Amazon Bedrock Knowledge Bases відповідає на запитання про страхові клейми звичайною мовою й додає цитати до документів. Асистент збирає докази з PDF, Word і текстових нотаток.
Відповіді про клейми розкидані між записами аджастерів, кошторисами ремонту, поліцейськими звітами, платіжними реєстрами та сканованими додатками, а не зібрані в одному полі, за яким можна шукати. Агенти контакт-центру потребують точної відповіді, поки клієнт чекає на лінії, і не хочуть переводити дзвінок.
За даними AWS ML, Amazon Bedrock Knowledge Bases — повністю керований RAG-сервіс для роботи з документами — бере на себе парсинг, чанкування, ембединги та векторне сховище.
Як AgenticRetrieveStream збирає відповідь?
API AgenticRetrieveStream планує відповідь, розбиває багатоскладове запитання на підзапити й виконує один або кілька проходів пошуку, доки модель не визначить, що доказів достатньо, але не більше ніж за maxAgentIteration раундів. Застосунок передає запитання, історію діалогу та опційні фільтри метаданих, які звужують пошук.
Amazon Bedrock стримить текст відповіді, події трасування і цитати, тож інтерфейс показує результат під час надходження. Події трасування відкривають план пошуку, а кожна цитата привʼязує частину відповіді до документа справи. Страхотримаєць питає: «Чи погодили кошторис за клеймом CLM-100482 і коли видадуть чек?» Аджастер питає, які відкриті автоклейми понад $10,000 подали минулого місяця і які роботи по них залишилися.
Як асистент розбирається з версіями документів?
Amazon Bedrock Knowledge Bases визначає, який кошторис, платіж або статус є чинним, коли записи суперечать один одному: переглянутий кошторис замінює попередній, а умовний платіж згодом можуть скасувати. У синтетичному записі індекс доказів позначає застарілу версію як «superseded fax draft», а current exposure означає оцінну повну вартість клейму.
Регульовані клейми вимагають, щоб кожна відповідь спиралася на джерельні документи й містила цитати. Агент контакт-центру перевіряє джерело, перш ніж озвучити відповідь клієнту, а керівник може переглянути, як асистент дійшов до висновку.
Як звузити пошук метаданими?
Фільтри метаданих звужують пошук за атрибутами на кшталт claim ID і claim type. Біля CLM-100482.pdf лежить файл CLM-100482.pdf.metadata.json зі скалярними рядковими, числовими та булевими значеннями, і тип значення визначає доступні фільтри. Ці фільтри застосунок передає разом із запитанням та історією діалогу, тож читач може ставити уточнювальні запитання в межах однієї розмови.
Контекстний grounding guardrail в Amazon Bedrock блокує відповіді, які не спираються на знайдені записи. Перевірка запускається до генерації підсумкового тексту. Subrogation у цій схемі означає спробу страховика стягнути витрати з відповідальної третьої сторони.
Що робити зараз
Інструкція з AWS ML побудована на синтетичних записах і не описує промислове впровадження. Без потрібних контролів і дозволів не варто завантажувати реальні персональні або медичні дані.
- Складіть кожен клейм окремим документом PDF, Word або txt в Amazon S3 і додайте sidecar-файл .metadata.json з полями claim ID, claim type та іншими атрибутами для фільтрів.
- Прогоніть два запитання: статус кошторису за CLM-100482 і добірку відкритих автоклеймів понад $10,000 за минулий місяць, а потім звірте цитати з першоджерелами.
- Увімкніть contextual grounding guardrail і зберігайте trace events та цитати для перевірки агентом і аудиту керівником.
- Перевірте доступ до Bedrock і S3 через IAM, доступ до foundation model у Amazon Bedrock, регіон us-west-2 (US West Oregon) і версію Boto3, яка підтримує ці API.
