Interroger des sinistres en langage naturel avec Amazon Bedrock Knowledge Bases
Amazon Web Services détaille comment construire un assistant de sinistres conversationnel avec Amazon Bedrock Knowledge Bases, à partir de dossiers synthétiques (le texte ne décrit aucun déploiement client réel). Les documents, au format PDF, Word ou texte, sont déposés dans Amazon S3 avec des fichiers de métadonnées associés. Un travail d'ingestion synchronise cette source avec la base de connaissances, qui analyse, découpe, vectorise et indexe le tout dans un stockage vectoriel géré. À chaque question, l'application appelle l'API AgenticRetrieveStream avec la question, l'historique de conversation et d'éventuels filtres de métadonnées, par exemple l'identifiant ou le type de sinistre. Un modèle de fondation décompose les questions à plusieurs volets en sous-requêtes et répète la recherche jusqu'à disposer de preuves suffisantes, dans la limite du paramètre maxAgentIteration. Un contrôle d'ancrage contextuel d'Amazon Bedrock Guardrails bloque ensuite les réponses non étayées par les documents. L'API diffuse en continu les événements de trace, le texte de la réponse et les citations, chacune reliant un passage de la réponse à un document source.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de AWS ML Blog. Lire l'article original →
L'enjeu est concret pour trois profils. Un assuré veut savoir si l'estimation du sinistre CLM-100482 a été approuvée et quand le chèque sera émis. Un agent de centre de contact doit répondre avec exactitude pendant que le client attend, sans transférer l'appel. Un expert doit obtenir, par exemple, tous les sinistres auto ouverts de plus de 10 000 dollars déclarés le mois dernier, avec le travail restant pour chacun. Le secteur étant réglementé, chaque réponse doit être sourcée : l'agent peut vérifier la source avant de répéter l'information, et les superviseurs peuvent auditer le raisonnement de l'assistant grâce aux traces qui exposent le plan de recherche. L'approche vise aussi à gérer les documents contradictoires, comme une estimation révisée qui remplace la précédente ou un paiement provisoire annulé par la suite, en identifiant la pièce qui fait foi.
Le contexte tient à la dispersion de l'information : les réponses se trouvent dans les journaux des experts, devis de réparation, rapports de police, registres de paiement et pièces jointes numérisées, plutôt que dans un champ de base de données unique. Le RAG, qui appuie les réponses d'un modèle sur des documents récupérés, s'impose comme réponse à ce problème, et Bedrock Knowledge Bases en est la version gérée pour les documents. Le tutoriel couvre l'ingestion, les requêtes en langage naturel, les questions de suivi en plusieurs tours, le filtrage par métadonnées et l'ajout du garde-fou d'ancrage. Il illustre la volonté d'AWS de proposer des briques prêtes à l'emploi pour l'IA agentique dans les secteurs régulés, où la traçabilité des sources conditionne l'adoption.
Pas d'impact direct sur la France/UE