构建逻辑思维链（CoT）为金融AI消除幻觉（保险理赔篇）

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自动推理检查为金融行业的AI应用提升准确性，消除幻觉。在本案例中，我们将探讨一个利用AI副主保险公司评估长期护理保险理赔审核的场景。

自动推理检查配置

在本方案中，我们为自动推理检查配置了以下内容：

• 名称 – 报销理赔审核
• 描述 – 一份工作流程文档，概述将理赔法律审核调查的标准、流程和要求。
• 来源内容 – 一份描述理赔法律审核流程的文档。大家需要上传自己的理赔法律审核PDF文档，其中应详细说明提交理赔法律审核调查的标准、流程和要求。
• 意图 – 创建一个逻辑模型，以验证理赔在法律调查中的拒绝要求（bu'he）。该模型需评估单个保单的条件，包括理赔门槛、护理持续时间和触发调查的文件要求。它还应验证时间限制、操作顺序的正确性以及保单特殊限制。每个要求需独立评估，任何单项违规都将导致理赔的拒绝。例如：

“一个理赔在90天内有两次护理计划修改，提供者记录覆盖10个月，并在12天内进行了审核会议。这是否合规？”

该模型应得出正确结论：

“不合规，原因如下：多次修改护理计划需要调查，提供者记录必须覆盖12个月，审核会议必须在10天内完成。”

由于规则和变量的创建是随机的，因此强烈建议大家编辑修改由自动推理检查创建的规则和变量，以更好地与来源内容保持一致。

规则和变量创建

在流程完成后，将生成一组规则和变量。要查看和编辑规则或变量，大家可以在"操作"下选择“更多选项”图标，然后选择“编辑”。以下截图展示了规则和变量界面。

法律LTC分流规则

法律LTC分流变量 

测试自动推理检查策略

接下来，我们可以在测试平台中测试自动化推理检查。请注意，要执行测试，自动化推理检查策略必须与Amazon Bedrock的Guardrail关联。

测试示例

我们提供了以下假设的测试场景，并让自动化推理检查策略进行测试验证：

• 问题：
  一个理赔的护理时长为28个月，没有文件违规，总预计福利金额为$200,000。该理赔是否需要法律调查？

• 回答：
  此理赔不需要法律调查，因为总预计福利金额低于$250,000，且没有文件违规。

测试结果

自动化推理工具对该回答进行了验证，结果显示无效/否(Invalid)，如下图所示。这意味着金融AI模型生成的回答违反了自动化推理检查策略中的一条或多条规则。

触发回答无效的规则

"只有当以下情况之一成立时，理赔才会被标记为法律调查对象：存在文件违规、总预计福利金额超过$250,000、护理时长超过24个月，或者在90天内的护理计划修改次数大于1次。"

基于我们的输入，自动推理检查确定了以下变量：

• 护理时长(care_duration_months) > 24个月
• 法律调查标记(flag_for_legal_investigation) = FALSE

由于理赔的护理时长超过24个月，而模型得出的结论是"不需要法律调查"，因此此结果不符合规则，导致最终结果是无效(Invalid)。

调整后的结论

根据建议，我们发现要使我们的Q&A回答正确，我们需要将flag_for_legal_investigation设置为TRUE，并且total_projected_benefit保持为$200,000。

我们可以通过调整测试环节中的答案部分来验证这一点：

“此理赔确实需要法律调查，尽管总预计福利金额低于$250,000，且没有文件违规。”

最终验证

如下图所示，调整后的回答未触发任何规则，但提取出的变量和建议发生了变化。由于规则中的其他要求未在测试问题中明确表述，因此我们可以使用建议(Suggestions)功能，为最终用户提供更详细的信息，其他条件只有满足建议中的变量要求，才能确保这一结论是有效(Valid)的。

总结

通过Amazon Bedrock的自动化推理检查，核保人可以验证保险理赔是否符合法律调查的要求。此过程通过逻辑模型和规则验证，确保理赔决策的一致性和合规性。此外自动化推理工具可以通过建议功能提供更细粒度的调整，使结论更具透明度和可解释性。这使保险公司能够更高效地执行合规检查，并优化理赔审查流程。