Агентный AI превзошёл обычные модели в автоматическом андеррайтинге — исследование arXiv
Исследователи изучили применение современных AI-архитектур в актуарной практике, сосредоточившись на задаче автоматического сквозного андеррайтинга. В работе, опубликованной на arXiv, сравниваются три подхода: одиночная большая языковая модель (LLM), система с наивной генерацией с обогащением поиска (RAG) и многоагентная «агентная RAG».
Для тестирования была создана синтетическая, но реалистичная среда, имитирующая процесс андеррайтинга полисов владельцев малого бизнеса (BOP). В каждом из трёх пайплайнов алгоритмы должны были принимать решение о выдаче страховки на основе разнородных данных.
Агентная RAG-система объединила в себе целенаправленный поиск информации, проверку данных из сторонних источников и многошаговую оценку правил. Благодаря возможности «размышлять» и возвращаться к промежуточным результатам, такая архитектура показала наибольшую точность.
Особенно заметным оказалось преимущество в сложных сценариях, где требовалось выполнить несколько последовательных шагов или заполнить пробелы в данных. Традиционные LLM-пайплайны в таких случаях чаще принимали необоснованные решения, тогда как агентная система избегала их благодаря структурированному поиску и рефлексии.
Исследователи отмечают, что подобные архитектуры могут стать основой для transparent и audit-ориентированных систем, сохраняющих человеческий контроль. Работа демонстрирует потенциал AI в регулируемых областях, где важны проверяемость и соответствие нормам.
