À la demande de VVP, présenté dans le dernier numéro de VVP, la principale plateforme pour les conseillers financiers aux Pays-Bas, notre CTO et stratège en IA, Dennie van den Biggelaar, explique comment appliquer des technologies spécifiques d’IA et de machine learning à « l’avis en pratique ». Dans diverses éditions, les sujets suivants seront mis en avant :

• Commencer avec des technologies spécifiques d’IA et de ML
• Opérationnalisation dans les processus métier
• Intégration dans les paysages informatiques existants
• Mesurer = apprendre : indicateurs de performance clés pour le ML
• Éthique, réglementation et société
• IA et ML : un aperçu du futur proche

Dans cette troisième édition, nous répondons à la question : comment intégrer un algorithme entraîné dans votre paysage informatique existant et vos outils ?

Intégration de logiciels d’IA

Le secteur de l’assurance est au seuil d’une révolution technologique. Avec l’intégration de moteurs de décision d’IA, les assureurs peuvent améliorer considérablement le service client et obtenir de meilleurs résultats commerciaux. Les algorithmes d’IA peuvent prédire la perte de clients, calculer la valeur à vie du client (CLV), et formuler des recommandations de vente croisée et de vente incitative, permettant aux conseillers de prendre des décisions mieux informées. Mais comment intégrer ces algorithmes dans votre infrastructure informatique existante? Comment garantir que vos employés disposent de ces prédictions et suggestions au bon moment pour travailler de manière plus facile et plus efficace? Cet article propose plusieurs conseils techniques concrets pour intégrer avec succès des moteurs de décision d’IA dans les systèmes d’assurance.

Définir une intégration réussie

Je crois fermement que les problèmes informatiques doivent toujours servir un objectif commercial. Une intégration réussie commence toujours par la question : ‘Quand cette intégration sera-t-elle réussie?’ Créer une histoire utilisateur peut aider, par exemple : “En tant que [responsable marketing numérique chez l’agence de souscription X], je souhaite [savoir chaque semaine quels clients ont besoin d’un produit supplémentaire Y], afin que je puisse [mettre en place une campagne marketing automatique ciblée pour ce groupe] dans le but de [générer (de nouveaux) prospects chaque semaine pour mes conseillers sur le terrain].” C’est un bon point de départ pour présenter aux experts techniques ce qui est attendu d’eux. Habituellement, d’autres questions suivent : • Quelles informations spécifiques l’utilisateur souhaite-t-il voir? • À quelle fréquence cela doit-il être actualisé? • Comment mesurerons-nous le succès de ces campagnes automatiques? En posant et en répondant à ces questions, l’équipe identifie naturellement le cadre d’une intégration réussie. Ce n’est pas un travail d’une seule personne : il est important que les affaires/utilisateurs et les experts techniques soient représentés dans cet exercice!

Analyser le paysage informatique existant

Une intégration réussie commence par une analyse approfondie de l’infrastructure informatique existante. De nombreuses tentatives d’intégration échouent en raison d’un manque de compréhension des systèmes actuels, ce qui entraîne des problèmes de compatibilité. Avec quels systèmes informatiques existants, bases de données et interfaces l’algorithme d’IA doit-il ‘collaborer’? Quelles quantités de données doivent être transférées? Quand et à quelle vitesse? (Une intégration réussie signifie créer une synergie entre les systèmes backend et frontend.)

Dans la pratique, cela signifie travailler et s’aligner avec divers partenaires informatiques des systèmes backend et frontend. Commencez cet inventaire tôt et incluez tous les intervenants (externes) dans vos plans. Si vous n’avez pas le temps ou les ressources pour le faire vous-même, nommez l’un de vos partenaires informatiques pour qu’il assure la gestion de projet pour vous. Après tout, c’est leur expertise!

Clarté, extensibilité et agilité

Malheureusement, j’ai souvent vu des organisations avec des projets innovants dont le paysage informatique était trop rigide. Par conséquent, concevez une architecture modulaire et évolutive pour permettre des expansions et des modifications futures, assurant ainsi l’agilité de votre organisation. De nos jours, il est de bonne pratique d’utiliser des architectures de microservices, où chaque fonctionnalité fonctionne comme un service distinct. Cela facilite l’ajout, le remplacement ou la mise à jour de nouveaux éléments sans refondre l’ensemble de l’infrastructure.

Cohérence et qualité

La qualité des données est cruciale pour le succès de l’IA. De nombreux systèmes d’IA fonctionnent mal en raison de données incohérentes, incomplètes ou obsolètes. Par conséquent, mettez en œuvre un pipeline de nettoyage et de prétraitement des données pour garantir que toutes les données envoyées au moteur de décision d’IA sont propres et à jour. Des outils automatisés pour l’intégration et la validation des données peuvent aider à garantir la fiabilité des résultats de l’IA. Utilisez des processus ETL (Extraction, Transformation, Chargement) pour extraire des données de diverses sources, les transformer en un format uniforme et les charger dans un référentiel de données central. Cela garantit un flux de données rationalisé essentiel pour la formation et l’utilisation réussies des modèles d’IA.

Tests, validation et suivi

Des tests et une validation approfondis sont essentiels pour garantir que les modèles d’IA fonctionnent correctement dans les systèmes existants. Des tests insuffisants peuvent entraîner des erreurs et des problèmes inattendus après la mise en production. Par conséquent, effectuez des tests approfondis dans un environnement simulé qui reproduit l’environnement de production. Validez la sortie des modèles d’IA avec des données historiques et des analyses de scénarios. Impliquez les utilisateurs finaux dans la phase de test pour garantir que les modèles répondent aux exigences métier et aux besoins des utilisateurs.

Utilisation des API

Les API (Interfaces de Programmation d’Applications) sont essentielles pour connecter les moteurs de décision d’IA avec les systèmes existants. Sans interfaces normalisées, la communication entre les systèmes peut être inefficace et problématique. En développant et en implémentant des API capables de recevoir et d’envoyer des données, l’intégration devient flexible et évolutive. Cela garantit que le moteur de décision d’IA peut communiquer de manière robuste avec les systèmes de back-office et de front-office.

Sécurité et confidentialité

La sécurité des données est cruciale, surtout compte tenu de la nature sensible des données d’assurance. Une sécurité insuffisante peut entraîner des violations de données, entraînant une perte de confiance client et des violations de la vie privée. Par conséquent, n’utilisez que les données qui sont vraiment nécessaires et anonymisez autant que possible. Si vous avez vraiment besoin de certaines données sensibles, appliquez le chiffrement. Assurez-vous que tous les transferts de données entre les systèmes et le moteur de décision d’IA s’effectuent via une connexion chiffrée. Utilisez des contrôles d’accès et des journaux d’audit pour garantir la sécurité des données et la conformité aux réglementations.

Conclusion

Une intégration approfondie est une condition préalable au succès de l’IA dans votre organisation. Vous devez non seulement envisager un cas d’affaires extensible et l’utilisateur, mais aussi réfléchir à l’agilité, à la sécurité, à la confidentialité et à la qualité. Par conséquent, vous avez besoin d’une équipe avec différentes compétences et vous devez coordonner et collaborer avec des partenaires informatiques. Tout d’abord, assurez-vous que vous ou quelqu’un dans votre organisation avez une compréhension claire du cadre commercial d’une intégration réussie. Rendez cela explicite pour que vous puissiez le transmettre. Ensuite, nommez quelqu’un responsable de la réalisation et de la gestion de projet associée. Si vous ne souhaitez pas ou ne pouvez pas libérer de ressources pour cela, vous pouvez facilement engager l’un de vos partenaires informatiques de confiance pour ce faire. Vous pouvez alors vous concentrer sur votre propre cœur de métier ! « Il est facile de créer un algorithme auto-apprenant. Ce qui est difficile, c’est de créer une organisation auto-apprenante. » – Satya Nadella, PDG de Microsoft En résumé : concevoir, construire et valider un algorithme robuste n’est que la première phase de la mise en œuvre réussie de l’IA en pratique. Dans la prochaine édition, nous approfondirons la manière de l’intégrer avec les systèmes et flux de travail informatiques existants.