Full
Thumbnail

Antoine Savard

Senior Manager
Spécialiste du digital et de la distribution, Antoine Savard accompagne les grands comptes des Services Financiers sur leurs transformations stratégiques et opérationnelles

Pour une présentation détaillée de cet article, contactez-nous : insight@stanwell.fr



Qu'est-ce que l'Intelligence Artificielle (IA) ?

a) L'IA est un domaine de l'informatique visant à créer des dispositifs imitant ou remplaçant l'humain

Actuellement, dans l'industrie traditionnelles, de nombreuses tâches sont réalisées par des humains :

  1. Collecte de données / d'informations
  2. Analyse des données / des informations collectées via un modèle ou en se basant sur l'expérience
  3. Prise de décision à partir des résultats de la phase d'analyse

Jusqu'à présent, les algorithmes / les machines ont parfois permis d'assister l'humain sur certaines de ces tâches mais toujours en restant supervisées par l'humain (à qui revenait la prise de décision finale). L'innovation qu'apporte l'IA consiste à remplacer l'humain sur l'ensemble de ces tâches : de la collecte de données, en passant par l'analyse puis sur la prise de décision finale.

En d'autres termes, l'Intelligence Artificielle est une discipline scientifique qui permet à une machine de réaliser des tâches qui nécessiteraient en temps normal l'intervention d'un humain.


b) L'IA est apparue en dans les années 40 et a récemment connu des progrès significatifs avec l'augmentation des puissances de calcul et l'explosion du Big Data et des objets connectés

Les premiers concepts de l'Intelligence Artificielle ont vu le jour dès les années 40. L'informaticien anglais Alan Turing est le premier à définir, en 1950, un test d'évaluation de l'intelligence d'une machine. Il est considéré comme l'un des pionniers de l'Intelligence Artificielle.

Plus récemment, le développement de l'IA a connu une forte accélération, notamment grâce à :

  • D'une part, l'augmentation de la puissance de calcul des ordinateurs, qui permet désormais aux machines d'exécuter des algorithmes plus complexes, beaucoup plus rapidement que l'humain
  • D'autre part, le développement des technologies du Big Data et du Cloud, couplé à l'augmentation des sources de données (réseaux sociaux, internet des objets, e-commerce, applications mobiles, etc.), qui permettent aux machines de traiter des volumes de données beaucoup plus importants que ne le pourrait un humain.

Selon Forbes, l'IA est devenue la nouvelle technologie suscitant le plus d'intérêt en 2016 et 62% des entreprises ont l'intention de l'utiliser en 2018[i].


c) L'intelligence Artificielle est au cœur de la plupart des innovations qui vont révolutionner l'industrie de demain

L'investissement croissant dans l'Intelligence Artificielle s'explique par la multitude d'innovations que cette technologie permet dans les 3 grands domaines identifiés ci-dessous :

  • Efficacité opérationnelle / Automatisation intelligente :

Contrairement aux méthodes d'automatisation traditionnelles, l'IA automatise des tâches complexes nécessitant des capacités d'adaptation, de l'agilité et des capacités d'apprentissage.

  • Automatisation de processus (Robotic Process Automation) : Configuration de logiciels / ''robots'' par les employés pour comprendre et remplacer des applications existantes pour la réalisation de transactions, la manipulation de données, le déclenchement de réponses et la communication avec d'autres systèmes digitaux
  • Vision par ordinateur / Reconnaissance d'image : Analyse d'image pour en extraire de l'information, y détecter des objets, etc.
  • Reconnaissance automatique de contenu vidéo : Analyse d'échantillons vidéo pour en identifier le contenu
  • Reconnaissance vocale : Traitement d'enregistrements vocaux pour y détecter des mots et en comprendre la signification
  • Traduction : Traduction automatique d'une langue à une autre
  • Robotisation / Transhumanisme :

Le développement de l'IA va progressivement conduire à un remplacement de l'humain sur certaines tâches.

Selon Forrester, 16% des emplois aux Etats Unis seront potentiellement remplacés par des robots en 2025. Néanmoins, le même rapport prétend que 9% de nouveaux emplois seront créés autour de l'IA sur la même période (c'est-à-dire des gestionnaires de robots, des data scientists, des spécialistes de l'automatisation, des gestionnaires de contenu, etc.).[ii]

  • Contrôle gestuel : Permettre l'interaction / la communication avec la machine par les gestes
  • Traitement du langage naturel : Interpréter le langage humain pour en extraire des concepts abstraits
  • Robots intelligents (Smart Robots) : Construire des robots équipés de capacités d'apprentissage et capables d'interagir de façon autonome avec leur environnement
  • Informatique contextuelle (Context Aware Computing) : programme informatique qui prend conscience de son environnement et adapte son comportement en conséquence
  • Personnallisation / Chatbots / Nouveaux marchés :

Un des aspects de l'IA que l'on évoque moins souvent est qu'elle est à l'origine d'un certain nombre d'innovations.

  • Les engins de recommandation personnalisés : Prédire les centres d'intérêts et les préférences de l'utilisateur pour ensuite lui fournir des recommandations personnalisées
  • Chatbots / Assistants virtuels : Développer des agents intelligents capables de réaliser des tâches du quotidien en prenant en compte les remarques et répondants aux demandes
  • Véhicules autonomes : Construire des voitures capables d'analyser la route et les obstacles de façon à conduire pouvoir conduire sans intervention humaine

Le marché de l'IA pourrait atteindre 16.06 Milliards de $ en 2022, avec une croissance annuelle moyenne de 62.9% de 2016 à 2022.[iii]


Concrètement, beaucoup de méthodes constituant l'Intelligence Artificielle appartiennent à deux grandes familles : le ''Machine Learning'' et le ''Deep Learning'' qui viennent enrichir les méthodes traditionelles

a) Le "Machine Learning" offre à la machine des capacités d'apprentissage lui permettant d'apprendre de ses erreurs et de s'améliorer après chaque exécution

Le Machine Learning est un sous-ensemble de l'AI incluant la notion d'apprentissage. Dès lors que la machine se trompe, elle adapte son algorithme pour être en mesure de fournir un meilleur résultat la fois suivante. La conséquence de cela est qu'un algorithme de Machine Learning nécessite d'être entrainé afin d'ajuster au mieux ses paramètres et d'être en mesure de produire des résultats pertinents.

L'émergence du Big Data a permis d'entrainer les algorithmes sur des volumes de données beaucoup plus conséquents et donc de les rendre plus performants.

Un algorithme de Machine Learning est une fonction :

  • Définie à partir de paramètres ajustables,
  • Agissant sur un ensemble de données en entrée pour fournir un résultat en sortie.

L'algorithme est entrainé sur des jeux de données pour lesquelles on dispose déjà du résultat : les paramètres de la fonction sont ajustés de telle sorte que le résultat obtenu en sortie de l'algorithme corresponde au résultat attendu.

Une fois paramétré, l'algorithme pourra fournir un résultat pertinent pour de nouveaux jeux de données dont on ne connaît pas encore le résultat associé. Néanmoins, cette méthode a ses limites.

En effet, un algorithme de Machine Learning devient inefficace dès lors que le jeu de données en entrée atteint une taille trop conséquente ou bien quand le nombre de paramètres est trop important. L'analyse d'image, par exemple, est une tâche complexe car chaque pixel de l'image constitue un élément du jeu de données en entrée de l'algorithme. C'est pour traiter ces cas d'analyse complexe qu'une nouvelle branche est née au sein du Machine Learning : le Deep Learning.


b) Le "Deep Learning" : la mise en place de réseaux de neurones artificiels inspirés du cerveau humain

Le Deep Learning est un sous-ensemble du Machine Learning qui a fait son apparition dans les années 90 et qui a réellement émergé à partir de 2012. Le concept est basé sur la mise en place de réseaux de neurones artificiels inspirés du cerveau humain. En effet, les opérations réalisées par le Deep Learning sur des ensembles de données sont similaires aux opérations que peuvent réaliser les neurones du cerveau humain.

Le Deep Learning fonctionne avec des couches de neurones artificiels. Chaque neurone artificiel peut être perçu comme un petit algorithme de Machine Learning, qui, au lieu d'agir sur l'ensemble des données en entrée, se concentre sur un sous-ensemble. La première couche de neurones va produire un ensemble de résultats en sortie qui constitueront les données en entrée de la deuxième couche de neurones, etc. Ce processus, même si un peu obscur, mène à la compréhension de concepts abstraits par la machine (roues de voiture, liquide, être vivant, etc.).

Le Deep Learning dans sa forme la plus avancée permet même la création de modèles génératifs. Par exemple, une machine ayant compris le concept abstrait de ce qu'est une voiture peut être capable de générer l'image d'une voiture qui n'existe pas, juste en l'imaginant.


c) Les principales différences entre ces 2 nouvelles approches et les approches traditionnelles

La force du ''Machine Learning'' et du ''Deep Learning'' par rapport aux approches traditionnelles vient de :

  • La capacité à traiter des données plus complexes en entrée : Alors que les approches traditionnelles fonctionnent souvent avec des données structurées en entrée mises sous le bon format, le ''Machine Learning'' et le ''Deep Learning'' sont conçus pour fonctionner avec des données beaucoup plus complexes en entrée (image, audio, vidéo, etc.).
  • La capacité à traiter des volumes de données plus importants en entrée : le ''Machine Learning'' et le ''Deep Learning'' sont conçus et optimisés pour fonctionner sur des données massives de type ''Big Data''. Travailler sur des gros jeux de données est même un prérequis pour entrainer les modèles et obtenir des résultats plus pertinents.
  • La capacité d'apprentissage : Là ou des modèles traditionnels fourniront toujours le même résultat en sortie, les modèles de type ''Machine Learning'' et ''Deep Learning'' s'amélioreront après chaque exécution pour fournir des résultats toujours meilleurs


d) Illustration concrete

Une façon de comprendre concrètement ces concepts de l'IA peut être de s'intéresser à ce qu'ils permettraient d'accomplir en termes de reconnaissance d'image.

L'IA peut par exemple permettre de reconnaitre des visages humains sur des images. Cependant il va un jour arriver que l'IA se trompe en reconnaissant un visage humain là où il s'agit en réalité de celui d'un lion. Peu importe le nombre de tentatives, la machine se retrompera indéfiniment lorsqu'on lui présentera cette image si elle ne dispose pas de capacités d'apprentissage.

  • Un algorithme de Machine Learning se trompera lui la première fois, mais pas la seconde, car il va prendre en compte son erreur et ajuster ses paramètres afin de fournir un résultat correct la fois d'après. Un algorithme de Machine Learning s'améliore chaque fois qu'il est exécuté.
  • Un réseau de neurones artificiels (Deep Learning) va quant à lui également améliorer ses capacités de reconnaissance d'image mais encore plus efficacement. Il va même comprendre les concepts abstraits de ce qu'est un humain et ce qu'est un lion. Ainsi même si l'on venait à lui présenter l'image d'un homme portant un masque de lion, l'algorithme comprendrait qu'il s'agit d'un humain en analysant le reste du corps.


Comment l'Intelligence Artificielle (IA) impacte-t-elle le marché de l'assurance ?

L'Intelligence Artificielle permet d'apporter des innovations significatives dans l'industrie de l'assurance, et ce, de différentes façons :


a) Orientation Client

Tout d'abord, l'IA permet de travailler sur l'engagement client, la rétention et l'anti-churn. L'abondance de données peut être utilisée pour affiner la segmentation client et de fournir des offres personnalisées basées sur des fonctionnalités sur mesure pour le client.

Identification des besoins client & engagement client

  • Brolly est un outil, utilisant l'IA pour comprendre vos besoins en termes d'assurance, vous indiquer si vous sur- ou sous-assuré, si vous avez des assurances dupliquées ou bien si vous n'êtes pas couverts sur certains aspects. L'outil se veut informatif et automatise le conseil que vous iriez traditionnellement obtenir en discutant avec votre courtier ou votre conseiller financier.
  • Captricity utilise le Machine Learning pour convertir des documents manuscrits en données structurées, afin d'utiliser ces données pour une meilleure compréhension du client.
  • ValChoice note les offres des assureurs au profit du client.
  • TellMePlus utilise les données clients, internes ou provenant de sources de données externes, dans le but de détecter des signaux faibles (qui passeraient sinon inaperçus) afin d'identifier les clients non satisfaits et potentiellement prêts à résilier leur contrat. La solution fournit ensuite aux assureurs des mesures activables pour préserver la relation. La plupart du temps, une majorité de ces clients non satisfaits ne font pas remonter leur mécontentement jusqu'au jour où ils résilient leur contrat.

Relation client (Agents virtuels / Chatbots)

  • Spixii est un agent virtuel autonome qui vous aide à trouver le produit assurantiel répondant à vos besoins.
  • Cognicor est un assistant virtuel pour un service clientèle automatisé.
  • Conversica identifie les opportunités dans la base de clients.
  • Insurify est un agent virtuel qui agit en tant que comparateur d'assurance automobile.
  • Snips utilise votre application / objet connecté pour répondre à vos requêtes qu'elles soient exprimées en langage naturel par la voix ou par écrit, tout protégeant vos données personnelles
  • Craft.ai permet le développement de services à valeur ajoutée pour le client, s'adaptant à l'utilisateur en continu en prenant en compte le contexte, le tout de façon apprenante.

Ventes et Marketing

  • 6sense prédit quelles opportunités sont les plus susceptibles d'aboutir et à quel moment.
  • Salesforce Einstein est une solution d'Intelligence Artificielle (IA) intégrée dans l'outil CRM Salesforce. Elle apporte de l'IA dans chaque relation client à la fois pour les sales, le marketing et les services en apprenant des données recueillies par l'entreprise (données du CRM, emails, calendriers, social, ERP et IoT) et fournit des prédictions / recommandations pour anticiper les opportunités de ventes et permettre des décisions plus intelligentes. La solution fournit même de l'automatisation de tâches dans certains cas.
  • Fusemachines automatise les ventes à l'aide d'un assistant intelligent.
  • AirPR fournit des recommandations pour améliorer les relations publiques
  • Retention Science suggère des actions multicanales pour favoriser l'engagement.
  • D'autres exemples incluant : la prédiction de la durée de vie d'un client, l'affinage de la segmentation client, la détection des habitudes d'achat des clients et l'optimisation de l'expérience in-app du client.


b) Services à valeur-ajoutée pour le client

L'Intelligence Artificielle peut aider les compagnies d'assurance existantes à développer des services à valeur ajoutée pour leurs clients. Du point de vue de l'Assurance de Personne, l'objectif est de tirer parti de l'analyse intelligente des données pour fournir à l'utilisateur de nouveaux types d'informations et de conseils (prédictions des symptômes, diagnostics médicaux en temps réel, etc.).

  • Your.MD est un assistant personnel de santé qui analyse les symptômes et produit des conseils. L'assistant peut ainsi fournir à l'utilisateur un premier niveau de conseil au lieu de le diriger directement vers un médecin.
  • MedWhat utilise les Dossiers Médicaux Electroniques (DME) pour aider le patient et agir comme un médecin virtuel. Cet assistant médical virtuel entièrement automatisé peut ainsi aider l'utilisateur avec des questions / réponses d'ordre médicale, la santé et le bien-être au quotidien, ainsi que des rappels et suivi de santé.
  • Babylon donne des conseils médicaux en prenant soin de contraintes budgétaires du patient. L'application mobile, synchronisée avec d'éventuels bracelets électroniques, recueille des informations personnelles de l'utilisateur (glycémie, diabète, hormone ou cholestérol), puis fournit des services adaptés (conseil personnalisé, livraison à domicile de médicaments, consultation vidéo à distance).


c) Analyse des risques / Souscription / Gestion du portefeuille de contrats

L'Intelligence Artificielle peut permettre aux compagnies d'assurance d' associer des données publiques à des données métiers spécifiques afin de développer une évaluation / gestion plus précise des risques. La capacité à ingérer de vastes volumes de données (rapports, documents, prévisions, notations et antécédents financiers et médicaux) permet de fournir des idées, des schémas et des recommandations plus fiables que certains experts métiers.

Par ailleurs, l'Intelligence Artificielle peut permettre d'améliorer d' affiner la tarification en analysant des données plus granulaires.

  • Dreamquark permet la création de représentations précises d'ensemble de données médicales à des fins d'amélioration de l'efficacité du processus de souscription par les compagnies d'assurance.
  • Lapetus Solutions propose une solution d'analyse des risques en temps réel visant à améliorer le processus de souscription d'une assurance-vie. La solution s'appuie sur l'Intelligence Artificielle pour analyser de grandes quantités de données non structurées (photos du client à différentes époques) combinant l'analyse faciale et l'information biodémographique permettant ainsi d'évaluer le risque associé pour l'assureur (ex : mortalité, maladies, fumeur, etc.).
  • Carpe Data fournit des solutions de scoring prédictifs aux sociétés d'assurances Vie et Non-Vie. En tirant parti du web social, du contenu en ligne, des wearables, des appareils connectés et d'autres formes de données de nouvelle génération les solutions de Carpe Data permettent aux assureurs de prédire avec plus de précision les risques et d'innover avec de nouveaux services répondant aux habitudes de leurs clients.
  • Tamr combine des logiciels d'apprentissage automatique et une expertise de pointe dans le domaine de la science des données pour fournir aux assureurs des informations pertinentes permettant d'optimiser les dépenses opérationnelles et de réduire les risques.
  • Atidot est une plateforme d'évaluation de risques s'appuyant sur du Machine Learning.
  • Tyche utilise des données non structurées pour optimiser le processus de souscription et de réclamation en assurance.
  • Big Cloud Analytics recueille des données à partir de téléphones portables et/ou wearables et formule des scores de santé pour une meilleure évaluation des risques.
  • Cape Analytics utilise des techniques avancées de visualisation de données géospatiales pour améliorer le niveau de connaissance sur les conditions environnementales de maisons / bâtiments.
  • FitSense propose une application mobile permettant la création de produit d'assurance santé sur mesure.
  • Melody Health Insurance propose des assurances santé à bas prix.
  • Uvamo utilise l'Intelligence Artificielle pour faciliter le processus de souscription d'une assurance-vie / santé.


d) Gestion des sinsitres

  • Tractable vise à automatiser les taches d'experts en assurance.
  • ControlExpert se concentre spécifiquement sur l'amélioration de la gestion des sinistres automobiles.
  • Cognotekt et Snapsheet visent à optimiser les processus internes en assurance.
  • Motionscloud propose des solutions de gestion de sinistres sur mobile.
  • RightIndem a pour objectif d'aider les assureurs à lisser les flux de réclamation clients.


e) Automatisation des taches à faible valeur ajoutée

L'Intelligence Artificielle peut permettre d'automatiser rapidement certaines des tâches répétitives à faible valeur ajoutée de gestion back-office. Une fois implémenté, l'algorithme peut générer des gains d'efficacité opérationnelle, ainsi que des améliorations de qualité, d'évolutivité et de résilience de manière rentable.

Les entreprises peuvent automatiser à travers des applications les tâches courantes répétitives, en obtenant des avantages similaires à ceux d'un support étendu.

  • UiPath est une startup utilisant le RPA (Robotic-Process-Automation) afin de permettre aux entreprises de concevoir, déployer et gérer une main d'œuvre robotisée qui traite les tâches répétitives à faible valeur-ajoutée sur base de règles clairement définies. La solution permet la modélisation des processus métiers, la gestion du déploiement, des contrôles d'accès, de la planification, de la surveillance à distance et de l'audit en conformité avec les meilleures pratiques actuelles du marché en termes de sécurité.
  • JulieDesk est un assistant virtuel qui permet la gestion de son calendrier par email avec une réponse allant de 20 à 30 minutes. L'assistant prend automatiquement la planification de rendez-vous sur base des demandes qu'il reçoit en étant en copie des emails envoyés.


f) Détection de la fraude

L'Intelligence Artificielle peut faciliter l'analyse et la compréhension des comportements antérieurs d'un client afin de prédire les actions qu'il va entreprendre, signalant ainsi des activités inhabituelles avec une forte probabilité d'être frauduleuses.


Les systèmes d'Intelligence Artificielle peuvent également être alimentés par de véritables exemples de comportements frauduleux, de sorte que les algorithmes peuvent apprendre à reconnaître de nouveaux « patterns » et évoluer au fur et à mesure que les fraudeurs modifient leurs approches.

Par ailleurs, l'IA peut aider à réduire le nombre de fausses alertes générées, ce qui permet aux équipes opérationnelles de gagner du temps et de l'efficacité dans le traitement des fraudes.

  • Shift Technologyfournit aux grandes entreprises une solution SaaS innovante pour améliorer la détection des fraudes. La solution exécute des algorithmes d'apprentissage automatique sur des ensembles importants de données de réclamations afin d'apprendre à reproduire le raisonnement des fraudeurs. Une fois implémentée et entraînée, la solution est capable d'accompagner des gestionnaires de fraude, en permettant des investigations automatiques plus rapides et plus précises que les investigations traditionnelles, voire la détection de fraudes qu'un humain pourrait ne pas identifier.
  • Dreamquark offre des services de Deep Learning sur des données métiers d'assurance et de soins de santé. La solution identifie les profils potentiellement frauduleux en construisant des segmentations et en identifiant différents comportements (clusters) au sein d'ensembles de données avec une efficacité de + ~115% par rapport aux approches traditionnelles. Les gestionnaires de fraude testent ensuite les profils identifiés comme « potentiellement frauduleux » et peuvent prendre la décision finale.
  • Tellmeplus facilite la détection de la fraude.


g) Santé

  • Atomwise utilise des modèles prédictifs pour réduire le temps de production des médicaments.
  • Deep6 Analytics identifie les patients éligibles pour les essais cliniques.
  • Other examples include: diagnosing diseases more accurately, improving personalized care, and assessing health risks.
  • Autres exemples : diagnostic plus précis de certaines maladies, augmentation de la personnalisation des soins et évaluation plus fine des risques pour la santé.


h) Télématique

  • Greenroad, Vnomics, et Telogis capturent les comportements et habitudes de conduite tout en optimisant la consommation énergétique.
  • Cambridge Mobile Telematics fonctionne de la même manière, bien qu'il utilise les données des smartphones et les habitudes de l'utilisateur détectées par les appareils mobiles.
  • Navdy tente de révolutionner l'Expérience Utilisateur dans les véhicules en affichant des informations de manière à ce que le conducteur ne soit pas distrait.
  • Lytx fournit des conseils en temps réel au conducteur tout en proposant une expérience immersive.


i) IT / Préparation / Unification / Intégration de données

  • Tamr combine des logiciels d'apprentissage automatique (Machine Learning) et une expertise de pointe dans le domaine des sciences des données pour faciliter la préparation, l'unification et l'intégration de données métiers structurées et non structurées issues de différentes sources.


j) Finance / Investissement

  • Cerebellum Capital et Sentient améliorent et facilitent les prises de décisions en matière de gestion des investissements grâce à un logiciel alimenté par apprentissage automatique.
  • Dataminr peut aider à prendre des décisions financières en temps réel en fournissant des alertes précoces sur les tendances sociales et les dernières actualités économiques.
  • Parmi les autres exemples, citons la détection des comportements frauduleux et la prévision du cours des actions.


k) Ressources Humaines

  • Entelo aide les recruteurs à identifier et qualifier les candidats.
  • hiQ aide les managers d'équipe dans la gestion des talents.


Sources

[i] Forbes – Q3 2016 – Artificial Intelligence Rapidly Adopted By Enterprises, Survey Says

[ii] Forrester – Q2 2016 – 16% of US jobs will be replaced, while the equivalent of 9% jobs will be created — a net loss of 7% of US jobs by 2025.

[iii] Markets and Markets – 2016 – Artificial Intelligence Market by Technology



A propos de Stanwell Insight

Créé en 2006, Stanwell Consulting est un cabinet de conseil en stratégie et transformation, historiquement spécialiste de la Banque et de l'Assurance et depuis 2013 du secteur Retail & Luxe.

Son positionnement original associe vision stratégique des modèles métiers de ses clients et capacité à imaginer, concrétiser, et accompagner leurs plans de transformation, qu'ils s'attachent à l'efficacité opérationnelle, l'innovation, l'entreprise digitale ou la croissance de la rentabilité. Assurance, Banque, Retail & Luxe sont les « cœurs de cible » des interventions de Stanwell.

Fort de cette expertise et afin d'accompagner toujours mieux ses clients, Stanwell Consulting est à l'écoute des besoins de leurs propres clients via son équipe Stanwell Insight. Retrouvez sur le site https://insight.stanwell.fr les points de vue des experts Stanwell mais également les études quantitatives et qualitatives conduites par Stanwell Insight.

Stanwell Insight a également créé un partenariat avec Wizville pour construire une offre de service packagée permettant la mise en place d'outil de mesure de la satisfaction client à chaud ou la pérennisation d'observatoires.