在上一篇文章中，我们介绍了如何利用亚马逊云科技的Amazon Bedrock GuardRails自动推理检查应用于金融行业中利用AI应用的保险赔付审核场景，提升该场景下审核准确性，消除幻觉。在本案例中，我们将探讨一个利用AI帮助提升保险公司理赔正确率的场景。
使用自动推理功能检查保险赔付处理的正确性
本示例中，我将为大家展示如何在保险理赔处理中应用自动推理检查（Automated Reasoning checks），检查正确性。保险理赔是保险公司的一项核心职能，保单持有人通过该流程申请赔偿（例如汽车事故）。理赔处理人员的工作包括验证索赔及受益人身份、确定赔偿金额，并完成理赔结算。这一过程涉及核实相关人员信息、事故证明，以及遵循一系列法律规定。在理赔处理的过程中，验证索赔及相关方的身份是关键的环节之一。在今天的演示示例中，我将利用亚马逊提供的自动推理检查功能，验证申请房屋火灾保险理赔最终决定的正确性并提供建议。
创建自动推理检查策略
与我们前几篇自动推理应用在金融AI的文章案例类似，我们首先创建一个自动推理检查的策略（Guardrail Policy），按照如下的配置信息进行创建：
- 名称 -- 房主保险理赔政策（Home Owners Insurance Claims Policy）
- 描述 -- 本策略用于验证房主保险理赔，包括提交索赔所需的流程和程序。
- 源内容 -- 描述房屋保险理赔流程的文档，其中应包括申请理赔所需的步骤和程序。
- 意图和目的 -- 通过上传的文档建立一个逻辑推理模型，以验证房屋保险理赔的要求是否准确。该模型需评估各项保单条件，包括赔付额度、有效期限以及理赔所需的文件。它同时应当验证时考虑到时限约束、操作顺序及保单限制，每个要求需独立地评估，任何验证条件出现违规的情况，均应被判定为不符合规定。例如针对问题："我的房子发生火灾，我需要哪些文件才能申请理赔？"模型应能够给出正确的结论："大家需要提供消防部门报告、警方报告、照片以及保单号。"
以下截图展示了自动推理检查所生成的部分规则和变量。完整的策略包含更多规则和变量，可在Amazon Bedrock的自动推理检查配置页面中查看，此处因篇幅限制未全部展示。
- 规则策略
- 变量策略
测试自动推理策略
为了测试该策略，我们构建了一个假设的保险理赔场景，并对AI基础模型生成的响应进行验证。
问题：
我的房子发生火灾，我需要哪些文件才能申请理赔？
答案：
大家需要提供消防部门的报告、警方报告、照片以及保单号。
在此测试中，自动推理检查对该答案检查后，返回结果为"有效"（Valid），如下截图所示。这表明自动推理检查验证了答案的正确性，并确认其符合保险理赔流程文档的规定。
通过Python Boto3 SDK创建自动推理检查规则
要使用 AWS 的 Boto3 库创建一个 Amazon Bedrock Guardrail 的自动推理检查策略，可使用 Boto3 的 create_guardrail 方法创建 Guardrail。以下是一个示例代码，展示如何创建包含自动推理检查策略的 Guardrail：
python
import boto3
# 创建 Bedrock 客户端
client = boto3.client('bedrock', region_name='us-west-2')
# 定义自动推理检查策略
auto_reasoning_policy = {
'contextualGroundingConfig': {
'groundingMode': 'STRICT', # 或 'LENIENT'，根据需求选择
'dataSources': [
{
's3Uri': 's3://your-bucket/grounding-data.json'
}
],
'rules': [
{
'name': 'NoHallucinations',
'description': 'Prevent model from generating hallucinations',
'expression': 'output NOT IN grounding_data'
}
]
}
}
# 创建 Guardrail
response = client.create_guardrail(
name='AutoReasoningGuardrail',
description='A guardrail with automated reasoning checks to prevent hallucinations',
contextualGroundingPolicyConfig=auto_reasoning_policy,
blockedMessage='The content generated does not meet our guidelines.',
tags=[
{
'Key': 'Project',
'Value': 'AI Safety'
}
]
)
# 输出创建结果
print(response)结论
在本文中我们展示了自动推理检查如何解决AI基础模型在金融行业执行决策过程中面临的核心挑战------验证推理过程和结果的正确性，也就是增加AI在推理过程中的透明度。通过在我们的AI任务流中引入自动推理检查，我们能够验证复杂的金融行业业务场景，并明确识别决策背后的依据。
自动推理检查具有确定性，这意味着在相同的规则集、变量、输入和AI模型响应下，结果是可复现的和一致的。这种特性使得企业能够轻松复现结果，以满足金融行业合规性或监管报告的需求。
Amazon Bedrock Guardrails中的自动推理检查为金融服务专业人员提供了确定性的AI模型响应验证能力，使其能更高效地与生成式AI合作为业务增效。该功能通过减少AI回复的幻觉风险（hallucination risk）并提供可复现、可解释的AI安全透明性措施，帮助专业人员更好地理解和信任AI生成决策和内容的洞察。
目前自动推理检查作为预览版已在Amazon Bedrock Guardrails（美国西部 - 俄勒冈区域）提供使用。大家也可以尝试构建自己的自动推理检查策略。如需详细指南，请访问官方文档和如下GitHub代码库。欢迎在评论区分享大家的经验，或直接联系小李哥进行交流。
