A Amazon Web Services (AWS) publicou um guia técnico detalhando como empresas do setor de seguros podem construir um assistente de consultas de sinistros capaz de responder perguntas em linguagem natural com base em documentos internos. A solução utiliza o recurso de bases de conhecimento do Amazon Bedrock, serviço de inteligência artificial generativa da companhia, combinado com a API AgenticRetrieveStream, que organiza o raciocínio do modelo em múltiplas etapas antes de produzir uma resposta final.
O ponto de partida do tutorial é um problema bastante comum em seguradoras: as informações sobre sinistros raramente estão concentradas em um único campo pesquisável. Em vez disso, elas ficam espalhadas por diários de ajustadores, orçamentos de reparo, boletins de ocorrência, registros de pagamentos e documentos digitalizados anexados aos processos. Um segurado pode querer saber apenas se o seu sinistro foi aprovado, enquanto um ajustador pode precisar listar todos os sinistros automotivos abertos acima de dez mil dólares registrados no mês anterior. Ambos os casos exigem localizar e combinar evidências de forma rápida e precisa.
Para resolver essa questão, a AWS propõe o uso da técnica conhecida como Geração Aumentada por Recuperação, em inglês Retrieval Augmented Generation (RAG). A abordagem utiliza documentos previamente indexados para fundamentar as respostas geradas pelo modelo de linguagem, reduzindo a chance de informações inventadas. O Amazon Bedrock Knowledge Bases é o componente gerenciado que automatiza etapas como a leitura dos arquivos, a divisão em trechos menores, a criação de representações numéricas chamadas embeddings e o armazenamento em um banco de dados vetorial. Com isso, é possível montar uma interface conversacional que devolve respostas acompanhadas de citações diretamente dos documentos do sinistro.
O fluxo descrito no artigo começa com o envio dos documentos de sinistro, em formatos PDF, Word ou texto, para o Amazon S3, serviço de armazenamento de objetos da AWS. Cada arquivo é acompanhado por um arquivo de metadados no formato JSON, que contém campos como o número do sinistro, tipo, status, valor, data de abertura, região, ajustador responsável e identificador do segurado. Esses metadados são usados depois para restringir as buscas por meio de filtros.
Após a configuração inicial, uma job de ingestão sincroniza os documentos com a base de conhecimento, que realiza o processamento completo automaticamente. Quando os dados estão indexados, o sistema entra na fase de recuperação. Para cada pergunta, a aplicação chama a API AgenticRetrieveStream enviando a pergunta, o histórico da conversa e filtros opcionais. Um modelo de fundação cria subconsultas e repete o processo de busca até reunir evidências suficientes, respeitando um limite máximo de iterações definido pelo desenvolvedor.
Um dos destaques da solução é o suporte a conversas com múltiplos turnos. Após uma resposta sobre o status de um sinistro, o usuário pode fazer perguntas de acompanhamento usando pronomes como "ele" ou "isto", e o serviço resolve a referência automaticamente a partir do histórico. Outra funcionalidade importante é a aplicação de filtros de metadados, que permitem restringir a busca por atributos como tipo de sinistro, status, valor e intervalo de datas, sendo possível combinar várias condições lógicas.
Para aumentar a confiabilidade, o tutorial recomenda o uso do recurso de guardrails de fundamentação contextual do Amazon Bedrock. Esse mecanismo bloqueia respostas que não estejam suficientemente sustentadas pelos documentos recuperados, funcionando como uma camada adicional de segurança. Em fluxos regulados como o de seguros, essa checagem é especialmente relevante porque toda resposta precisa estar vinculada a um documento de origem, permitindo auditoria posterior.
A AWS testou a abordagem com um conjunto sintético de 30 documentos e 40 perguntas, avaliando tanto buscas diretas quanto questões adversariais projetadas para confundir o modelo. No conjunto completo, o sistema respondeu corretamente a todas as 40 perguntas e citou fontes em todas elas, com média de 3,9 citações por resposta. A revocação de documentos esperados chegou a 90,5%, enquanto a revocação de citações atingiu 81,2%. Nas 20 perguntas adversariais, os números subiram para 96,7% e 90,2% respectivamente, mostrando que o modelo conseguiu distinguir empresas com nomes parecidos e ignorar textos em anexos que tentavam se passar por instruções.
Os autores reforçam que os dados utilizados são sintéticos e que medições automatizadas com modelos de fundação devem ser vistas como indicativas, não como garantia de funcionamento em produção. Antes de expor o assistente a segurados, a recomendação é realizar revisão humana sobre o corpus real da empresa. O mesmo padrão descrito no tutorial pode ser aplicado a outras áreas, como subscrição de apólices e atendimento de políticas, bastando adaptar os documentos e os metadados ao novo contexto.
