FinanzasAIRAGBase de conocimientoChina

Sistema de preguntas y respuestas inteligente de base de conocimiento privada de Pacific Insurance

Antecedentes del proyecto

Pacific Insurance, como compañía de seguros líder en China, cuenta con una gran cantidad de documentos de negocio, incluyendo pólizas, reglas de reclamaciones y materiales de productos, que suman más de 30.000. Los especialistas en reclamaciones, asesores de ventas y nuevos empleados necesitan consultar estos documentos frecuentemente para responder a las preguntas de los clientes y completar las operaciones comerciales. La búsqueda tradicional por palabras clave dificulta la localización precisa de la información; los empleados tardan una media de 15 minutos en encontrar lo que necesitan, y el periodo de formación de los nuevos empleados es de 3 a 6 meses, lo que afecta gravemente a la eficiencia operativa y a la experiencia del cliente.

Puntos críticos

Baja eficiencia en la búsqueda de conocimiento: Más de 30.000 documentos dependen de búsqueda por palabras clave, tiempo medio de búsqueda 15 minutos, precisión inferior al 40%.

Largo periodo de formación de nuevos empleados: Los nuevos empleados necesitan de 3 a 6 meses para poder manejar las operaciones de forma independiente, con altos costes de formación.

Actualización asíncrona del conocimiento: Las cláusulas y reglas cambian con frecuencia, los empleados tienen dificultades para obtener la información más reciente a tiempo.

Requisitos de seguridad de datos y cumplimiento: Los datos de seguros implican privacidad del cliente, está prohibido usar servicios de IA en la nube pública.

Solución

Implementación de la arquitectura RAG privada

Se implementó un sistema RAG (Generación Aumentada por Recuperación) basado en Qwen2.5-72B en el entorno de intranet, se realizaron la segmentación estructurada y la indexación vectorial de los más de 30.000 documentos, construyendo un grafo de conocimiento de nivel empresarial. Todo el procesamiento de datos y la inferencia se completan dentro de la intranet, cumpliendo con los requisitos de conformidad de que los datos no salgan del dominio en la industria financiera.

Preguntas y respuestas inteligentes y recomendación de conocimiento

Se implementó una interfaz de preguntas y respuestas en lenguaje natural, con soporte para conversaciones de múltiples turnos y comprensión del contexto. El sistema no solo devuelve respuestas precisas, sino que también proporciona citas originales de las cláusulas relevantes y recomendaciones de conocimiento relacionado, ayudando a los usuarios a comprender completamente las reglas de negocio. El tiempo medio de búsqueda se redujo de 15 minutos a 10 segundos.

Actualización automática de la base de conocimiento

Se integró con el sistema de gestión de contenidos de la empresa, de modo que cuando las cláusulas o reglas se modifican, se activa automáticamente una actualización incremental del índice, asegurando que la base de conocimiento esté siempre sincronizada con las últimas reglas de negocio, eliminando el riesgo de información desactualizada.

Datos de resultados

Indicador	Antes	Después	Mejora
Tiempo de búsqueda de conocimiento	15 minutos	10 segundos	99%
Precisión de las respuestas	40%	92%	130%
Periodo de formación de nuevos empleados	3-6 meses	1-2 meses	67%
Retraso en actualización de conocimiento	7 días	Tiempo real	100%

Stack tecnológico

Qwen2.5-72B, base de datos vectorial Milvus, LangChain, FastAPI, Vue.js, implementación en intranet con Nginx

“Tras la puesta en marcha de la base de conocimiento, la productividad del equipo de reclamaciones se duplicó. Lo más importante es que todos los datos permanecen en la intranet, cumpliendo completamente con los requisitos de conformidad.”