Contexto do Projeto
O 太平洋保险, como uma das principais seguradoras nacionais, possui uma vasta quantidade de documentos comerciais, como cláusulas de seguro, regras de sinistros e materiais de produtos, totalizando mais de 30.000. Os funcionários de sinistros, consultores de vendas e novos colaboradores precisam consultar esses documentos com frequência para responder perguntas de clientes e concluir operações comerciais. A pesquisa tradicional por palavras-chave tem dificuldade em localizar informações com precisão. Em média, os funcionários levam 15 minutos para encontrar o conteúdo necessário, e o período de treinamento de novos funcionários é de 3 a 6 meses, o que afeta gravemente a eficiência operacional e a experiência do cliente.
Principais Dores
Solução
Implantação de Arquitetura RAG Privada
Implante um sistema RAG (Geração Aumentada por Recuperação) baseado no Qwen2.5-72B no ambiente de rede interna, realizando o fatiamento estruturado e a indexação vetorial dos mais de 30.000 documentos, construindo um gráfico de conhecimento corporativo. Todo o processamento de dados e inferência são concluídos na rede interna, atendendo aos requisitos de conformidade do setor financeiro de que os dados não saiam do domínio.
Perguntas e Respostas Inteligentes e Recomendação de Conhecimento
Implemente uma interface de perguntas e respostas em linguagem natural, suportando múltiplas rodadas de diálogo e compreensão de contexto. O sistema não apenas retorna respostas precisas, mas também fornece citações do texto original das cláusulas relevantes e recomendações de conhecimento associado, ajudando os usuários a compreender totalmente as regras de negócios. O tempo médio de pesquisa foi reduzido de 15 minutos para 10 segundos.
Atualização Automática da Base de Conhecimento
Conecte-se ao sistema de gerenciamento de conteúdo da empresa. Quando houver alterações nas cláusulas ou regras, a atualização incremental do índice será acionada automaticamente, garantindo que a base de conhecimento esteja sempre sincronizada com as regras de negócios mais recentes, eliminando o risco de atraso de informações.
Dados de Efeito
| Indicador | Antes da Transformação | Depois da Transformação | Melhoria |
|---|---|---|---|
| Tempo de pesquisa de conhecimento | 15 minutos | 10 segundos | 99% |
| Taxa de precisão das respostas | 40% | 92% | 130% |
| Período de treinamento de novos funcionários | 3-6 meses | 1-2 meses | 67% |
| Atraso na atualização de conhecimento | 7 dias | Em tempo real | 100% |
Stack de Tecnologia
Qwen2.5-72B, banco de dados vetorial Milvus, LangChain, FastAPI, Vue.js, implantação em rede interna com Nginx
