Boris Gregor, Tech Lead v UNIQA Group Services, a Erik Helecz, Ableneo · z workshopu · 29. októbra 2026
Do poisťovne príde mail so žiadosťou o ponuku: neštruktúrovaný text, prílohy v Exceli, PDF aj skenoch a tá istá informácia na viacerých miestach, zakaždým trochu inak. UNIQA Group Services a Ableneo postavili riešenie, ktoré z takého mailu vytiahne údaje pre poistnú ponuku a založí ju v cieľovom systéme. Underwriter skontroluje návrh a rozhodne. Boris Gregor a Erik Helecz na workshope ukázali architektúru, prácu s protichodnými údajmi a evaluáciu, ktorá riešenie posúva vpred.
Poistenie stojí na dátach. Poisťovňa nesmie klienta podpoistiť ani prepoistiť: drahá ponuka ho odoženie, lacná prinesie stratu. Ponuky pre firemných klientov pripravujú underwriteri a veľkú časť dňa trávia tým, že v mailoch od brokerov a ich prílohách hľadajú údaje a prepisujú ich do poistného systému. Žiadosť navyše často nie je úplná. Keď chýbajúci údaj underwriter objaví až v polovici práce, musí sa dopytovať a čas, ktorý do žiadosti vložil, je stratený. Cieľom bolo dať mu dôležité údaje pred oči, zapísať ich za neho do systému a nechať mu kontrolu namiesto hľadania a prepisovania.
Underwriter pracuje vo svojich nástrojoch ako doteraz. O niekoľko minút má k dispozícii sumár žiadosti, zoznam chýbajúcich alebo protichodných údajov a pripravený návrh ponuky. Role sú rozdelené striktne. AI číta mail a prílohy, vyťahuje údaje, pripraví návrh a upozorní na medzery. Underwriter kontroluje a dopĺňa, rozhoduje o riziku a cene a s brokerom aj klientom komunikuje sám.
Erik Helecz opísal pipeline v krokoch. Najprv sa mail rozbalí na predmet, telo a prílohy. Jazykový model podľa predmetu a tela posúdi, či ide o žiadosť o ponuku, ostatné maily sa zahodia. OCR služba prevedie Excely, PDF aj obrázky na text. Pri extrakcii narazil tím na tri obmedzenia: kontextové okno jedného agenta, presnosť a rýchlosť. Riešením bola paralelizácia: každá príloha má vlastného špecializovaného agenta. Extrakcia využíva štruktúrovaný výstup, ktorý väčšina poskytovateľov LLM podporuje natívne: model dostane inštrukcie aj JSON schému a vráti len JSON. Údaje, ktoré v dokumente nie sú, sa označia ako null. Na pipeline používa tím Python, dáta sú v PostgreSQL, aplikácia pre underwriterov má backend v Jave a frontend v Reacte.
Paralelná extrakcia má cenu: výsledky z jednotlivých príloh treba zlúčiť a tá istá informácia sa v nich môže líšiť. Riešenie vyberie hodnotu podľa jasných pravidiel, kolíziu zaznamená a underwriter vidí, kde si podklady protirečia. Pri každej hodnote sa dá dohľadať, z ktorého dokumentu prišla.
Evaluácia začína ground truth datasetom: reprezentatívnou vzorkou produkčných vstupov, kde má každá vzorka označený ideálny výstup. Pipeline sa na nej pustí a rozdiel ukáže, kde sú chyby. V tomto projekte nemali všetky polia rovnakú váhu. Po sedeniach s rizikovými inžiniermi dostali dôležitejšie polia vyššiu váhu, aby evaluácia ukazovala, kde má vývoj najväčší dopad. Erik Helecz pomenoval aj tri chyby, z ktorých sa tím poučil:
Ručné labelovanie prestane stačiť, keď dataset rastie a požiadavky sa menia. Tím preto labeluje silnejšími a drahšími modelmi: na každý priečinok vzoriek pustí agenta, človek skontroluje reprezentatívnu vzorku a menší, rýchlejší model v produkcii sa evaluuje voči týmto labelom. Strop je jasný: labely sú také dobré ako model, ktorý ich vytvoril. Ďalším zdrojom je spätná väzba z prevádzky, underwriteri môžu pri každom poli zapísať správnu hodnotu a z obdobia prevádzky vzniká nový dataset.
Prototyp na vlastnom počítači vznikne za pár hodín, produkcia v poisťovni má podľa Borisa Gregora ďalšie povinnosti: rozlišovať citlivosť dát, ktoré idú do modelov, držať dáta v kontrolovanom regióne, privátnu sieť, prístup cez identity namiesto hesiel, audit každého kroku a garanciu, že rozhoduje človek. Požiadavky na ochranu osobných údajov (ako dlho a kde sa dáta držia, kedy sa mažú, na aký účel) definuje oddelenie ochrany dát a vývoj ich pretavuje do techniky. Podľa Borisa Gregora bežia modely ako dedikované nasadenia pre firmu v schválenom prostredí, kde poskytovateľ na dátach netrénuje. Ktoré modely sa smú použiť na vývoj a ktoré v prevádzke, sa rozhoduje na úrovni skupiny, nie projektu.
Riešenie neobchádza ani bežný vývojový proces. Vývojári používajú AI asistentov, ale každá zmena prechádza merge requestom, skenmi zraniteľností, review a testami. Biznisovú logiku písali ľudia, boilerplate a integrácie generovala AI.
Evaluácia je jediná vec, ktorá vám povie, či sa hýbete správnym smerom. Intuícia vám môže tvrdiť jedno, ale dáta vám povedia presný opak.
Erik Helecz, Ableneo
Boris Gregor je Tech Lead v UNIQA Group Services. Na projekte zastrešuje biznisovú stranu riešenia, jeho zasadenie do architektúry poisťovne a požiadavky regulovaného prostredia.
Erik Helecz je AI inžinier v Ableneo. Na projekte navrhol AI pipeline, zlučovanie dát a evaluáciu.
Ableneo pomáha firmám previesť AI z pilotov do produkcie. Od stratégie cez discovery až po reálne nasadenie a evaluáciu. Ozvite sa a porozprávame sa o vašej ceste.
Podľa odhadu Borisa Gregora niekoľko minút, v závislosti od počtu a veľkosti príloh. Čas tvorí odoslanie mailu, samotné spracovanie a zápis do cieľového systému. „Za ten čas by si možno ani neprečítal prvý dokument,“ dodal Boris Gregor.
Údaje sa pred odoslaním neanonymizujú. Podľa Borisa Gregora ochranu rieši prostredie: modely bežia ako dedikované nasadenia v schválenom prostredí, dáta ho neopúšťajú a poskytovateľ na nich netrénuje. Zdravotné údaje sa v žiadostiach nespracúvajú. Pravidlá uchovávania a mazania dát stanovuje oddelenie ochrany dát.
Zatiaľ nie. Tím to zvažoval pri niektorých údajoch, no externé zdroje by pridali komplexitu. Prioritou bolo dostať čo najvyššiu úspešnosť z údajov, ktoré sú v maile a prílohách, a vybudovať dobré dáta na vstupe aj spôsob, ako výstupy kontrolovať.
Záznam workshopu Fwd: Žiadosť o ponuku z 29. októbra 2026 sprístupníme po vyplnení krátkeho formulára na tejto stránke, stačí e-mail. Súčasťou sú aj kapitoly s časovými značkami a otázky z publika.
