IA generativa Los agentes son una herramienta versátil y poderosa para las grandes empresas. Pueden mejorar la eficiencia operativa, el servicio al cliente y la toma de decisiones al tiempo que reducen los costos y permiten la innovación. Estos agentes se destacan en la automatización de una amplia gama de tareas rutinarias y repetitivas, como la entrada de datos, consultas de atención al cliente y generación de contenido. Además, pueden orquestar flujos de trabajo complejos de varios pasos al dividir las tareas en pasos más pequeños y manejables, coordinar varias acciones y garantizar la ejecución eficiente de los procesos dentro de una organización. Esto reduce significativamente la carga sobre los recursos humanos y permite a los empleados centrarse en tareas más estratégicas y creativas.

A medida que la tecnología de IA continúa evolucionando, se espera que las capacidades de los agentes de IA generativa se expandan, ofreciendo aún más oportunidades para que los clientes obtengan una ventaja competitiva. A la vanguardia de esta evolución se encuentra lecho rocoso del amazonas, un servicio totalmente administrado que hace que los modelos básicos (FM) de alto rendimiento de Amazon y otras empresas líderes en inteligencia artificial estén disponibles a través de una API. Con Amazon Bedrock, puede crear y escalar aplicaciones de IA generativa con seguridad, privacidad e IA responsable. Ahora puedes usar Agentes de Amazon Bedrock y Bases de conocimiento para Amazon Bedrock para configurar agentes especializados que ejecuten sin problemas acciones basadas en entradas de lenguaje natural y los datos de su organización. Estos agentes administrados actúan como conductores, orquestando interacciones entre FM, integraciones de API, conversaciones de usuarios y fuentes de conocimiento cargadas con sus datos.

Esta publicación destaca cómo puede utilizar agentes y bases de conocimientos para Amazon Bedrock para aprovechar los recursos empresariales existentes para automatizar las tareas asociadas con el ciclo de vida de las reclamaciones de seguros, escalar y mejorar de manera eficiente el servicio al cliente y mejorar el soporte de decisiones a través de una mejor gestión del conocimiento. Su agente de seguros con tecnología de Amazon Bedrock puede ayudar a los agentes humanos creando nuevos reclamos, enviando recordatorios de documentos pendientes para reclamos abiertos, recopilando evidencia de reclamos y buscando información en reclamos existentes y repositorios de conocimiento del cliente.

Resumen de la solución

El objetivo de esta solución es actuar como base para los clientes, permitiéndole crear sus propios agentes especializados para diversas necesidades, como asistentes virtuales y tareas de automatización. El código y los recursos necesarios para la implementación están disponibles en el repositorio de ejemplos de amazon-bedrock.

La siguiente grabación de demostración destaca los agentes y las bases de conocimiento para la funcionalidad de Amazon Bedrock y los detalles de implementación técnica.

Los agentes y las bases de conocimiento de Amazon Bedrock trabajan juntos para brindar las siguientes capacidades:

• Orquestación de tareas – Los agentes utilizan FM para comprender consultas en lenguaje natural y dividir tareas de varios pasos en pasos más pequeños y ejecutables.
• Recopilación de datos interactiva – Los agentes entablan conversaciones naturales para recopilar información complementaria de los usuarios.
• Cumplimiento de tareas – Los agentes completan las solicitudes de los clientes a través de una serie de pasos de razonamiento y acciones correspondientes basadas en Reaccionar solicitando.
• Integración de sistema – Los agentes realizan llamadas API a los sistemas integrados de la empresa para ejecutar acciones específicas.
• consulta de datos – Las bases de conocimiento mejoran la precisión y el rendimiento mediante una gestión totalmente gestionada. Recuperación Generación Aumentada (RAG) utilizando fuentes de datos específicas del cliente.
• atribución de la fuente – Los agentes realizan la atribución de fuentes, identificando y rastreando el origen de la información o acciones a través del razonamiento en cadena de pensamiento.

El siguiente diagrama ilustra la arquitectura de la solución.

El flujo de trabajo consta de los siguientes pasos:

1. Los usuarios proporcionan entradas en lenguaje natural al agente. A continuación se muestran algunos mensajes de ejemplo:
   1. Crea un nuevo reclamo.
   2. Envíe un recordatorio de documentos pendientes al titular de la póliza del reclamo 2s34w-8x.
   3. Reúna pruebas para la reclamación 5t16u-7v.
   4. ¿Cuál es el monto total del reclamo 3b45c-9d?
   5. ¿Cuál es el total estimado de reparación para ese mismo reclamo?
   6. ¿Qué factores determinan la prima de mi seguro de automóvil?
   7. ¿Cómo puedo reducir las tarifas de mi seguro de automóvil?
   8. ¿Qué reclamaciones tienen estado abierto?
   9. Envíe recordatorios a todos los asegurados con reclamos abiertos.
2. Durante el preprocesamiento, el agente valida, contextualiza y categoriza la entrada del usuario. La entrada del usuario (o tarea) es interpretada por el agente utilizando el historial de chat y las instrucciones y FM subyacente que se especificaron durante creación de agente. Las instrucciones del agente son pautas descriptivas que describen las acciones previstas por el agente. Además, opcionalmente puede configurar indicaciones avanzadas, que le permiten aumentar la precisión de su agente empleando configuraciones más detalladas y ofreciendo ejemplos seleccionados manualmente para indicaciones breves. Este método le permite mejorar el rendimiento del modelo proporcionando ejemplos etiquetados asociados con una tarea particular.
3. Grupos de acción son un conjunto de API y la lógica empresarial correspondiente, cuyo esquema OpenAPI se define como archivos JSON almacenados en Servicio de almacenamiento simple de Amazon (Amazon S3). El esquema permite al agente razonar sobre la función de cada API. Cada grupo de acciones puede especificar una o más rutas API, cuya lógica de negocios se ejecuta a través del AWS Lambda función asociada al grupo de acciones.
4. Las bases de conocimiento para Amazon Bedrock proporcionan RAG completamente administrado para brindarle al agente acceso a sus datos. Primero configure la base de conocimientos especificando una descripción que indique al agente cuándo utilizar su base de conocimientos. Luego, dirige la base de conocimientos a su fuente de datos de Amazon S3. Finalmente, especifica un modelo de incrustación y elige usar su tienda de vectores existente o permitir que Amazon Bedrock cree la tienda de vectores en su nombre. Después de configurarlo, cada sincronización de fuente de datos crea incrustaciones vectoriales de sus datos que el agente puede usar para devolver información al usuario o aumentar las indicaciones de FM posteriores.
5. Durante la orquestación, el agente desarrolla una lógica con los pasos lógicos de qué invocaciones de API de grupo de acciones y consultas de la base de conocimientos son necesarias para generar una observación que se puede utilizar para aumentar el mensaje base para el FM subyacente. Este mensaje de estilo ReAct sirve como entrada para activar el FM, que luego anticipa la secuencia de acciones más óptima para completar la tarea del usuario.
6. Durante el posprocesamiento, una vez completadas todas las iteraciones de orquestación, el agente selecciona una respuesta final. El posprocesamiento está deshabilitado de forma predeterminada.

En las siguientes secciones, analizamos los pasos clave para implementar la solución, incluidos los pasos previos a la implementación, las pruebas y la validación.

Cree recursos de solución con AWS CloudFormation

Antes de crear su agente y su base de conocimientos, es esencial establecer un entorno simulado que refleje fielmente los recursos existentes utilizados por los clientes. Los agentes y las bases de conocimiento de Amazon Bedrock están diseñados para aprovechar estos recursos, utilizando la lógica empresarial proporcionada por Lambda y los repositorios de datos de clientes almacenados en Amazon S3. Esta alineación fundamental proporciona una integración perfecta de sus soluciones de agente y base de conocimientos con su infraestructura establecida.

Para emular los recursos del cliente existentes utilizados por el agente, esta solución utiliza el crear-recursos-del-cliente.sh script de shell para automatizar el aprovisionamiento de los parámetros Formación en la nube de AWS modelo, recursos-del-cliente-de-bedrock.yml, para implementar los siguientes recursos:

• An Amazon DynamoDB mesa poblada con sintético datos de reclamaciones.
• Tres funciones Lambda que representan la lógica empresarial del cliente para crear reclamos, enviar recordatorios de documentos pendientes para reclamos de estado abiertos y recopilar evidencia sobre reclamos nuevos y existentes.
• Un depósito de S3 que contiene documentación API en formato de esquema OpenAPI para las funciones Lambda anteriores y las estimaciones de reparación, montos de reclamos, preguntas frecuentes de la compañía y descripciones de los documentos de reclamo requeridos para usar como nuestro activos de fuente de datos de base de conocimiento.
• An Servicio de notificación simple de Amazon (Amazon SNS) tema al que se suscriben los correos electrónicos de los asegurados para recibir alertas por correo electrónico sobre el estado de los reclamos y las acciones pendientes.
• Gestión de identidades y accesos de AWS (IAM) permisos para los recursos anteriores.

AWS CloudFormation rellena previamente los parámetros de la pila con los valores predeterminados proporcionados en la plantilla. Para proporcionar valores de entrada alternativos, puede especificar parámetros como variables de entorno a las que se hace referencia en el ParameterKey=<ParameterKey>,ParameterValue=<Value> pares en los siguientes scripts de shell aws cloudformation create-stack mando.

Complete los siguientes pasos para aprovisionar sus recursos:

1. Cree una copia local del amazon-bedrock-samples repositorio usando git clone:

   git clone https://github.com/aws-samples/amazon-bedrock-samples.git

2. Antes de ejecutar el script de shell, navegue hasta el directorio donde clonó el amazon-bedrock-samples repositorio y modifique los permisos del script de shell a ejecutable:

   # If not already cloned, clone the remote repository (https://github.com/aws-samples/amazon-bedrock-samples) and change working directory to insurance agent shell folder
   cd amazon-bedrock-samples/agents/insurance-claim-lifecycle-automation/shell/
   chmod u+x create-customer-resources

3. Configure las variables de entorno del nombre de la pila de CloudFormation, el correo electrónico SNS y la URL de carga de pruebas. El correo electrónico del SNS se utilizará para notificaciones a los titulares de las pólizas y la URL de carga de pruebas se compartirá con los titulares de las pólizas para que carguen las pruebas de sus reclamaciones. El muestra de procesamiento de reclamaciones de seguros proporciona un ejemplo de interfaz para la URL de carga de pruebas.

   export STACK_NAME=<YOUR-STACK-NAME> # Stack name must be lower case for S3 bucket naming convention
   export SNS_EMAIL=<YOUR-POLICY-HOLDER-EMAIL> # Email used for SNS notifications
   export EVIDENCE_UPLOAD_URL=<YOUR-EVIDENCE-UPLOAD-URL> # URL provided by the agent to the policy holder for evidence upload

4. Ejecute el create-customer-resources.sh script de shell para implementar los recursos del cliente emulados definidos en el bedrock-insurance-agent.yml Plantilla de formación de nube. Estos son los recursos sobre los que se construirá el agente y la base de conocimientos.

   source ./create-customer-resources.sh

El precedente source ./create-customer-resources.sh El comando shell ejecuta lo siguiente Interfaz de línea de comandos de AWS (AWS CLI) para implementar la pila de recursos del cliente emulada:

export ACCOUNT_ID=$(aws sts get-caller-identity --query Account --output text)
export ARTIFACT_BUCKET_NAME=$STACK_NAME-customer-resources
export DATA_LOADER_KEY="agent/lambda/data-loader/loader_deployment_package.zip"
export CREATE_CLAIM_KEY="agent/lambda/action-groups/create_claim.zip"
export GATHER_EVIDENCE_KEY="agent/lambda/action-groups/gather_evidence.zip"
export SEND_REMINDER_KEY="agent/lambda/action-groups/send_reminder.zip"

aws s3 mb s3://${ARTIFACT_BUCKET_NAME} --region us-east-1
aws s3 cp ../agent/ s3://${ARTIFACT_BUCKET_NAME}/agent/ --recursive --exclude ".DS_Store"

export BEDROCK_AGENTS_LAYER_ARN=$(aws lambda publish-layer-version 
--layer-name bedrock-agents 
--description "Agents for Bedrock Layer" 
--license-info "MIT" 
--content S3Bucket=${ARTIFACT_BUCKET_NAME},S3Key=agent/lambda/lambda-layer/bedrock-agents-layer.zip 
--compatible-runtimes python3.11 
--query LayerVersionArn --output text)

aws cloudformation create-stack 
--stack-name ${STACK_NAME} 
--template-body file://../cfn/bedrock-customer-resources.yml 
--parameters 
ParameterKey=ArtifactBucket,ParameterValue=${ARTIFACT_BUCKET_NAME} 
ParameterKey=DataLoaderKey,ParameterValue=${DATA_LOADER_KEY} 
ParameterKey=CreateClaimKey,ParameterValue=${CREATE_CLAIM_KEY} 
ParameterKey=GatherEvidenceKey,ParameterValue=${GATHER_EVIDENCE_KEY} 
ParameterKey=SendReminderKey,ParameterValue=${SEND_REMINDER_KEY} 
ParameterKey=BedrockAgentsLayerArn,ParameterValue=${BEDROCK_AGENTS_LAYER_ARN} 
ParameterKey=SNSEmail,ParameterValue=${SNS_EMAIL} 
ParameterKey=EvidenceUploadUrl,ParameterValue=${EVIDENCE_UPLOAD_URL} 
--capabilities CAPABILITY_NAMED_IAM

aws cloudformation describe-stacks --stack-name $STACK_NAME --query "Stacks[0].StackStatus"
aws cloudformation wait stack-create-complete --stack-name $STACK_NAME

Crea una base de conocimiento

Knowledge Bases for Amazon Bedrock utiliza RAG, una técnica que aprovecha los almacenes de datos de los clientes para mejorar las respuestas generadas por los FM. Las bases de conocimiento permiten a los agentes acceder a los repositorios de datos de clientes existentes sin una gran sobrecarga de administrador. Para conectar una base de conocimientos a sus datos, especifica un depósito de S3 como fuente de datos. Con las bases de conocimiento, las aplicaciones obtienen información contextual enriquecida, lo que agiliza el desarrollo a través de una solución RAG totalmente administrada. Este nivel de abstracción acelera el tiempo de comercialización al minimizar el esfuerzo de incorporar sus datos a la funcionalidad del agente y optimiza los costos al eliminar la necesidad de un reentrenamiento continuo del modelo para utilizar datos privados.

El siguiente diagrama ilustra la arquitectura de una base de conocimientos con un modelo de incorporación.

La funcionalidad de la base de conocimientos se delinea a través de dos procesos clave: preprocesamiento (pasos 1 a 3) y tiempo de ejecución (pasos 4 a 7):

1. Los documentos se segmentan (fragmentan) en secciones manejables.
2. Esos fragmentos se convierten en incrustaciones utilizando un modelo de incrustación de Amazon Bedrock.
3. Las incrustaciones se utilizan para crear un índice vectorial, lo que permite comparaciones de similitud semántica entre las consultas de los usuarios y el texto de la fuente de datos.
4. Durante el tiempo de ejecución, los usuarios proporcionan su entrada de texto como un mensaje.
5. El texto de entrada se transforma en vectores utilizando un modelo de incrustación de Amazon Bedrock.
6. Se consulta el índice vectorial en busca de fragmentos relacionados con la consulta del usuario, lo que aumenta la solicitud del usuario con contexto adicional recuperado del índice vectorial.
7. El mensaje aumentado, junto con el contexto adicional, se utiliza para generar una respuesta para el usuario.

Para crear una base de conocimientos, complete los siguientes pasos:

1. En la consola de Amazon Bedrock, elija Base de conocimiento en el panel de navegación.
2. Elige Crear base de conocimientos.
3. under Proporcionar detalles de la base de conocimientos, ingrese un nombre y una descripción opcional, dejando todas las configuraciones predeterminadas. Para esta publicación, ingresamos la descripción:
   Use to retrieve claim amount and repair estimate information for claim ID, or answer general insurance questions about things like coverage, premium, policy, rate, deductible, accident, and documents.
4. under Configurar fuente de datos, ingresa un nombre.
5. Elige Examinar S3 y seleccione el knowledge-base-assets carpeta del depósito S3 de origen de datos que implementó anteriormente (<YOUR-STACK-NAME>-customer-resources/agent/knowledge-base-assets/).
   
6. under Seleccione el modelo de incrustaciones y configure la tienda de vectores, escoger Titan Embeddings G1 – Texto y deje las otras configuraciones predeterminadas. Un Amazon OpenSearch sin servidor -- será creado para ti. Este almacén de vectores es donde se almacenan las incrustaciones de preprocesamiento de la base de conocimientos y luego se utilizan para la búsqueda de similitud semántica entre consultas y texto de fuente de datos.
7. under Revisar y crear, confirme sus ajustes de configuración y luego elija Crear base de conocimientos.
   
8. Una vez creada su base de conocimientos, aparecerá un banner verde que dice "creado correctamente" con la opción de sincronizar su fuente de datos. Elegir Sincronizar para iniciar la sincronización de la fuente de datos.
   
9. En la consola de Amazon Bedrock, navegue hasta la base de conocimientos que acaba de crear y luego anote el ID de la base de conocimientos en Descripción general de la base de conocimientos.
   
10. Con su base de conocimientos aún seleccionada, elija la fuente de datos de su base de conocimientos que figura en Fuente de datos, luego anote el ID de la fuente de datos en Descripción general de la fuente de datos.
    

El ID de la base de conocimientos y el ID de la fuente de datos se utilizan como variables de entorno en un paso posterior cuando implementa la interfaz de usuario web de Streamlit para su agente.

crear un agente

Los agentes operan a través de un proceso de ejecución en tiempo de compilación, que comprende varios componentes clave:

• Modelo de cimentación – Los usuarios seleccionan un FM que guía al agente en la interpretación de las entradas del usuario, generando respuestas y dirigiendo acciones posteriores durante su proceso de orquestación.
• Instrucciones – Los usuarios elaboran instrucciones detalladas que describen la funcionalidad prevista del agente. Las indicaciones avanzadas opcionales permiten la personalización en cada paso de la orquestación, incorporando funciones Lambda para analizar las salidas.
• (Opcional) Grupos de acción – Los usuarios definen acciones para el agente, utilizando un esquema OpenAPI para definir API para la ejecución de tareas y funciones Lambda para procesar entradas y salidas de API.
• (Opcional) Bases de conocimiento – Los usuarios pueden asociar agentes con bases de conocimiento, otorgando acceso a contexto adicional para la generación de respuestas y los pasos de orquestación.

El agente de esta solución de muestra utiliza un Anthropic Claude V2.1 FM en Amazon Bedrock, un conjunto de instrucciones, tres grupos de acciones y una base de conocimientos.

Para crear un agente, complete los siguientes pasos:

1. En la consola de Amazon Bedrock, elija Agentes en el panel de navegación.
2. Elige Crear agente.
3. under Proporcionar detalles del agente, ingrese el nombre de un agente y una descripción opcional, dejando todas las demás configuraciones predeterminadas.
4. under Seleccionar modelo, escoger Claude antrópico V2.1 y especificar las siguientes instrucciones para el agente: You are an insurance agent that has access to domain-specific insurance knowledge. You can create new insurance claims, send pending document reminders to policy holders with open claims, and gather claim evidence. You can also retrieve claim amount and repair estimate information for a specific claim ID or answer general insurance questions about things like coverage, premium, policy, rate, deductible, accident, documents, resolution, and condition. You can answer internal questions about things like which steps an agent should follow and the company's internal processes. You can respond to questions about multiple claim IDs within a single conversation
5. Elige Siguiente.
6. under Agregar grupos de acciones, agrega tu primer grupo de acciones:
   1. Ingrese el nombre del grupo de acciones, introduzca create-claim.
   2. Descripción, introduzca Use this action group to create an insurance claim
   3. Seleccione la función Lambda, escoger <YOUR-STACK-NAME>-CreateClaimFunction.
   4. Seleccionar esquema API, escoger Examinar S3, elija el depósito creado anteriormente (<YOUR-STACK-NAME>-customer-resources), entonces escoge agent/api-schema/create_claim.json.
      
7. Cree un segundo grupo de acciones:
   1. Ingrese el nombre del grupo de acciones, introduzca gather-evidence.
   2. Descripción, introduzca Use this action group to send the user a URL for evidence upload on open status claims with pending documents. Return the documentUploadUrl to the user
   3. Seleccione la función Lambda, escoger <YOUR-STACK-NAME>-GatherEvidenceFunction.
   4. Seleccionar esquema API, escoger Examinar S3, elija el depósito creado anteriormente y luego elija agent/api-schema/gather_evidence.json.
8. Cree un tercer grupo de acciones:
   1. Ingrese el nombre del grupo de acciones, introduzca send-reminder.
   2. Descripción, introduzca Use this action group to check claim status, identify missing or pending documents, and send reminders to policy holders
   3. Seleccione la función Lambda, escoger <YOUR-STACK-NAME>-SendReminderFunction.
   4. Seleccionar esquema API, escoger Examinar S3, elija el depósito creado anteriormente y luego elija agent/api-schema/send_reminder.json.
9. Elige Siguiente.
10. Seleccionar base de conocimientos, elija la base de conocimientos que creó anteriormente (claims-knowledge-base).
11. Instrucciones de la base de conocimientos para el Agente, introduzca la siguiente: Use to retrieve claim amount and repair estimate information for claim ID, or answer general insurance questions about things like coverage, premium, policy, rate, deductible, accident, and documents
12. Elige Siguiente.
    
13. under Revisar y crear, confirme sus ajustes de configuración y luego elija Crear agente.
    

Una vez creado su agente, verá un cartel verde que dice "creado correctamente".

Pruebas y validación

El siguiente procedimiento de prueba tiene como objetivo verificar que el agente identifica y comprende correctamente las intenciones del usuario al crear nuevos reclamos, enviar recordatorios de documentos pendientes para reclamos abiertos, recopilar evidencia de reclamos y buscar información en reclamos existentes y repositorios de conocimiento del cliente. La precisión de la respuesta se determina evaluando la relevancia, la coherencia y la naturaleza humana de las respuestas generadas por los agentes y las bases de conocimiento de Amazon Bedrock.

Medidas de evaluación y técnica de evaluación.

La validación de las instrucciones de entrada del usuario y del agente incluye lo siguiente:

• preprocesamiento – Utilice indicaciones de muestra para evaluar la interpretación, comprensión y capacidad de respuesta del agente ante diversas entradas del usuario. Valide el cumplimiento del agente de las instrucciones configuradas para validar, contextualizar y categorizar las entradas del usuario con precisión.
• Orquestación – Evaluar los pasos lógicos que sigue el agente (por ejemplo, “Seguimiento”) para las invocaciones de API del grupo de acciones y consultas de la base de conocimientos para mejorar el mensaje base para el FM.
• Postprocesamiento – Revisar las respuestas finales generadas por el agente después de las iteraciones de orquestación para garantizar la precisión y relevancia. El posprocesamiento está inactivo de forma predeterminada y, por lo tanto, no se incluye en el seguimiento de nuestro agente.

La evaluación del grupo de acción incluye lo siguiente:

• Validación del esquema API – Validar que el esquema OpenAPI (definido como archivos JSON almacenados en Amazon S3) guíe de manera efectiva el razonamiento del agente en torno al propósito de cada API.
• Implementación de lógica de negocios – Probar la implementación de la lógica de negocios asociada a las rutas API a través de funciones Lambda vinculadas con el grupo de acciones.

La evaluación de la base de conocimientos incluye lo siguiente:

• Verificación de configuración – Confirme que las instrucciones de la base de conocimientos indiquen correctamente al agente cuándo acceder a los datos.
• Integración de fuentes de datos S3 – Validar la capacidad del agente para acceder y utilizar datos almacenados en la fuente de datos S3 especificada.

Las pruebas de un extremo a otro incluyen lo siguiente:

• Flujo de trabajo integrado – Realizar pruebas integrales que involucren tanto a grupos de acción como a bases de conocimiento para simular escenarios del mundo real.
• Evaluación de la calidad de la respuesta – Evaluar la precisión, relevancia y coherencia generales de las respuestas del agente en diversos contextos y escenarios.

Pruebe la base de conocimientos

Después de configurar su base de conocimientos en Amazon Bedrock, puede probar su comportamiento directamente para evaluar sus respuestas antes de integrarla con un agente. Este proceso de prueba le permite evaluar el rendimiento de la base de conocimientos, inspeccionar las respuestas y solucionar problemas explorando los fragmentos de origen de los que se recupera la información. Complete los siguientes pasos:

1. En la consola de Amazon Bedrock, elija Base de conocimiento en el panel de navegación.
   
2. Seleccione la base de conocimientos que desea probar y luego elija Probar para expandir una ventana de chat.
   
3. En la ventana de prueba, seleccione su modelo básico para la generación de respuestas.
   
4. Pruebe su base de conocimientos utilizando las siguientes consultas de ejemplo y otras entradas:
   1. ¿Cuál es el diagnóstico en el presupuesto de reparación para el reclamo ID 2s34w-8x?
   2. ¿Cuál es el estimado de resolución y reparación para ese mismo reclamo?
   3. ¿Qué debe hacer el conductor después de un accidente?
   4. ¿Qué se recomienda para el informe del accidente y las imágenes?
   5. ¿Qué es un deducible y cómo funciona?
      
      

Puede alternar entre generar respuestas y devolver citas directas en la ventana de chat, y tiene la opción de borrar la ventana de chat o copiar todos los resultados usando los íconos proporcionados.

Para inspeccionar las respuestas de la base de conocimientos y los fragmentos de fuentes, puede seleccionar la nota al pie correspondiente o elegir Mostrar detalles de resultados. Aparecerá una ventana de fragmentos de origen que le permitirá buscar, copiar texto de fragmentos y navegar hasta la fuente de datos de S3.

Probar el agente

Después de la prueba exitosa de su base de conocimientos, la siguiente fase de desarrollo implica la preparación y prueba de la funcionalidad de su agente. La preparación del agente implica empaquetar los últimos cambios, mientras que las pruebas brindan una oportunidad crítica para interactuar con el comportamiento del agente y evaluarlo. A través de este proceso, puede perfeccionar las capacidades del agente, mejorar su eficiencia y abordar cualquier problema potencial o mejoras necesarias para un rendimiento óptimo. Complete los siguientes pasos:

1. En la consola de Amazon Bedrock, elija Agentes en el panel de navegación.
   
2. Elija su agente y anote la identificación del agente.
   
   Utilice el ID del agente como variable de entorno en un paso posterior cuando implemente la interfaz de usuario web Streamlit para su agente.
3. Vaya a su Borrador de trabajo. Inicialmente, tiene un borrador de trabajo y un valor predeterminado. TestAlias apuntando a este borrador. El borrador de trabajo permite un desarrollo iterativo.
4. Elige Preparar para empaquetar el agente con los últimos cambios antes de realizar la prueba. Debe verificar periódicamente la última hora de preparación del agente para confirmar que está realizando pruebas con las configuraciones más recientes.
   
5. Acceda a la ventana de prueba desde cualquier página dentro de la consola de borrador de trabajo del agente eligiendo Probar o el icono de flecha izquierda.
6. En la ventana de prueba, elija un alias y su versión para realizar la prueba. Para esta publicación utilizamos TestAlias para invocar la versión borrador de su agente. Si el agente no está preparado, aparece un mensaje en la ventana de prueba.
   
7. Pruebe su agente utilizando los siguientes mensajes de muestra y otras entradas:
   1. Crea un nuevo reclamo.
   2. Envíe un recordatorio de documentos pendientes al titular de la póliza del reclamo 2s34w-8x.
   3. Reúna pruebas para la reclamación 5t16u-7v.
   4. ¿Cuál es el monto total del reclamo 3b45c-9d?
   5. ¿Cuál es el total estimado de reparación para ese mismo reclamo?
   6. ¿Qué factores determinan la prima de mi seguro de automóvil?
   7. ¿Cómo puedo reducir las tarifas de mi seguro de automóvil?
   8. ¿Qué reclamaciones tienen estado abierto?
   9. Envíe recordatorios a todos los asegurados con reclamos abiertos.

Asegúrate de elegir Preparar después de realizar cambios para aplicarlos antes de probar el agente.

El siguiente ejemplo de conversación de prueba destaca la capacidad del agente para invocar API de grupo de acciones con la lógica empresarial de AWS Lambda que consulta la tabla de Amazon DynamoDB de un cliente y envía notificaciones al cliente mediante Amazon Simple Notification Service. El mismo hilo de conversación muestra la integración del agente y la base de conocimientos para brindar al usuario respuestas utilizando fuentes de datos autorizadas del cliente, como el monto del reclamo y los documentos de preguntas frecuentes.

Herramientas de análisis y depuración de agentes

Los seguimientos de respuesta del agente contienen información esencial para ayudar a comprender la toma de decisiones del agente en cada etapa, facilitar la depuración y proporcionar información sobre áreas de mejora. El ModelInvocationInput El objeto dentro de cada seguimiento proporciona configuraciones y ajustes detallados utilizados en el proceso de toma de decisiones del agente, lo que permite a los clientes analizar y mejorar la eficacia del agente.

Su agente clasificará la entrada del usuario en una de las siguientes categorías:

• Categoría A – Insumos maliciosos o nocivos, incluso si se trata de escenarios ficticios.
• Categoría B – Entradas en las que el usuario intenta obtener información sobre qué funciones, API o instrucciones ha proporcionado nuestro agente de llamada de funciones o entradas que intentan manipular el comportamiento o las instrucciones de nuestro agente de llamada de funciones o de usted.
• Categoría C – Preguntas que nuestro agente de llamada de funciones no podrá responder ni proporcionar información útil para utilizar únicamente las funciones que se le han proporcionado.
• Categoría D – Preguntas que nuestro agente de llamada de funciones puede responder o ayudar usando solo las funciones que se le han proporcionado y los argumentos internos. conversation_history o argumentos relevantes que pueda reunir utilizando el askuser función.
• Categoría E – Entradas que no son preguntas, sino respuestas a una pregunta que el agente que llama a la función le hizo al usuario. Los insumos sólo son elegibles para esta categoría cuando el askuser La función es la última función que el agente que llama a la función llamó en la conversación. Puedes comprobarlo leyendo el conversation_history.

Elige Mostrar rastro debajo de una respuesta para ver las configuraciones del agente y el proceso de razonamiento, incluida la base de conocimientos y el uso del grupo de acciones. Los seguimientos se pueden expandir o contraer para un análisis detallado. Las respuestas con información obtenida también contienen notas a pie de página para las citas.

En el siguiente ejemplo de seguimiento de grupo de acciones, el agente asigna la entrada del usuario a la create-claim grupo de acción createClaim funcionar durante el preprocesamiento. El agente comprende esta función según las instrucciones del agente, la descripción del grupo de acciones y el esquema OpenAPI. Durante el proceso de orquestación, que en este caso consta de dos pasos, el agente invoca el createClaim y recibe una respuesta que incluye el ID de reclamo recién creado y una lista de documentos pendientes.

En el siguiente ejemplo de seguimiento de la base de conocimientos, el agente asigna la entrada del usuario a la Categoría D durante el preprocesamiento, lo que significa que una de las funciones disponibles del agente debería poder proporcionar una respuesta. A lo largo de la orquestación, el agente busca en la base de conocimientos, extrae los fragmentos relevantes mediante incrustaciones y pasa ese texto al modelo básico para generar una respuesta final.

Implemente la interfaz de usuario web Streamlit para su agente

Cuando esté satisfecho con el desempeño de su agente y su base de conocimientos, estará listo para producir sus capacidades. Usamos iluminado en esta solución para lanzar un front-end de ejemplo, destinado a emular una aplicación de producción. Streamlit es una biblioteca de Python diseñada para agilizar y simplificar el proceso de creación de aplicaciones front-end. Nuestra aplicación proporciona dos características:

• Entrada de solicitud del agente – Permite a los usuarios invocar al agente usando su propia entrada de tarea.
• Carga del archivo de la base de conocimientos – Permite al usuario cargar sus archivos locales en el depósito de S3 que se utiliza como fuente de datos para la base de conocimientos. Después de cargar el archivo, la aplicación inicia un trabajo de ingesta para sincronizar la fuente de datos de la base de conocimientos.

Para aislar las dependencias de nuestra aplicación Streamlit y facilitar la implementación, utilizamos el configuración-streamlit-env.sh script de shell para crear un entorno virtual de Python con los requisitos instalados. Complete los siguientes pasos:

1. Antes de ejecutar el script de shell, navegue hasta el directorio donde clonó el amazon-bedrock-samples repositorio y modifique los permisos del script de Shell Streamlit a ejecutable:

cd amazon-bedrock-samples/agents/insurance-claim-lifecycle-automation/agent/streamlit/
chmod u+x setup-streamlit-env.sh

2. Ejecute el script de shell para activar el entorno virtual de Python con las dependencias requeridas:

source ./setup-streamlit-env.sh

3. Configure su ID de agente de Amazon Bedrock, ID de alias de agente, ID de base de conocimientos, ID de fuente de datos, nombre del depósito de la base de conocimientos y variables de entorno de la región de AWS:

export BEDROCK_AGENT_ID=<YOUR-AGENT-ID>
export BEDROCK_AGENT_ALIAS_ID=<YOUR-AGENT-ALIAS-ID>
export BEDROCK_KB_ID=<YOUR-KNOWLEDGE-BASE-ID>
export BEDROCK_DS_ID=<YOUR-DATA-SOURCE-ID>
export KB_BUCKET_NAME=<YOUR-KNOWLEDGE-BASE-S3-BUCKET-NAME>
export AWS_REGION=<YOUR-STACK-REGION>

4. Ejecute su aplicación Streamlit y comience a probar en su navegador web local:

streamlit run agent_streamlit.py

Limpiar

Para evitar cargos en su cuenta de AWS, limpie los recursos aprovisionados de la solución

El eliminar-recursos-del-cliente.sh El script de shell vacía y elimina el depósito S3 de la solución y elimina los recursos que se aprovisionaron originalmente desde el bedrock-customer-resources.yml Pila de CloudFormation. Los siguientes comandos utilizan el nombre de pila predeterminado. Si personalizó el nombre de la pila, ajuste los comandos en consecuencia.

# cd amazon-bedrock-samples/agents/insurance-claim-lifecycle-automation/shell/
# chmod u+x delete-customer-resources.sh
# export STACK_NAME=<YOUR-STACK-NAME>
./delete-customer-resources.sh

El precedente ./delete-customer-resources.sh El comando shell ejecuta los siguientes comandos de AWS CLI para eliminar la pila de recursos del cliente emulada y el depósito S3:

echo "Emptying and Deleting S3 Bucket: $ARTIFACT_BUCKET_NAME"
aws s3 rm s3://${ARTIFACT_BUCKET_NAME} --recursive
aws s3 rb s3://${ARTIFACT_BUCKET_NAME}

echo "Deleting CloudFormation Stack: $STACK_NAME"
aws cloudformation delete-stack --stack-name $STACK_NAME
aws cloudformation describe-stacks --stack-name $STACK_NAME --query "Stacks[0].StackStatus"
aws cloudformation wait stack-delete-complete --stack-name $STACK_NAME

Para eliminar su agente y base de conocimientos, siga las instrucciones para eliminar un agente y eliminar una base de conocimientos, respectivamente.

Consideraciones

Aunque la solución demostrada muestra las capacidades de los agentes y las bases de conocimiento de Amazon Bedrock, es importante comprender que esta solución no está lista para producción. Más bien, sirve como una guía conceptual para los clientes que buscan crear agentes personalizados para sus propias tareas específicas y flujos de trabajo automatizados. Los clientes que deseen implementar la producción deben perfeccionar y adaptar este modelo inicial, teniendo en cuenta los siguientes factores de seguridad:

• Acceso seguro a API y datos:
  • Restrinja el acceso a API, bases de datos y otros sistemas integrados con agentes.
  • Utilice control de acceso, gestión de secretos y cifrado para evitar el acceso no autorizado.
• Validación y saneamiento de entrada:
  • Valide y desinfecte las entradas del usuario para evitar ataques de inyección o intentos de manipular el comportamiento del agente.
  • Establecer reglas de entrada y mecanismos de validación de datos.
• Controles de acceso para gestión y prueba de agentes:
  • Implemente controles de acceso adecuados para las consolas y herramientas utilizadas para editar, probar o configurar el agente.
  • Limite el acceso a desarrolladores y evaluadores autorizados.
• Seguridad de la infraestructura:
  • Cumpla con las mejores prácticas de seguridad de AWS con respecto a VPC, subredes, grupos de seguridad, registro y monitoreo para proteger la infraestructura subyacente.
• Validación de instrucciones del agente:
  • Establecer un proceso meticuloso para revisar y validar las instrucciones del agente para evitar comportamientos no deseados.
• Pruebas y auditorías:
  • Pruebe minuciosamente el agente y los componentes integrados.
  • Implemente auditoría, registro y pruebas de regresión de las conversaciones de los agentes para detectar y abordar problemas.
• Seguridad de la base de conocimientos:
  • Si los usuarios pueden aumentar la base de conocimientos, valide las cargas para evitar ataques de envenenamiento.

Para otras consideraciones clave, consulte Cree agentes de IA generativa con Amazon Bedrock, Amazon DynamoDB, Amazon Kendra, Amazon Lex y LangChain.

Conclusión

La implementación de agentes de IA generativa utilizando Agentes y Bases de Conocimiento para Amazon Bedrock representa un avance significativo en las capacidades operativas y de automatización de las organizaciones. Estas herramientas no solo agilizan el ciclo de vida de las reclamaciones de seguros, sino que también sientan un precedente para la aplicación de la IA en otros ámbitos empresariales. Al automatizar tareas, mejorar el servicio al cliente y mejorar los procesos de toma de decisiones, estos agentes de IA permiten a las organizaciones centrarse en el crecimiento y la innovación, mientras manejan tareas rutinarias y complejas de manera eficiente.

A medida que seguimos siendo testigos de la rápida evolución de la IA, el potencial de herramientas como Agentes y Bases de conocimiento de Amazon Bedrock para transformar las operaciones comerciales es inmenso. Las empresas que utilizan estas tecnologías pueden obtener una importante ventaja competitiva, marcada por una mayor eficiencia, satisfacción del cliente y toma de decisiones. Sin lugar a dudas, el futuro de las operaciones y la gestión de datos empresariales se inclina hacia una mayor integración de la IA, y Amazon Bedrock está a la vanguardia de esta transformación.

Para obtener más información, visite Agentes de Amazon Bedrock, consulta el Documentación de Amazon Bedrock, explorar el espacio de IA generativa en community.awsy ponte manos a la obra con Taller de lecho de roca amazónica.

Sobre la autora

Kyle T. Blocksom es un arquitecto sénior de soluciones en AWS con sede en el sur de California. La pasión de Kyle es unir a las personas y aprovechar la tecnología para ofrecer soluciones que adoren a los clientes. Fuera del trabajo, le gusta surfear, comer, luchar con su perro y mimar a sus sobrinos.

• Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
• PlatoData.Network Vertical Generativo Ai. Empodérate. Accede Aquí.
• PlatoAiStream. Inteligencia Web3. Conocimiento amplificado. Accede Aquí.
• PlatoESG. Carbón, tecnología limpia, Energía, Ambiente, Solar, Gestión de residuos. Accede Aquí.
• PlatoSalud. Inteligencia en Biotecnología y Ensayos Clínicos. Accede Aquí.
• Fuente: https://aws.amazon.com/blogs/machine-learning/automate-the-insurance-claim-lifecycle-using-agents-and-knowledge-bases-for-amazon-bedrock/