利用 Amazon Bedrock 精简保险承保流程 第一部分

主要内容概述

在保险行业中，承保是风险评估及管理的基础功能，对保险公司的财务稳定性与获利能力至关重要。本文将探讨如何利用 AWS 生成性人工智能 (AI) 解决方案，例如 Amazon Bedrock，来提升承保流程的效率，包括规则验证、承保指导方针的遵循与决策解释。此外，我们还提供了相应的 GitHub 资源库，供您实际操作。

承保流程通常涉及几个关键步骤： 信息收集及验证：承保人收集并审查申请者的各种数据，如年龄、健康状况、职业及生活方式习惯等。 风险评估：承保人利用统计模型、精算数据及自身专业知识分析承保申请者的潜在风险。 保费计算：根据风险评估，承保人计算合适的保费，以平衡市场竞争和公司的获利能力。 保险政策定制：承保人可能会根据申请者的具体需求定制保险政策。 决策制定：在评估风险并确定保费后，承保人作出接受或拒绝申请的决定。

有效的承保对于保险公司的财务稳定及获利能力至关重要。准确的风险评估及合理的保费设定，帮助保险公司保持平衡的风险组合，避免潜在客户的逆选择。

承保过程中的文件理解挑战

文件理解是承保流程中的一个关键且复杂的方面，但却为保险公司带来了重大挑战。承保人需要审查及分析申请者提交的各类文件，而手动提取相关信息是一项耗时且容易出错的任务。文件理解中的挑战可大致分为三个方面：

这些挑战对承保流程的影响重大。手动数据提取和分析将延缓工作流程，导致处理时间延长和客户流失。数据解释错误或指导方针应用不一致可能导致风险评估错误、保费降低及客户损失。

面对这些挑战，保险公司越来越多地转向机器学习、自然语言处理和智能文件处理解决方案等先进技术。然而，实施这些技术对于承保商来说仍然面临挑战，建立每个文件或保险产品的规则和流程可能需要专门的团队和主题专家，而传统方法缺乏承保所需的上下文理解。

生成性 AI 和 Amazon Bedrock 如何解决这些挑战

生成性 AI 的一大优势在于其理解和诠释文件内容的能力。与依赖严格模式匹配的传统规则系统不同，生成性 AI 模型能够掌握语言的细微差别和语义，使其即使面对复杂和多样的文件格式也能提取有意义的见解。

Amazon Bedrock 是一项全托管服务，通过单一 API 提供来自 AI 公司如 AI21 Labs、Anthropic、Cohere、Meta、Mistral AI、Stability AI 和 Amazon的高效基础模型选择，以及构建安全、隐私和负责任 AI 的生成性 AI 应用程序的广泛能力。

Amazon Bedrock 简化了承保商的生成性 AI 模型的部署、扩展、实施和管理。保险公司可以轻松将预先训练的模型或自定义构建的模型集成到现有的承保工作流程中，而无需广泛的机器学习专业知识或基础设施管理。利用 AI 的力量自动化繁琐和耗时的任务，使承保人能专注于其核心专业。

使用 检索增强生成 (RAG) 技术，可以使用最新的专有信息如承保手册来为基础模型提供当前且相关的信息。 Amazon Bedrock 知识库 是一项全托管的能力，帮助您实现整个 RAG 工作流程，从信息摄取到检索及提示增强，无需建立与数据来源的自定义集成。

在此解决方案中，利用 Amazon Bedrock 提供的知识库能力，增强生成性 AI 模型的推理和决策过程。Amazon Bedrock 知识库使我们能够将相关的承保指导方针和手册纳入模型的知识库，并简化集成过程，消除了自定义与数据来源的集成需求。这确保模型拥有最新的数据，从而提供更准确且具上下文的响应。

生成性 AI 和 Amazon Bedrock 可以针对承保文件理解中的具体挑战发挥作用： 规则验证：生成性 AI 模型可以自动验证申请文件中的信息是否符合保险公司的承保指导方针。通过使用 RAG 或上下文提示等技术，这些模型能够从文档中提取相关信息并与预定的规则进行比对，标记任何不合规之处。 承保指导方针的遵循：生成性 AI 使保险公司能将其承保指导方针嵌入到提供给模型的提示或指令中。此方法不仅减少了承保决策中的不一致性，也降低了偏见。 决策解释：生成性 AI 模型能够生成清晰简洁的承保决策解释，增强过程的透明度和客观性。这些模型能够清晰阐述每个决策背后的推理，使承保人能轻松审查推断，并改善与申请人、审计员和监管机构的沟通。

通过采用生成性 AI 和 Amazon Bedrock，保险公司能提高承保的效率，减少处理时间，最小化错误，符合公平性和合规要求，并提升透明度和顾客满意度。本文展示了一个简单的查验文件与承保指导方针的用例，未来还将展示更复杂的案例以及更高级的承保规则。

解决方案概述

以下图示显示了使用各种 AWS 服务验证驾驶执照记录及承保规则的自动化过程。

该解决方案包括以下步骤：1 用户将驾驶执照记录的图像上传到 Amazon S3 存储桶。该存储桶配置为向 Amazon EventBridge 发送事件通知。2 在上传到 S3 存储桶时，EventBridge 规则触发 AWS Step Functions 状态机的启动。3 EventBridge 将事件数据发送到 Step Functions 工作流程，该工作流程将协调多个 AWS 服务以执行承保规则验证所需的任务。4 状态机启动并运行一系列事件驱动的步骤： 1 工作流以Base64 图像编码状态开始，将上传的驾驶执照图像编码为 Base64 格式。 2 Base64 编码结果然后传递到分类状态，该状态调用 Amazon Bedrock 上的 Anthropic Claude 3 Haiku 进行图像分类。 3 根据分类结果，工作流使用选择是或否状态决定是否继续。 4 如果被分类为驾驶执照，则工作流将进入并行状态以平行运行两个 Amazon Bedrock 任务。如果未被分类为驾驶执照，则工作流将失败。 5 在并行状态下，平行执行两个任务： 1 第一任务进入提取姓名和执照号码工作流状态，该状态使用 Amazon Bedrock 调用 Anthropic Claude 3 Haiku 提取图像中的姓名和驾驶执照号码，然后将姓名和执照号码传递到 AWS Lambda 函数使用执照信息调用 DMV API状态，该状态与相关的车辆管理局DMVAPI 整合以检索驾驶记录。 2 第二个任务在并行状态下执行从承保手册中检索信息操作，以获取驾驶者获得保险的适用承保规则。 6 检索到的承保规则信息随后传递到 Lambda 函数合并检索到的信息，以将所有需要验证的相关规则进行文本合并。 7 最终步骤由两个任务组成：Lambda 函数生成最终提示创建验证承保手册的提示，考虑到驾驶记录报告，然后用于调用 Amazon Bedrock 模型的状态从 Bedrock 获取最终结果，该状态生成包含规则验证和建议的最终报告。

通过结合这些 AWS 服务和利用 Anthropic Claude 3 Haiku 模型的能力，此解决方案为驾驶执照记录进行设备及承保规则验证提供了精简而智能的方法，减少手动工作并增强承保流程的准确性和效率。

前置条件

要运行该解决方案，您需要具备以下内容： 一个 AWS 账户 基本的 GitHub 资源库下载知识 基本的终端命令运行知识 承保指导方针

部署解决方案

您可以从 GitHub 资源库 下载所有必要的代码和说明。请遵循 GitHub 资源库 README 中的说明来部署解决方案。

测试解决方案

要测试该解决方案，请将 示例驾驶执照 上传至承保文件存储桶中。

要找到承保文件存储桶的 URL，您可以按照以下步骤进行：1 在 AWS CloudFormation 控制台中，选择导航窗格中的 Stacks。2 选择 GenAIUnderwritingValidationStack。3 在 Outputs 标签中，注意 UnderwritingBucketURL 的值。

要将示例驾驶执照上传至承保文档存储桶，请按照以下步骤操作：1 在 Amazon S3 控制台中，使用 UnderwritingBucketURL 导览至 underwritingdocumentbucket。2 点击 上传。3 选择示例驾驶执照，然后点击 上传。

要查看 Step Functions 状态机的工作流程，请按照以下步骤进行：1 在 Step Functions 控制台中，选择导航窗格中的 状态机。2 选择 UnderwritingValidationStateMachine，然后点击 查看详情。3 选择该状态机，并检查图形、事件和状态视图以获取更多信息。

清理工作

试用此解决方案后，请遵循 GitHub 资源库 README 中的清理指南，以避免产生费用。

定价

此解决方案由四项主要服务组成：Amazon Bedrock、Amazon S3、EventBridge 和 Step Functions。我们将在本文中讨论按需 Amazon Bedrock 定价。可查阅其他服务的定价页面。

在按需模式下，您只需为实际使用的部分付费，无需时间基准的合约承诺。对于 Anthropic Claude 3 模型，您将为每个处理的输入标记和生成的输出标记付费。

如下图所示，定价因各个 Anthropic 模型如 Claude 3 Haiku、Claude 3 Sonnet、Claude 3 Opus而异。

Claude 3 Haiku 是 Anthropic 速度最快、体积最小的模型，提供近乎即时的响应。Claude 3 Sonnet 在智能和速度之间达到了理想平衡，特别适合企业级工作负载。本解决方案利用 Haiku 的高级视觉能力来处理驾驶执照照片，并利用 Sonnet 进行基于 RAG 的承保手册验证。

结论

在本文中，我们探索了保险公司承保流程中文件理解的重要挑战及其复杂性。手动提取申请文件中的相关信息、验证承保指导方针的遵循，以及提供清晰的决策解释，都是耗时且容易出错的任务，