用例1:
📁 使用矢量搜索和LLM的PDF搜索应用程序
💼 检索增强型生成(RAG)

问题: 🔍

• PDF是非结构化数据
• 难以搜索
• 领先的理赔调查员审查合同和理赔
• 需要高效和准确性来解决这一历史性的繁琐任务
• 总结文件内容
• 指示信息来源

挑战: 🤯

• 承保人和理赔调查员要浏览大量的指南、合同和报告页面
• 耗时
• 导致昂贵的错误(风险估算不准确)

详情: 🗂️

• 根据用户所在国家提供PDF
• 矢量搜索查询特定文档
• 过滤掉无关的PDF

索引预筛选: 🔍

• 必须索引具有数据类型的字段
• 只包括具有正确数据类型的记录

专用搜索节点架构: 🛠️

• 同时支持Atlas搜索和矢量搜索工作负载

用例2:
📊 使用LLM和矢量搜索的理赔管理,用于RAG

挑战: 🙆‍♀️

• 理赔调查员从不同格式的系统中提取和汇总信息
• 内容共享平台
• 客户信息被锁定在遗留的客户关系管理系统中
• 与理赔有关的图片和语音报告
• 非结构化数据
• 简化操作

解决方案: 🔍🤖

• Atlas矢量搜索
• 大语言模型(LLM)
• 检索增强型生成(RAG)

矢量搜索查询: 🔍

• 获取矢量嵌入和纯文本元数据
• 不需要检索数据

聚合管道: 🧠

• 处理多个文档并返回计算结果

Reference:
Claim management using LLMs and vector search for RAG
https://www.mongodb.com/solutions/solutions-library/claim-management-llms-vector-search

Harnessing the Power of Atlas Vector Search and Open Source Models
https://www.mongodb.com/developer/products/atlas/building-generative-ai-applications-vector-search-open-source-models/?hideMenu=1

Build a PDF search application with vector search and LLMs
https://www.mongodb.com/solutions/solutions-library/pdf-search-with-vector-search-and-llm

Editor

Danny Chan, specialty of FSI and Serverless

Kenny Chan, specialty of FSI and Machine Learning