Buscar y responder consultas de reclamos en lenguaje natural con Amazon Bedrock Knowledge Bases

El desafío de localizar evidencias en reclamos

Los sistemas tradicionales almacenan información de reclamos en múltiples formatos: informes de ajustadores en PDF, estimados en Word, notas de texto, reportes policiales y adjuntos escaneados. Esa fragmentación dificulta preguntas sencillas, como “¿fue aprobado el estimado del reclamo CLM-100482 y cuándo se emitirá el pago?”, así como consultas complejas de ajustadores: “¿qué reclamos de autos abiertos por más de $10,000 se presentaron el mes pasado y qué trabajo falta en cada uno?”.

Además, los registros pueden contradecirse o sustituirse: un estimado revisado puede reemplazar a otro anterior, o un pago provisional puede ser revertido. En sectores regulados, cada respuesta debe poder remitirse a la fuente original para permitir verificación por agentes y auditoría por supervisores.

¿Qué aporta Amazon Bedrock Knowledge Bases?

Amazon Bedrock Knowledge Bases es la capacidad administrada para implementar Retrieval Augmented Generation (RAG) sobre documentos. Se encarga del procesamiento de documentos: parsing, segmentación (chunking), generación de embeddings y almacenamiento vectorial gestionado. Esto permite construir asistentes conversacionales que responden en lenguaje natural y entregan citas vinculadas a los documentos fuente.

Un componente clave es la API AgenticRetrieveStream, que no solo recupera documentos relevantes, sino que planifica la respuesta, divide preguntas multipartes en sub-consultas, repite pasos de recuperación hasta reunir suficiente evidencia y transmite en streaming tanto el texto de la respuesta como eventos de trazabilidad y las citas a los documentos.

Arquitectura general: ingestión y recuperación

La solución tiene dos caminos principales:

• Lane de ingestión: los documentos de reclamos (PDF, Word, texto) llegan a un bucket de Amazon S3 junto con archivos de metadatos (sidecars). Un trabajo de ingestión sincroniza esa fuente S3 con la knowledge base. Bedrock procesa los archivos, genera segmentos, calcula embeddings y los indexa en almacenamiento vectorial gestionado.

• Lane de recuperación: para cada pregunta, la aplicación llama a AgenticRetrieveStream incluyendo la consulta en lenguaje natural, el historial de la conversación y filtros de metadatos opcionales (por ejemplo, claim_id o claim_type). El modelo funda mental crea un plan de recuperación, ejecuta varias pasadas si es necesario hasta el límite configurado, y verifica que la evidencia sea suficiente antes de generar la respuesta. Además, una comprobación de grounding (guardrail) bloquea respuestas que no estén soportadas por los documentos recuperados.

Amazon Bedrock transmite en tiempo real la respuesta, eventos de trazabilidad que exponen el plan de recuperación y las citas que mapean fragmentos de la respuesta a documentos concretos.

Datos y metadatos: cómo organizar los archivos en S3

Para facilitar el filtrado y la auditoría, cada documento debe acompañarse de un archivo de metadatos con el mismo nombre más la extensión .metadata.json. Por ejemplo, para CLM-100482.pdf se tendría CLM-100482.pdf.metadata.json. Ese sidecar puede repetir campos clave que servirán como filtros: claim_id, claim_type, status, date_filed, amount, region, adjuster, policyholder, policy_number, customer_id, document_type, carrier, has_subrogation, has_litigation, entre otros.

El ejemplo sintético usado en la guía incluye un reclamo con claim_id CLM-100482 y campos como amount y adjuster, y un índice de evidencia que identifica si un documento fue supersedido por una versión posterior. Ese índice ayuda al asistente a decidir cuál registro controla cuando hay versiones conflictivas.

Flujo de interacción y garantías para entornos regulados

1. El agente de atención o el asegurado hace una pregunta en lenguaje natural.
2. La aplicación invoca AgenticRetrieveStream con la pregunta, el contexto conversacional y los filtros de metadatos apropiados.
3. El modelo genera sub-consultas y ejecuta iteraciones de recuperación hasta recopilar suficiente evidencia (controlado por parámetros como maxAgentIteration).
4. Antes de responder, Bedrock aplica una verificación de grounding que evita respuestas no fundamentadas en los documentos.
5. La API transmite la respuesta final, junto con eventos de trazabilidad y las citas a los documentos específicos, permitiendo que el agente verifique la fuente o que un auditor revise la trazabilidad.

Este enfoque es especialmente relevante para Latinoamérica, donde las operaciones de siniestros y la atención al cliente requieren transparencia y trazabilidad en múltiples jurisdicciones. Integrar citas y trazas facilita cumplimiento y reduce riesgo operativo al evitar que un asistente genere información no verificada.

Casos de uso prácticos

• Atención al cliente: ofrecer al titular de la póliza un estado claro y citado del reclamo durante la llamada, reduciendo transferencias y tiempos de espera.
• Ajustadores: responder consultas complejas que cruzan múltiples reclamos, con la capacidad de enumerar trabajos pendientes y vincular cada punto a su evidencia.
• Supervisión y auditoría: generar registros auditablemente vinculados a la evidencia para demostrar por qué se emitió una respuesta.

Requisitos previos y consideraciones de despliegue

Para implementar esta solución se necesita:

• Cuenta de AWS con permisos IAM para Amazon Bedrock y Amazon S3.
• Acceso a un foundation model disponible por Amazon Bedrock y a una región que soporte Knowledge Bases; la guía de referencia utiliza la región US West (Oregon) — us-west-2 — como ejemplo.
• AWS SDK para Python (Boto3) configurado con credenciales y versión que soporte las APIs requeridas.
• Un bucket S3 con los documentos de reclamos y sus archivos de metadatos.
• Familiaridad con Python y con los conceptos básicos de RAG.

La guía original usa registros sintéticos y no describe un despliegue en producción para clientes; cualquier implementación en un entorno real debe considerar seguridad, cumplimiento local y procedimientos de gobernanza de datos.

Buenas prácticas y recomendaciones para adopción en empresas latinoamericanas

• Mantener archivos de metadatos consistentes y normalizados para facilitar filtros por región, ramo o ajustador.
• Versionar documentos y registrar explícitamente qué documento controla cuando hay reenvíos o revisiones.
• Implementar controles de acceso y encriptación en S3 y en las capas de almacenamiento vectorial gestionado para cumplir con requisitos locales de privacidad.
• Integrar la salida en las interfaces de agentes para mostrar respuestas parciales mientras se completa la verificación, aprovechando el streaming de trazas y citas.
• Probar con datasets sintéticos antes de migrar datos reales, y validar las comprobaciones de grounding para minimizar respuestas no fundamentadas.

Conclusión

Amazon Bedrock Knowledge Bases ofrece una forma administrada de aplicar RAG sobre documentos de reclamos, resolviendo la fragmentación típica de expedientes y aportando trazabilidad necesaria para atención, ajuste y auditoría. Con un diseño adecuado de metadatos, reglas de versionado y controles de grounding, las organizaciones pueden acelerar la resolución de consultas en lenguaje natural y mantener el control y la verificabilidad de las respuestas —un factor clave para operaciones de seguros en Latinoamérica y otras regiones reguladas.