孤立的各种不同数据大量，包括：
结构化字段：标准策略和风险数据。
非结构化 PDF：政策文档、报告和提交的表格。
向量嵌入：用于相似性搜索和检索的文档和数据的语义表示。
对话历史记录：当前和过去用户交互的完整记录。
这种协调不同数据结构的功能可确保聊天机器人的 LLM 组件接收所有相关信息。
利用 Anthropic Claude 进行智能决策指导
MongoDB会整合丰富的上下文，并通过 AWS 基岩安全地将其发送到 LLM，特别是人类克劳德模型。它使聊天机器人能够：
解释风险：对复杂的风险因素提供清晰、简洁的解释。
澄清承保范围：对保单承保范围和不保事项提供精确解释。
指导承保决策：建议最佳路径并突出合规要求，以便更快、更明智地做出承保决策。
构建解决方案
要复制此解决方案，请检查其 GitHub存储库 。按照存储库的自述文件进行操作，其中更详细地介绍了以下步骤。
关键要点
设计保险原生助手：构建特定领域的工程结构化提示，嵌入保险上下文、规则引用和清晰的输出格式，使法学硕士的行为类似于保险原生助手。这提高了回答质量，减少了幻觉，并使AI输出更容易插入下游工作流程。
自定义检索系统：通过基于元数据的路由和上下文注入来优化向量搜索，从而根据保险层次结构和规则关系定制检索。这样可以提供更相关的结果，从而提高 RAG 的性能和搜索驱动的体验。
增强文档表示：生成内容感知嵌入并优化文档分块策略，以确保每个文档以适合其结构和用途的方式表示。这提高了 RAG 管道在处理混合保险内容时的准确性和效率。
作者
Jeff Needham，MongoDB
Albert Cortez, MongoDB