Retrieval-augmented generation memungkinkan copilot underwriting asuransi untuk menarik klausul polis, putusan kasus, dan pedoman regulasi terbaru langsung dari penyimpanan dokumen terkelola, sementara fine-tuning memaksa fakta-fakta tersebut masuk ke dalam bobot model dan menguncinya hingga siklus pelatihan ulang yang mahal berikutnya. Dalam domain di mana akurasi sangat krusial, kemampuan untuk mencantumkan sumber sesuai permintaan membedakan asisten yang berguna dari sebuah liabilitas.
Mengapa perdebatan ini penting sekarang
Godaan yang ada adalah melakukan fine-tuning pada LLM generik menggunakan korpus manual internal agar ia “mengetahui” aturan-aturannya. Fine-tuning memang menanamkan gaya, preferensi format, dan langkah-langkah prosedural, tetapi ia juga memasukkan pengetahuan statis ke dalam parameter model. Setiap perubahan—peluncuran produk baru, pembaruan klausul, panduan yang dikeluarkan regulator—memerlukan proses pelatihan baru.
Retrieval-augmented generation (RAG) menghindari hambatan tersebut. LLM tetap “tipis”: ia menangani bahasa, penalaran, dan pemformatan output, sementara mesin pencari terpisah mengambil dokumen terbaru yang menjawab pertanyaan pengguna. Model harus menjawab berdasarkan teks yang diambil dan melampirkan sitasi. Jika sumber yang relevan tidak ditemukan, sistem akan menjawab “Saya tidak memiliki informasi tersebut.” Dalam underwriting, di mana auditor menuntut jejak audit yang jelas, perilaku tersebut bukanlah sekadar kenyamanan; melainkan persyaratan kepatuhan.
Bagaimana kedua pendekatan tersebut berbeda dalam praktiknya
| Tugas | Fine-tuning | Retrieval |
|---|---|---|
| Memperbarui pedoman | Melatih ulang model dengan teks yang direvisi | Mengganti atau mengedit dokumen dalam indeks |
| Menjelaskan jawaban | Tidak ada keterlacakan bawaan | Mencantumkan ID sumber yang tepat |
| Menambahkan produk baru minggu depan | Memerlukan proses pelatihan baru | Mengindeks spesifikasi produk dan segera mulai menggunakannya |
| Memperbaiki fakta yang salah | Menemukan perubahan bobot, latih ulang | Mengedit dokumen sumber; kueri berikutnya akan melihat perbaikan tersebut |
Kontrasnya sangat mencolok. Fine-tuning adalah pendekatan “set-and-forget” (atur dan lupakan) yang bekerja saat basis pengetahuan bersifat statis. Retrieval memperlakukan basis pengetahuan sebagai perpustakaan hidup yang dapat diedit dalam hitungan menit, dengan LLM bertindak sebagai analis terampil yang menarik berkas yang tepat ke meja kerja.
Alur kerja copilot underwriting
- Pengguna mengajukan pertanyaan – misal, “Batas pertanggungan apa yang berlaku untuk kewajiban siber bagi penyedia SaaS ukuran menengah?”
- Sistem mencari dalam repositori polis, basis data regulasi, dan putusan kasus sebelumnya.
- Reranking memilih bagian yang paling relevan dan menandainya dengan pengidentifikasi sumber.
- LLM menghasilkan jawaban yang hanya diambil dari bagian-bagian tersebut.
- Respons menyertakan sitasi, memungkinkan underwriter untuk memverifikasi jawaban secara instan.
Satu aturan menegakkan kejujuran: model tidak boleh berhalusinasi dari memori internalnya. Jika kumpulan data yang diambil tidak berisi jawaban, sistem harus mengakui ketidaktahuannya. Aturan tersebut menghilangkan tebakan percaya diri yang telah menghantui uji coba AI sebelumnya di bidang-bidang yang diatur secara ketat.
Mengapa retrieval unggul
- Kesegaran – Segera setelah dokumen polis diperbarui, indeks akan mencerminkan perubahan tersebut. Tidak perlu menunggu jendela pelatihan berikutnya.
- Auditabilitas – Setiap output merujuk kembali ke sumber konkret, memenuhi kebutuhan regulator yang menuntut alasan “mengapa” di samping “apa.”
- Biaya – Mengedit dokumen hanya memakan waktu beberapa menit; pelatihan ulang model secara penuh adalah proyek besar.
- Kontrol – Pemilik pengetahuan mengelola penyimpanan dokumen yang sudah mereka gunakan untuk versi dan kontrol akses, daripada berharap penyesuaian bobot berperilaku sesuai keinginan.
Kapan fine-tuning tetap memiliki peran
Fine-tuning sangat berguna untuk tugas-tugas yang berkaitan dengan bagaimana cara menyampaikan sesuatu, bukan apa yang disampaikan. Jika copilot underwriting harus secara konsisten menghasilkan respons dengan nada tertentu, mengikuti templat format yang ketat, atau melakukan pola penalaran khusus (misalnya, perhitungan penilaian risiko), fine-tuning yang moderat dapat menanamkan perilaku tersebut. Biarkan lapisan faktual tetap eksternal dan diambil pada saat kueri.
Kesimpulan
Untuk underwriting asuransi, prioritasnya bukan sekadar chatbot yang fasih, melainkan analis transparan yang dapat menunjukkan klausul atau kasus tepat yang mendukung setiap rekomendasi. Retrieval-augmented generation memberikan transparansi tersebut, tetap mutakhir dengan upaya minimal, dan menghindari biaya besar dari pelatihan ulang model yang berkelanjutan. Gunakan fine-tuning untuk membentuk gaya dan penalaran; biarkan retrieval menyediakan fakta, dan Anda memberikan alat yang dapat dipercaya oleh underwriter—serta dapat diaudit oleh regulator.