Diese Forschung schlägt ein auf Retrieval-Augmented Generation (RAG) basierendes mehrmodulares KI-System vor, das darauf ausgelegt ist, die Interaktion mit Informationen zur Krankenversicherung zu optimieren. Im Gegensatz zu früheren Ansätzen, die konversationelle Unterstützung, Policenempfehlungen und Dokumentenabruf als isolierte Aufgaben betrachten, vereint unser System diese Module in einer einzigen Architektur. Das Framework integriert einen Chatbot für allgemeine Versicherungsanfragen, eine Policenempfehlungs-Engine, die RAG mit sowohl strukturierten als auch unstrukturierten Policendaten nutzt, und ein Dokumentenabrufmodul für die Klauselsuche aus hochgeladenen Policen. Ein wesentlicher Beitrag ist die Einbeziehung eines Bewertungsagenten, der menschliches Urteil simuliert, um die Antwortqualität hinsichtlich Relevanz, Genauigkeit, Klarheit und Hilfsbereitschaft zu bewerten und somit einen automatisierten Feedback-Kreis zur Verbesserung der Leistung im Laufe der Zeit zu bieten. Experimentelle Ergebnisse zeigen eine starke semantische Retrievalleistung (BERTScore F1 bis zu 0.84), robuste Empfehlungsfähigkeiten (Hit@5 = 1.0, Recall@5 = 0.833) und einen effektiven Klauselabruf aus Polizeidokumenten (BERTScore F1 = 0.8443). Die Neuheit dieser Arbeit liegt in der domänenspezifischen Anwendung von RAG mit einer modularen Architektur und Qualitätsbewertungsagenten, die das Risiko von Halluzinationen verringert, die Transparenz von Policen verbessert und benutzerzentrierte Versicherungsunterstützung bietet.
Hanmante et al. (Thu,) haben diese Frage untersucht.