Реализация классификации документов с помощью векторных подсказок на Amazon Bedrock

Обработка большого объема страховых документов, таких как полисы, аффидевиты и регуляторные формы, требует высокой точности классификации. Традиционные автоматические методы часто сталкиваются с трудностями при различии похожих по содержанию документов, что может привести к ошибкам и задержкам. В ответ на эти вызовы Amazon Bedrock предлагает архитектуру multi-agent, которая объединяет специализированных агентов для анализа текста, визуальной схожести и проверки качества.

Архитектура включает три ключевых компонента: агента анализа текста, использующего модель Claude Haiku 4.5 от Anthropic, агента визуальной схожести на базе Amazon Titan Multimodal Embeddings и агента валидации, который координирует работу и обеспечивает качество классификации.

Использование SDK Strands Agents позволяет каждому агенту функционировать независимо, а оркестратор объединяет их выводы для получения финальной оценки с уровнем доверия. Такой подход значительно повышает точность классификации, особенно в сложных случаях, где один метод может ошибаться.

Пример реализации включает настройку моделей, создание агентов и их интеграцию в единую систему, способную автоматически классифицировать документы с высокой точностью. В результате тестирования система показала 100% точность на ограниченном наборе данных, превосходя традиционные методы, такие как Amazon Textract и Amazon Comprehend.

Для обеспечения безопасности и соответствия нормативам, рекомендуется использовать встроенные механизмы Amazon Bedrock, такие как фильтры контента и логирование запросов. Также важно настроить автоматическую эскалацию для случаев с низкой уверенностью, чтобы обеспечить контроль со стороны человека.

Данный подход подходит для внедрения в производственные системы, где важна высокая точность и надежность классификации документов, что особенно актуально в страховой сфере и других областях с высокими требованиями к обработке данных.