Contexto do Projeto
A 太平洋保险, uma das maiores seguradoras da China, gerencia um enorme acervo de documentos operacionais – mais de 30 mil itens entre cláusulas de apólices, regras de sinistralidade, materiais de produtos e outros. Diariamente, analistas de sinistros, consultores comerciais e novos colaboradores precisam consultar esses documentos com frequência. A busca tradicional por palavras‑chave dificultava a localização precisa da informação: os funcionários levavam, em média, 15 minutos para encontrar o conteúdo desejado, e a precisão não passava dos 40%.
Principais Desafios
Solução
Implantação de arquitetura RAG em ambiente privado
Implantamos, em rede interna, um sistema RAG (Retrieval-Augmented Generation) baseado no Qwen2.5‑72B. Mais de 30 mil documentos foram segmentados de forma estruturada, indexados como vetores e organizados em um grafo de conhecimento corporativo. Todo o processamento e a inferência permanecem dentro da rede local, atendendo aos requisitos de conformidade do setor financeiro que exigem que os dados não saiam do domínio da empresa.
Perguntas e respostas inteligentes com recomendação de conhecimento
Implementamos uma interface de linguagem natural que suporta diálogos com múltiplos turnos e compreensão de contexto. O sistema não apenas retorna a resposta precisa, mas também exibe as citações originais das cláusulas relevantes e conhecimentos relacionados, ajudando o usuário a compreender de forma abrangente as regras de negócio.
Atualização automática da base de conhecimento
Integramos ao sistema de gestão de conteúdo da empresa. Sempre que uma cláusula ou regra é alterada, o sistema dispara automaticamente a indexação incremental, garantindo que a base de conhecimento esteja sempre sincronizada com as práticas de negócio mais recentes.
Resultados e Dados
| Indicador | Antes da otimização | Após otimização | Melhoria |
|---|---|---|---|
| Tempo de busca de conhecimento | 15 minutos | 10 segundos | ↓99% |
| Precisão das respostas | 40% | 92% | ↑130% |
| Ciclo de integração de novos colaboradores | 3‑6 meses | 1‑2 meses | ↓67% |
| Atraso na atualização do conhecimento | 7 dias | em tempo real | ↓100% |
> Resumo quantitativo: o tempo de busca caiu 99%, para 10 segundos; a precisão subiu 130%, para 92%; a integração de novos colaboradores foi reduzida em 67%, para 1‑2 meses; e o atraso na atualização do conhecimento passou de 7 dias para tempo real.
Stack Tecnológica
Qwen2.5‑72B, Milvus (banco de vetores), LangChain, FastAPI, Vue.js, Nginx (implantação on‑premise)
Perguntas Frequentes
Qual é a taxa de recall normalmente alcançada por uma base de conhecimento RAG?
Com ajustes na estratégia de segmentação e na afinação do modelo de vetores, a taxa de recall em ambientes corporativos costuma ficar entre 85% e 95%. Neste caso, a precisão das respostas passou de 40% para 92%, graças principalmente à qualidade da segmentação estruturada e da indexação vetorial dos mais de 30 mil documentos.
Como a base de conhecimento da seguradora atende aos requisitos de conformidade de dados que não podem sair do domínio local?
Todo o processamento e a inferência são executados exclusivamente na rede interna, utilizando o modelo Qwen2.5‑72B em implantação privada, com zero transmissão de dados para fora. O sistema atende aos requisitos de conformidade do setor financeiro e já foi aprovado em auditoria interna de segurança.
O custo de manutenção de uma base de conhecimento RAG é alto?
Não. A base de conhecimento está integrada ao sistema de gestão de conteúdo da empresa, acionando a indexação incremental automaticamente sempre que há mudanças em cláusulas ou regras, sem necessidade de intervenção humana. A manutenção rotineira limita‑se a pequenos ajustes de modelo e à resolução de anomalias esporádicas, podendo ser realizada por um único profissional de operações.
