Modelos de IA a medida para la gestión de siniestros y la suscripción
Ertas permite a las aseguradoras entrenar modelos a medida con sus propios siniestros, pólizas y decisiones de sus peritos, y ejecutarlos en sus propios servidores, donde los datos de asegurados que se procesan en producción se quedan contigo, o mediante el endpoint de modelo adaptativo.
The Challenges You Face
La gestión de siniestros es lenta y está llena de documentos
Cada siniestro implica historias clínicas, atestados policiales, presupuestos de reparación, correspondencia y documentos de póliza. Extraer a mano la información relevante, verificar la cobertura y derivar cada caso consume muchísimo tiempo de los peritos, y los retrasos frustran a los asegurados.
Los datos de los asegurados están muy regulados
Las normas estatales de seguros, GLBA y, en los siniestros de salud, HIPAA imponen condiciones estrictas sobre cómo se procesa la información de los asegurados. Enviar cada siniestro a una API de IA externa trae revisiones de proveedores y acuerdos de datos que frenan la adopción.
La suscripción necesita conocimiento institucional
Una buena suscripción depende de décadas de conocimiento interno sobre factores de riesgo, patrones de siniestralidad y estrategias de precios. Los modelos de IA genéricos carecen de esa experiencia, y la naturaleza confidencial de los datos de suscripción hace arriesgado entrenar con socios externos.
Detectar fraude exige reconocer patrones sutiles
El fraude en seguros adopta muchas formas, desde accidentes simulados y reclamaciones infladas hasta esquemas de facturación de proveedores, cada una con indicios sutiles que cambian según el ramo. La detección genérica de anomalías pasa por alto los patrones que un perito experimentado reconoce.
How Ertas Solves This
Ertas Studio entrena un modelo a medida con tu propio historial de siniestros: primeros avisos de siniestro con los campos que extraen tus peritos, reclamaciones con las decisiones de derivación que tomó tu equipo, textos de póliza con las preguntas de cobertura que responden. Los peritos y suscriptores sénior pueden revisar, corregir y aprobar esos ejemplos en Data Craft, el editor guiado de datasets de Studio, para que su criterio se convierta en datos de entrenamiento. El entrenamiento de modelos abiertos se hace desde un lienzo visual, con varios entrenamientos en paralelo para comparar.
El entrenamiento se ejecuta en las GPU en la nube de Ertas, así que el conjunto de entrenamiento se sube a Ertas. Elimina antes los identificadores de asegurados que la tarea no necesite y borra los datasets cuando ya no te hagan falta.
El modelo entrenado es tuyo: descárgalo como GGUF o safetensors completos y ejecútalo en tus propios servidores con llama.cpp, Ollama o vLLM. Los siniestros procesados en producción se quedan en tu centro de datos. Cumplir con las normas estatales de seguridad de datos y con GLBA sigue siendo trabajo tuyo, y ejecutar el modelo internamente mantiene los datos de siniestros de producción fuera de los sistemas de otro proveedor.
Para una tarea de gran volumen que hoy funciona con una API frontera, el endpoint de modelo adaptativo traslada una parte creciente de las solicitudes a un modelo a medida cuando supera tus evaluaciones, y deja los casos difíciles en el modelo frontera. Puede funcionar gestionado por Ertas, en tu propia nube o en tus instalaciones.
Key Features for Compañías de seguros
Datos de entrenamiento revisados por peritos
Data Craft permite a peritos y suscriptores editar intercambios de ejemplo, versionarlos y marcarlos como aprobados, de modo que su conocimiento de matices de cobertura, señales de alerta y factores de riesgo queda en el conjunto de entrenamiento.
Entrenamiento específico para tus pólizas
Haz ajuste fino de modelos abiertos con el lenguaje real de tus pólizas, tus estructuras de cobertura y los resultados de tus siniestros. El modelo aprende tus productos concretos, y sus extracciones y sugerencias de derivación se acercan más a lo que haría tu equipo de peritos.
Ejecútalo en tu centro de datos
Los modelos entrenados aparecen en Hub y se descargan como GGUF o safetensors completos. Sírvelos en tu propio hardware con llama.cpp, Ollama o vLLM, sin depender de Ertas en tiempo de ejecución.
Endpoint de modelo adaptativo
Para una tarea de gran volumen, el endpoint de modelo adaptativo te da una sola API. Un modelo a medida entrenado con tus propias solicitudes y los comentarios de tu equipo asume una parte creciente del tráfico cuando supera tus evaluaciones, y los casos difíciles siguen en el modelo frontera que ya usas.
Why It Works
- En el benchmark de resumen de reuniones QMSum, un modelo de 1.2B entrenado con Ertas obtuvo 35.41 de ROUGE-1, frente a 32.43 del mejor de cinco modelos frontera alojados. Un modelo pequeño entrenado para una tarea puede superar en esa tarea a modelos generales mucho más grandes.
- Los modelos exportados funcionan con llama.cpp, Ollama, LM Studio o vLLM en hardware que tú controlas, así que la inferencia en producción no necesita conexión con Ertas.
- Los peritos contribuyen a través de Data Craft, un editor conversacional para crear y aprobar ejemplos de entrenamiento, y su experiencia llega al modelo sin que nadie escriba código.
Example Workflow
Una aseguradora de daños quiere un modelo que extraiga los datos clave de los primeros avisos de siniestro (FNOL) y sugiera el tipo de siniestro y su gravedad para derivarlo. El equipo de operaciones de siniestros exporta 5,000 avisos históricos con los campos que registraron los peritos, quita los nombres y datos de contacto de los asegurados y les da formato de dataset JSONL.
Los peritos sénior revisan los ejemplos en Data Craft, corrigen las etiquetas de tipo de siniestro inconsistentes y aprueban el conjunto. El equipo entrena dos modelos base en paralelo en Ertas Studio y los compara con un conjunto reservado de avisos recientes.
El equipo de TI de la aseguradora descarga el mejor modelo como archivo GGUF y lo sirve en servidores internos. Los peritos de recepción ven los campos extraídos y la derivación sugerida junto a cada aviso nuevo, los confirman o corrigen, y esas correcciones alimentan el siguiente entrenamiento.
Related Resources
Ship AI that runs on your users' devices.
Free plan with 30 credits/mo, no card required. Paid plans from $10/mo USD.