Страховые компании ежедневно обрабатывают тысячи документов: полисы, аффидевиты, эндорсменты и регуляторные формы. Ошибки в их классификации приводят к нарушениям комплаенса и задержкам в обработке заявлений. Традиционные автоматизированные системы часто путают документы, которые выглядят похоже, но имеют разное назначение. Например, эндорсмент полиса и регуляторный аффидевит могут содержать схожую терминологию, но их неправильная классификация может иметь серьезные последствия.
AWS предложила решение на базе Amazon Bedrock, которое использует мультиагентную архитектуру для повышения точности классификации. Вместо одной модели, которая пытается охватить все аспекты, система разбивает задачу на специализированные подзадачи. Три агента работают автономно в своих областях, а затем координируются через оркестратор. Такой подход позволяет преодолеть ограничения одномодельных систем, которые часто справляются с простыми случаями, но дают сбои на сложных документах, требующих и текстового, и визуального анализа.
| Агент | Модель/технология | Функция |
|---|---|---|
| Document Analysis Agent | Claude Haiku 4.5 | Текстовые рассуждения и интерпретация юридического языка |
| Vector Similarity Search Agent | Titan Multimodal Embeddings G1 + FAISS | Распознавание визуальных и структурных паттернов |
| Validation Agent | Strands Agents SDK | Оркестрация, сравнение результатов, оценка уверенности |
Ключевая особенность — использование двух разных моделей. Агент анализа документов работает на Anthropic Claude Haiku 4.5, который обеспечивает продвинутые текстовые рассуждения и интерпретацию юридического языка. Он анализирует содержание, метаданные и лингвистические особенности, чтобы сформировать гипотезы о типе документа. Второй агент, поиска по векторному сходству, использует Amazon Titan Multimodal Embeddings G1 для преобразования документов в векторные представления. Это позволяет распознавать визуальные и структурные паттерны: макеты форм, структуру таблиц и другие форматирования, которые отличают типы документов даже при различиях в тексте. Для эффективного поиска по сходству применяется FAISS (Facebook ИИ Similarity Search), который быстро сравнивает документы с известными шаблонами.
Архитектура включает три агента: анализатор документов, поиск по векторному сходству и валидатор, координируемые через Strands Agents SDK.
Третий агент — валидатор — действует как оркестратор и реализует паттерн «агенты как инструменты» с помощью Strands Agents SDK. Он сравнивает результаты двух специализированных агентов, выявляет согласия и разногласия, а затем генерирует итоговую классификацию с оценкой уверенности. Это позволяет поддерживать высокую точность и одновременно флагует сложные случаи для ручной проверки человеком. Такой подход обеспечивает модульность (каждый агент можно развивать независимо), прозрачность (каждый агент объясняет свои решения, создавая аудиторский след), гибкость (можно добавлять новых агентов без реструктуризации системы) и надежность (оркестратор управляет координацией и обработкой ошибок).
Для страховых компаний это означает снижение операционных рисков и ускорение обработки документов. Мультиагентный подход особенно полезен в отраслях с высокими требованиями к комплаенсу, где точность классификации критична. Решение доступно для реализации через Amazon Bedrock, и AWS предоставляет технические руководства и примеры кода для внедрения подобной архитектуры в собственные системы.
