Мультиагентный RAG для автоматического андеррайтинга

Искусственный интеллект всё активнее проникает в актуарную практику — область, где требуется анализ неструктурированных документов, разнородных данных и соблюдение строгих регуляторных процедур. Перед актуариями открывается пространство проектирования: от традиционных автоматизаций на основе правил до крупных языковых моделей (LLM), систем RAG (Retrieval-Augmented Generation) и мультиагентных архитектур, способных планировать, извлекать данные, вызывать инструменты и рефлексировать.

Эксперимент с андеррайтингом

Чтобы проверить применимость новых архитектур на практике, авторы работы разработали агентный фреймворк для автоматического андеррайтинга (straight-through underwriting) малых коммерческих полисов Business Owner Policies (BOPs). В синтетической, но реалистичной среде исследователи сравнили три пайплайна:

• базовая одиночная LLM;
• наивная RAG-система;
• мультиагентный Agentic RAG, объединяющий целевой поиск, проверки через сторонние источники и явную многошаговую оценку правил.

Результаты

Агентная система показала лучшие результаты в целом. Наибольший прирост качества наблюдался в многошаговых сценариях и ситуациях с недостающей информацией. По мнению авторов, структурированный поиск и механизм рефлексии помогают модели избегать необоснованных решений в условиях автоматической обработки.

Источник: cs.AI updates on arXiv.org