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 l’IA spécifique et l’apprentissage automatique aux « conseils en pratique ». Dans diverses éditions, les sujets suivants seront mis en avant :

• Commencer avec l’IA et l’AM spécifiques
• Opérationnalisation dans les processus commerciaux
• Intégration dans les paysages informatiques existants
• Mesurer = apprendre : KPI pour l’AM
• Éthique, réglementations et société
• IA et AM : un aperçu de l’avenir proche

Naturellement, nous commençons dans cette première édition par les bases : qu’est-ce que c’est et comment démarrer ? Si vous avez des questions à la suite de cet article, n’hésitez pas à contacter Dennie (dennie@onesurance.nl).

IA vs. Apprentissage Automatique (ML) L’IA est une machine ou un logiciel qui effectue des tâches nécessitant traditionnellement l’intelligence humaine. L’apprentissage automatique (ML) est un sous-ensemble spécifique de l’IA permettant à une machine ou à un logiciel d’apprendre à partir de prédictions ou d’actions historiques. L’exemple le plus connu et discuté de logiciel ML est ChatGPT, conçu pour générer du texte significatif pour les utilisateurs. Cependant, il existe de nombreux autres problèmes où l’apprentissage automatique peut nous aider. Souvent, il n’y a pas encore de solution prête à l’emploi comme ChatGPT que vous pouvez utiliser directement. Pour construire une solution IA utilisable, vous devez rassembler les bonnes compétences au bon moment. C’est la tâche du stratège en IA de travailler avec une équipe multidisciplinaire d’experts métiers, d’ingénieurs ML, d’ingénieurs de données et de data scientists pour déterminer ce que vous voulez prédire, comment (précisément) cela doit être fait, quelles techniques utiliser et enfin comment tout opérationnaliser et sécuriser pour obtenir les résultats souhaités.

Exemple : Prédiction des résiliations En tant qu’entreprise, vous voulez vous assurer que les bons clients reçoivent l’attention appropriée de vos conseillers au bon moment, minimisant ainsi les résiliations. Idéalement, vous sauriez quels clients sont susceptibles de résilier. Mais comment traduire cela à l’équipe ? Souvent, un client résilie une seule police, ce qui est généralement juste un changement et quelque chose que vous ne voulez pas contaminer votre modèle ML avec. Supposons qu’un client résilie toutes les polices dans la branche de la responsabilité principale mais pas les autres (encore). Est-ce un client sur le point de partir ? Et s’il résilie tout dans la branche incendie principale mais conserve encore une aide juridique et une assurance-vie temporaire ? Des polices ont-elles été transférées en interne ? Quel est le taux de résiliation réel ? Ce sont toutes des choses que vous voulez déterminer avant de mettre une équipe d’ingénieurs ML au travail. De plus, vous devez considérer votre horizon de prévision : combien de temps à l’avance voulez-vous prédire ? Voulez-vous savoir quels clients résilieront dans les 1, 3, 6 ou 12 prochains mois ? Cela peut sembler un détail, mais sous le capot, cela signifie que vous entraînerez un modèle ML complètement différent.

Trouver des motifs Une fois que vous avez clairement défini ce que vous voulez prédire, il est temps de voir si vos données sont suffisamment précises, disponibles et cohérentes (les « ABC des données »). La principale raison pour laquelle les clients résilient est souvent un manque d’attention. La question est bien sûr de savoir de qui, quand et pourquoi il y a eu un « manque d’attention ». Cette information n’est pas dans votre entrepôt de données et doit être construite par l’ingénierie des fonctionnalités. Quelles caractéristiques affectent significativement la probabilité de résiliation ? C’est un processus analytique et créatif où les connaissances et l’expérience des experts en assurance et des data scientists se rejoignent. Une fois qu’une table initiale solide avec des fonctionnalités est formée, vous pouvez enfin commencer avec l’apprentissage automatique. L’expérience montre que la prédiction des résiliations est mieux modélisée avec la classification ou l’analyse de survie. Il existe des centaines de techniques ML théoriquement adaptées à cela. Dans votre choix, il est important de considérer : dans quelle mesure l’algorithme doit-il être explicable, quelle complexité les motifs peuvent-ils avoir et combien de données sont ABC ?

Validation des motifs Après que la « machine » a commencé à travailler pour trouver des motifs et faire des prédictions, il y a toujours un moment excitant… quelle est la précision des différents modèles ? L’ingénieur ML dispose d’une boîte à outils étendue pour cela. D’abord, ils gardent une partie des données séparée pour tester et valider un modèle entraîné. Cela garantit la robustesse des motifs découverts et empêche un modèle de faire des prédictions inexactes dans le « monde réel ». Ensuite, ils regardent les faux positifs et les faux négatifs et leurs coûts. Par exemple, une prédiction faussement positive qu’un client résiliera le mois prochain n’est pas trop grave. Le conseiller appelle le client et conclut que rien ne va mal : cela ne coûte que 15 minutes de son temps. Si l’algorithme prédit incorrectement qu’un client restera fidèle (faux négatif), c’est beaucoup plus coûteux : vous perdez un client. En se basant sur, entre autres, la précision, le rappel et les scores AUC, le meilleur modèle ML est déterminé. De plus, il est possible d’ajuster les algorithmes pour qu’ils soient plus stricts ou plus indulgents afin qu’ils s’adaptent mieux au processus commercial prévu. Cela s’appelle le réglage des paramètres et un ingénieur ML expérimenté sait comment le faire de manière responsable.

Rendre cela utilisable Ensuite, vous intégrez l’algorithme dans les processus opérationnels. Comment les données peuvent-elles être transférées de manière sûre et efficace ? Comment le conseiller peut-il facilement utiliser la prédiction ? C’est le travail des ingénieurs de données et de logiciels. Enfin, vous voulez également que le conseiller fournisse des commentaires sur la qualité de l’algorithme afin qu’il apprenne de l’utilisateur. L’algorithme devient plus intelligent et plus efficace à mesure qu’il est utilisé. C’est le véritable composant « IA », mais plus à ce sujet dans la prochaine édition !

L’IA n’est pas toujours ML Par exemple, l’algorithme Deep Blue (qui a battu le grand maître d’échecs Garry Kasparov) en 1997 est de l’IA mais pas du ML. Le ML est toujours de l’IA.

Trois phrases sur Dennie lui-même Dennie est un économètre avec 12 ans d’expérience dans la conception, la construction et la mise en œuvre de solutions d’apprentissage automatique en pratique. En tant que co-fondateur et CTO de Onesurance, il est responsable du développement des solutions IA et de leur opérationnalisation réussie pour les clients du secteur des assurances.