Rocket Close es una agencia de títulos y empresa de gestión de tasaciones con sede en Detroit dentro de Rocket Companies que ofrece seguros de títulos, valoración de propiedades y servicios de liquidación. A medida que crecía la demanda de hipotecas y préstamos, las operaciones de títulos se convirtieron en un cuello de botella en el proceso de compra de vivienda. Los exámenes de títulos específicos de cada estado, que requerían mucho tiempo, combinados con investigaciones manuales y sistemas fragmentados, ralentizaron el rendimiento y dificultaron que los equipos siguieran el ritmo de una base de clientes en expansión.
Los examinadores de títulos deben verificar datos de fuentes dispares. Esto requiere buscar en múltiples sistemas, guías estatales y requisitos del condado. Las normas locales sobre sucesiones o identificaciones fiscales complican aún más su trabajo. Por ejemplo, un examinador de títulos que busque comprender un requisito de registro específico de un condado podría pasar horas navegando por múltiples fuentes.
Para abordar estos desafíos, Rocket Close creó Supercharger en colaboración con AWS. Supercharger es una solución de IA agente diseñada para reducir la fricción en el proceso de préstamo y compra de vivienda y optimizar los flujos de trabajo de operaciones de títulos. Combina conocimientos de título y cierre para guiar a los equipos a través del flujo de trabajo de procesamiento de pedidos, interactuando dinámicamente con los equipos de operaciones internas en lenguaje natural. Al centralizar el conocimiento y automatizar las tareas de investigación intensa, la solución genera información procesable sobre los pedidos, mejora la eficiencia y reduce el tiempo dedicado a la búsqueda de información. En última instancia, mejora tanto la eficiencia operativa como la experiencia del cliente.
En esta publicación, exploramos cómo Rocket Close creó una solución utilizando Strands Agents, modelos de lenguaje grandes (LLM), Amazon Bedrock, bases de conocimientos de Amazon Bedrock y herramientas Model Context Protocol (MCP). Cubrimos las características de la solución, la justificación de la pila de tecnología, las lecciones aprendidas y el impacto empresarial en Rocket Close.
Descripción general de la solución
La solución Supercharger está impulsada por Strands Agents, un SDK de código abierto de AWS para crear agentes que utilizan el Anthropic Claude Large Language Model (LLM) a través de Amazon Bedrock, lo que le brinda la flexibilidad de elegir diferentes LLM a medida que evolucionan los asistentes del título. Desde una perspectiva de seguridad, la solución combina Amazon Bedrock Guardrails con derechos de datos a nivel de fila para ayudar a prevenir el acceso accidental a datos confidenciales del cliente a través de controles de acceso inteligentes. Las conversaciones se registran con pistas de auditoría completas para cumplir con los requisitos de cumplimiento. Se integra con las bases de datos operativas de Rocket Close que contienen información de pedidos, procedimientos estándar y políticas para exámenes de títulos a nivel estatal. El siguiente diagrama muestra las seis capacidades interconectadas de Supercharger.
En el centro de la solución Supercharger hay un agente de dominio específico que impulsa la conversación con los equipos de operaciones a través de seis capacidades interconectadas que trabajan juntas para agilizar el proceso de propiedad de vivienda. Conversation Analytics permite el procesamiento del lenguaje natural que comprende el contexto y la intención en conversaciones de varios turnos, lo que hace que las interacciones se sientan intuitivas y humanas en lugar de rígidas y transaccionales. Sobre la base de esta inteligencia conversacional, la asistencia para el examen de títulos a nivel estatal proporciona listas de verificación integrales y orientación adaptada a los requisitos específicos del examen de títulos, brindando a los equipos la información correcta en el momento adecuado. La integración basada en API de la solución se conecta con los sistemas existentes para mantener la coherencia de los datos y evitar la entrada manual de datos, lo que reduce los errores y libera a los equipos para que se concentren en trabajos de alto valor. Guardrails y Response Accuracy verifican que cada respuesta cumpla con los estándares de calidad y los requisitos reglamentarios, protegiendo tanto a la empresa como a sus clientes. El registro y la supervisión integrales proporcionan una visibilidad completa del rendimiento del sistema y las interacciones de los usuarios, con seguimientos de auditoría completos que cumplen con los requisitos de cumplimiento. Finalmente, el acceso unificado a múltiples fuentes de datos mantiene un contexto completo para la toma de decisiones, reuniendo información que anteriormente requería verificar múltiples sistemas, creando una experiencia unificada para los equipos de operaciones que navegan por flujos de trabajo de títulos complejos.
Cuando un miembro del equipo de operaciones plantea una pregunta, la solicitud fluye a través del flujo de trabajo que se muestra en el siguiente diagrama de arquitectura.
Apretón de manos de WebSocket: el usuario inicia una conexión a través de una solicitud HTTP con un token JWT. Validación del token: el proveedor de identidad valida el token a través de Istio y establece una conexión WebSocket. Invocación del agente del título del examen: se invoca el agente de Strands, lo que activa el flujo de trabajo del agente en función de las indicaciones del sistema y la entrada del usuario. Consulta de la base de conocimientos: el agente busca en la base de conocimientos políticas y procedimientos relevantes. Selección de herramientas: el agente determina qué función invocar y con qué parámetros. Ejecución de la herramienta MCP: las herramientas MCP procesan la solicitud y recuperan información del pedido de Atlas Web API. Síntesis de contexto: el sistema consulta la base de conocimientos en busca de un contexto específico del pedido. Entrega de respuesta: la respuesta combinada se transmite al usuario a través de WebSocket. Representación de respuesta: la respuesta sintetizada se transmite progresivamente a la interfaz de usuario del Chatbot.
En las siguientes secciones, explicamos por qué elegimos Strands Agents y una arquitectura basada en herramientas MCP.
Agentes de hebras
Strands Agents es un SDK de arnés de agentes de código abierto que adopta un enfoque basado en modelos para crear y ejecutar agentes de IA en unas pocas líneas de código. Va desde casos de uso sencillos hasta casos de uso complejos, y desde el desarrollo local hasta la producción. Strands Agents utiliza las capacidades de planificación, llamada de herramientas y reflexión de los LLM para impulsar el comportamiento de los agentes.
Con Strands Agents, los desarrolladores definen un mensaje y una lista de herramientas en el código, luego prueban el agente localmente y lo implementan en la nube. El SDK planifica los próximos pasos del agente y ejecuta herramientas a través de las capacidades de razonamiento del modelo. Para casos de uso más complejos, los desarrolladores pueden personalizar el comportamiento de los agentes. Por ejemplo, puede especificar cómo se seleccionan las herramientas, personalizar cómo se administra el contexto, elegir dónde se almacenan el estado de la sesión y la memoria y crear aplicaciones multiagente.
Herramientas del protocolo de contexto modelo (MCP)
La solución implementa una arquitectura basada en herramientas MCP donde cada fuente de datos se expone como una herramienta distinta que los agentes de Strands pueden invocar. Este enfoque ofrece tres ventajas:
Extensibilidad: se pueden agregar nuevas fuentes de datos como herramientas adicionales sin reestructurar la arquitectura central. El equipo tomó esta decisión de diseño deliberadamente para dar cabida a una futura expansión. Separación de preocupaciones: la lógica para interactuar con cada sistema está encapsulada en su propia herramienta, lo que hace que la arquitectura general sea más mantenible y comprobable. Flexibilidad: el agente de Strands selecciona dinámicamente qué herramientas usar en función de cada consulta, lo que admite flujos de trabajo que abarcan múltiples fuentes de datos.
Impacto empresarial
"Al aprovechar las bases de conocimiento patentadas de Rocket Close y mejorar Supercharger con capacidades de IA agente, nuestro equipo podría transformar la forma en que los miembros del equipo interactúan con datos de pedidos complejos y ejecutan tareas diarias. Esto no solo mejora la productividad sino que transforma la forma en que se realiza el trabajo. Al integrar la capacidad de respuesta a preguntas de Supercharger con nuestras interfaces de chat externas, hemos ahorrado miles de llamadas y correos electrónicos por mes en nuestro centro de contacto, lo que nos brinda una mayor escala y una mejor experiencia para el cliente".
— Bryan Bedard, vicepresidente de ciencia de datos, Rocket Close
La capacidad de Supercharger para comprender el contexto a nivel de pedido y ofrecer orientación precisa y específica de cada función transformó el flujo de trabajo de un extremo a otro de Rocket Close de múltiples maneras. La solución brindó ganancias inmediatas de eficiencia operativa para los equipos de operaciones y relaciones con el cliente, reduciendo la cantidad de llamadas entrantes y correos electrónicos al centro de contacto en un 30 % a través de su capacidad de respuesta a preguntas. La precisión de los exámenes estatales mejoró a través de información en tiempo real sobre los pedidos dentro de los flujos de trabajo existentes, lo que redujo la carga cognitiva, minimizó el tiempo de investigación y aumentó la precisión en la toma de decisiones. La satisfacción del cliente se mejoró mediante la automatización de tareas rutinarias, la ejecución de procesos a nivel de pedido y la redacción de comunicaciones en nombre de los clientes. La coherencia operativa mejoró con la asistencia de exámenes a nivel estatal guiada por IA de Supercharger. Finalmente, se optimizó el rendimiento mediante el refinamiento de la arquitectura y mejores técnicas de aviso que redujeron la cantidad de llamadas que el agente realizó al LLM, logrando mejoras de latencia 3 veces mayores y costos reducidos.
Lecciones aprendidas
A lo largo del viaje de Rocket Close para desarrollar Supercharger, el equipo descubrió varias lecciones clave que dieron forma a su estrategia de IA y su enfoque de implementación.
La experiencia reveló que la recuperación eficiente de datos es una piedra angular del rendimiento, lo que los llevó a diseñar una solución optimizada donde las herramientas MCP recuperan la información de pedido necesaria en una sola llamada antes de usar la síntesis LLM para extraer detalles relevantes, aliviando la necesidad de múltiples consultas a la base de datos. Esta filosofía arquitectónica se extendió para mantener una clara separación de preocupaciones entre Strands Agents y las herramientas MCP, creando una base flexible capaz de evolucionar junto con los requisitos cambiantes. El equipo descubrió que la transmisión basada en WebSocket brindaba comentarios inmediatos de los usuarios, lo que mejoraba el rendimiento percibido incluso cuando se manejaban consultas complejas. El equipo aprendió que las indicaciones efectivas de LLM se centran en describir lo que el agente debe lograr en lugar de prescribir cómo, porque la eliminación de pasos deterministas permitió al agente orquestar dinámicamente utilizando sus capacidades inherentes, lo que resultó ser más adaptable que los enfoques personalizados. Surgieron ideas adicionales en torno al filtrado de metadatos en bases de conocimiento para mejorar la precisión de la recuperación, la importancia crítica de la denominación de herramientas descriptivas y cadenas de documentos coherentes que sirven como interfaces de lenguaje natural para el razonamiento de los agentes, y el valor de descargar la aplicación de la seguridad a los atributos de la sesión, en lugar de incorporarla en la lógica empresarial o en las indicaciones paso a paso del agente, ayuda a proporcionar un control de acceso limpio y consistente. El equipo también reconoció que el patrocinio ejecutivo y la gestión de cambios resultaron cruciales para la entrega oportuna, lo que los llevó a colaborar con AWS.
En conjunto, estas lecciones convergieron en un principio unificador: diseñar soluciones que aprovechen la inteligencia inherente del agente en lugar de limitarla hizo que Supercharger fuera más poderoso y mantenible a largo plazo.
Conclusión
En esta publicación, brindamos información sobre cómo la IA agente puede transformar procesos complejos y que requieren mucho conocimiento en la industria hipotecaria a través del viaje Rocket Close Supercharger. El uso de Strands Agents y las herramientas MCP ayuda a crear una solución flexible y de alto rendimiento que permite a los miembros del equipo acceso instantáneo a la información de los pedidos y a la automatización inteligente. La fase futura de Supercharger incluirá la expansión para que los banqueros aborden preguntas específicas sobre préstamos y la creación de plantillas de inicio rápido para guiar a equipos de múltiples dominios en la creación de soluciones agentes para sus problemas comerciales.
El viaje resalta varias lecciones. Estos incluyen la colaboración práctica entre equipos empresariales y tecnológicos, el valor del refinamiento iterativo y el papel de las decisiones arquitectónicas para lograr el rendimiento y la mantenibilidad.
Para las organizaciones que están considerando implementaciones de IA similares, el viaje Rocket Close es una guía pragmática. Comience con requisitos comerciales claros, asóciese con expertos que comprendan la tecnología y su dominio, invierta en una arquitectura adecuada e itere en función del uso en el mundo real. El resultado es una solución que no reemplaza el trabajo. Aumenta las capacidades humanas y transforma la forma en que se realiza el trabajo.
Para obtener más información, consulte la documentación de Strands Agents y la página de marketing de Amazon Bedrock. Para comenzar a crear su propia solución agente, abra la consola de Amazon Bedrock y explore las bases de conocimientos de Amazon Bedrock.
Sobre los autores
Antón Selin
Anton es arquitecto de soluciones sénior en Rocket Close y le apasiona crear nuevos productos utilizando su experiencia en AWS y su profundo conocimiento del desarrollo de aplicaciones basadas en IA. Tiene una amplia experiencia en AWS, IA, desarrollo, integración, microservicios, mensajería y transmisión de datos de infraestructura local y en la nube. A lo largo de los años, Anton ha trabajado como promotor y arquitecto en los sectores financiero y sanitario. Además del trabajo, le gusta pasar tiempo con la familia, viajar, mirar y practicar deportes.
Manoj Ravi
Manoj es arquitecto de aprendizaje automático en Rocket Companies, donde se especializa en el diseño de soluciones de aprendizaje automático e inteligencia artificial generativa de extremo a extremo para la industria financiera. Se centra en la creación de plataformas distribuidas y escalables utilizando Kubernetes, garantizando que las soluciones experimentales de IA pasen eficientemente a producción. Cuando no está diseñando canales empresariales de MLOps, Manoj disfruta jugar al cricket, viajar y pasar tiempo con su familia.
Vipul Parekh
Vipul es gerente senior de soluciones para clientes en AWS y asesora a los clientes de FinTech y de mercados de capital para acelerar su viaje de transformación empresarial en la nube. Es embajador de la IA generativa y miembro de la comunidad de campo técnico de IA/ML de AWS. Antes de unirse a AWS, Vipul desempeñó varios roles en las principales organizaciones de servicios financieros, liderando transformaciones.
Venkata Santosh Sajjan Alla
Sajjan es arquitecto senior de soluciones en AWS Financial Services y lidera la transformación impulsada por la IA en todo el sector FinTech de América del Norte. Se asocia con organizaciones para diseñar y ejecutar estrategias de nube e inteligencia artificial que aceleren la innovación y generen impactos comerciales mensurables. Su trabajo se ha traducido constantemente en millones de valor a través de una mayor eficiencia y flujos de ingresos adicionales. Con una profunda experiencia en IA/ML, IA generativa y diseñado para arquitecturas en la nube, Sajjan permite a las instituciones financieras lograr resultados escalables basados en datos. Cuando no está diseñando el futuro de las finanzas, le gusta viajar y pasar tiempo con la familia.
Axel Larsson
Axel es arquitecto principal de soluciones en AWS con sede en el área metropolitana de la ciudad de Nueva York. Apoya a los clientes de FinTech y le apasiona ayudarlos a transformar sus negocios a través de la nube y la tecnología de inteligencia artificial. Fuera del trabajo, es un ávido manitas y le gusta experimentar con la automatización del hogar.