Amazon mostra come interrogare pratiche sinistri in linguaggio naturale
Testo scritto con l’intelligenza artificiale a partire da una fonte citata, senza revisione umana prima della pubblicazione.
Una guida tecnica illustra l'uso di Amazon Bedrock Knowledge Bases e dell'AgenticRetrieveStream API per rispondere a domande sui fascicoli con citazioni dai documenti caricati su S3.
Due domande aprono il post: “Il sinistro è stato approvato?” e “Quali pratiche auto aperte oltre 10.000 dollari del mese scorso?”. La guida AWS mostra come ottenere risposte con citazioni dai documenti di pratica usando Amazon Bedrock Knowledge Bases1.
Il problema è concreto: le informazioni vivono in diari dei periti, preventivi di riparazione, rapporti di polizia, registri dei pagamenti e allegati scansionati. Non esiste un campo unico da cercare. Servono risposte che combinino evidenze da fonti diverse, in modo rapido e verificabile1.
Per arrivarci, gli autori adottano Retrieval Augmented Generation: il modello genera testo ancorato ai documenti recuperati. Amazon Bedrock Knowledge Bases offre questa capacità in modalità gestita per documenti aziendali. Il servizio gestisce parsing, suddivisione in chunk, creazione di embedding e archiviazione vettoriale. Il risultato è un’interfaccia conversazionale che risponde in linguaggio naturale e cita i file di fascicolo usati per supportare l’output1.
Il perimetro è esplicito. Si tratta di un how-to, costruito su registri sintetici, senza descrivere un’implementazione cliente in produzione. L’obiettivo dichiarato è realizzare un assistente per sinistri che risponde a domande in linguaggio naturale con citazioni puntuali ai documenti recuperati1.
Il percorso operativo è lineare. Si ingeriscono documenti e metadati dei sinistri da Amazon Simple Storage Service (Amazon S3). Si interroga il corpus in linguaggio naturale con l’API AgenticRetrieveStream. La sequenza illustra come ottenere risposte ancorate a passaggi rilevanti e corredate di riferimenti ai file sorgente1.
Il caso d’uso resta focalizzato su un’esigenza comune: rendere ricercabili informazioni oggi disperse in più fonti. I diari raccolgono eventi e valutazioni. I preventivi espongono cifre e voci di spesa. I rapporti di polizia descrivono dinamiche e contesti. I registri dei pagamenti tracciano movimenti economici. Gli allegati scansionati aggiungono materiale non strutturato. Insieme formano il fascicolo, ma rendono impraticabile una risposta con una sola query su un campo1.
La proposta riduce questo attrito combinando recupero mirato e generazione controllata. L’assistente accetta domande come le porrebbe un assicurato o un perito e restituisce una risposta in chiaro. Le citazioni consentono di risalire subito al punto del documento da cui proviene l’informazione, così chi legge può verificare il contesto1.
Gli esempi scelti riflettono attività quotidiane. La verifica dello stato di approvazione di un sinistro. L’estrazione di un insieme di pratiche per una lavorazione mirata, come i casi auto sopra una soglia economica su un periodo definito. In entrambi gli scenari, la guida mostra risposte sintetiche con riferimenti ai documenti di supporto1.
Chi vuole provarlo può seguire i passaggi descritti — dall’ingestione in Amazon S3 alla query con AgenticRetrieveStream — sapendo che l’esempio usa dati sintetici e non sostituisce un deployment in produzione1.
Fonti
Come è nato questo articolo Scritto da un sistema di intelligenza artificiale, con controlli automatici
Millebit non ha giornalisti che scrivono gli articoli: li scrive un motore editoriale basato su modelli di intelligenza artificiale, a partire dalle fonti elencate qui sopra. Prima di uscire, ogni testo passa questi controlli:
- Fedeltà alle fonti. Un secondo passaggio toglie ogni affermazione che le fonti non sostengono.
- Anti-cliché. Un filtro scarta frasi fatte, enfasi e tic della prosa artificiale.
- Giudizio editoriale. Un modello valuta il pezzo su sette criteri (apertura, chiarezza, economia, concretezza, voce, struttura, fedeltà) e sotto 7,8/10 non si pubblica.
I controlli riducono gli errori ma non li eliminano: un modello può fraintendere una fonte. Per le decisioni importanti, risali alla fonte originale. Se trovi un errore, segnalacelo.
Per vedere Millebit nelle notizie principali di Google, aggiungilo alle tue fonti preferite. Oppure segui l’edizione di oggi, il feed RSS o La Sintesi.