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
Top comments (0)