Les cas d’usage de l’intelligence artificielle dans les domaines de la finance et de l’assurance

Grâce à l’apprentissage automatique, il est possible de recueillir et d’analyser un grand nombre de données sur les clients pour définir leur profil, leurs préférences, leurs besoins et même pour prédire leurs comportements. Munies de ces connaissances, les entreprises peuvent offrir des solutions pertinentes et de plus en plus personnalisées à leurs clients. L’institution financière peut s’appuyer sur ces données pour conseiller aux clients un prêt plus adapté à leur situation financière ou des placements plus judicieux selon leur niveau de tolérance aux risques. Les rapports produits permettent aux institutions financières de mieux évaluer le degré de risque que les investisseurs sont prêts à courir. Les générateurs automatiques de langage rédigent les commentaires qui accompagnent les chiffres et tableaux.

L’IA peut analyser des données sur les profils des clients assurés pour les associer à des données historiques et formuler des recommandations. Les algorithmes peuvent calculer le prix des primes avec plus de précision. Toutes les informations recueillies permettent de produire des analyses plus affinées pour développer des polices d’assurance qui répondent mieux aux besoins particuliers des consommateurs.

L’IA permet d’améliorer les prévisions et l’évaluation du risque. L’apprentissage automatique rend en effet possible de traiter une grande quantité de données et de réclamations pour les classer, les comparer et observer des tendances ou des anomalies. Ces analyses pointues fournissent aux souscripteurs des informations grâce auxquelles ils peuvent prendre des décisions plus éclairées afin de proposer des formules plus adaptées aux comportements des clients, comme l’offre d’une prime d’assurance automobile qui récompense les bonnes habitudes de conduite ou la proposition d’une assurance payable selon l’usage d’un véhicule récréatif.

L’IA et les cas d’usage numériques permettent d’optimiser la gestion des transactions. Voici des exemples d’utilisations actuelles.

La reconnaissance d’images, et plus particulièrement la reconnaissance optique des caractères, permet d’automatiser le traitement des chèques, par exemple en analysant la photo d’un chèque pour en déterminer le montant (en chiffres et en lettres), la date d’émission, le nom du bénéficiaire, le pavé d’adresse, le numéro d’identification de l’institution financière, le numéro de compte et la signature.

De plus, l’apprentissage profond permet d’analyser les données afin de détecter des anomalies. Des alertes étant générées en cas de problème, les organisations sont en mesure d’examiner les opérations irrégulières et de déterminer si les transactions sont fiables ou non.

L’apprentissage machine permet d’analyser les achats faits par les clients. Cette analyse repère les dépenses cycliques, comme les paiements mensuels d’électricité ou encore les paiements pour l’achat d’un véhicule. L’analyse tient également compte des paiements qui devraient normalement être effectués ultérieurement et du solde qui devrait en résulter. Lorsque le système prédit un faible solde, il envoie une notification au client via une application bancaire ainsi que des suggestions pour gérer la situation.

Les investisseurs boursiers, les gestionnaires de fonds et les bureaux de négociation peuvent avoir recours au traitement du langage naturel et à l’apprentissage automatique pour analyser des données volumineuses non structurées, comme des informations tirées des réseaux sociaux ou des nouvelles. Ces analyses détectent des signaux révélateurs sur les tendances et les risques du marché. Certains systèmes valident également les informations divulguées. Ces analyses permettent d’aider les professionnels dans la prise de décisions de manière à saisir les nouvelles opportunités sur les marchés d’obligations et d’actions tout en limitant les risques.

L’apprentissage automatique permet d’analyser de manière optimale les portefeuilles de placement des clients et de cibler celui qui répond le mieux à leurs besoins. L’analyse peut tenir compte de différents facteurs, comme les cycles économiques, les conditions macroéconomiques, le profil des clients, leur historique de transactions et leur tolérance au risque. Ces analyses aident les conseillers à soumettre leurs recommandations.

L’IA, par le biais de l’apprentissage automatique, permet d’automatiser la production de plusieurs types d’analyses prédictives à partir des données recueillies. Une analyse peut modéliser le taux de mortalité de la population en fonction d’indicateurs biologiques sur le vieillissement. D’autres analyses peuvent émettre des prédictions sur les risques d’accident, la santé d’une population ou les catastrophes naturelles.

Avec l’apprentissage automatique, le traitement du langage naturel et la reconnaissance d’images, il est possible d’automatiser les réclamations sans intervention humaine dans certains secteurs comme l’assurance habitation et l’assurance automobile. Par exemple, lors d’un accident de voiture, les assurés peuvent envoyer des photos ou des vidéos à leur courtier en assurance via une plateforme de communication intelligente. Le système identifie le type de véhicule, modélise le sinistre, calcule les frais de réparation et estime les dommages. Ces conclusions sont combinées à une analyse conduite avec d’autres données : prix historiques et actuels du marché, réparations effectuées sur le véhicule antérieurement, etc. L’analyse, menée en temps réel, se solde par une évaluation presque instantanée pour entamer le processus d’indemnisation.

Autre exemple : en 2016, un important feu de forêt s’est déclenché à Fort McMurray, en Alberta. Tandis que de nombreuses maisons étaient incendiées, les citoyens ont été évacués. Des drones ont été envoyés pour documenter l’évolution des dégâts en continu. Ces images ont par la suite été analysées avec une technique fondée sur l’IA par une entreprise spécialisée en technologie, ce qui a facilité le travail des compagnies d’assurance.

Le traitement intelligent des documents (TID) permet de capturer, d’extraire et de traiter les données présentées dans des documents semi-structurés ou non structurés (courriels, images, factures, devis, estimations, PDF, etc.). Ce traitement appliqué à la gestion des réclamations automatise le processus de la déclaration du sinistre au paiement du client.

L’IA et les applications numériques sont couramment utilisées pour la gestion de la relation client. Il s’agit d’ailleurs d’une des applications les plus courantes de l’IA dans les secteurs de la finance et de l’assurance. Ces applications sont employées pour traiter une demande d’assurance, de prêt, de carte de crédit ou de services bancaires. Voici des exemples d’utilisations existantes.

Dans les services téléphoniques automatisés, le traitement du langage naturel peut analyser des mots clés ou des phrases dans les requêtes vocales formulées par les clients. Cette analyse permet ensuite de diriger les clients vers le service qui répond le mieux à leurs besoins dans les meilleurs délais.

L’apprentissage automatique et le traitement du langage naturel permettent d’analyser des données (mots, combinaisons de mots, phrases, émotions, etc.) et de les traiter afin de développer des agents conversationnels intelligents dans le secteur des assurances. Ces agents peuvent répondre aux demandes des clients ou traiter leurs réclamations. Ils peuvent également compléter des conversations entre les clients et leur agent, appuyer le déroulement de certaines transactions, accomplir des tâches comptables, répondre à des questions courantes, communiquer avec des experts pour obtenir des informations ou même cerner les besoins qui émergent au fil des conversations avec les clients. Plus le système apprend, plus il devient performant.

Grâce au soutien financier de l’Office québécois de la langue française, le Regroupement des cabinets de courtage d’assurance du Québec (RCCAQ) a d’ailleurs emboîté le pas en proposant un agent conversationnel (chatbot) qui peut répondre aux questions des courtiers sur les produits d’assurance et les souscriptions.

L’apprentissage automatique peut traiter les données historiques des clients afin de générer un score pour l’octroi ou non d’un prêt. Les caractéristiques utilisées varient : préférences d’achat, tolérance au risque, dettes, transactions effectuées, délai de paiements, etc.

L’IA permet de traiter une importante quantité de données en temps réel au cours du processus de souscription d’une assurance. Par exemple, dans le cas d’une propriété, il est possible d’avoir accès à des données contenues dans le nuage (attributs d’un immeuble, environnement immédiat, images en trois dimensions, etc.). Une compagnie d’assurance pourrait utiliser les photos aériennes d’une ferme pour mieux évaluer la prime d’assurance du propriétaire. Cela permet d’évaluer les risques de manière plus précise et de fixer la tarification en conséquence sans avoir à se déplacer.

Dans le cas d’une assurance automobile, le système pourrait tenir compte des données personnelles d’un client, de son historique de conduite ainsi que de ses habitudes de conduite en temps réel pour évaluer le risque et proposer une tarification en conséquence.

Grâce à l’IA, il est aussi possible d’évaluer le risque encouru par de nouveaux clients. L’analyse prédictive permet en effet de mieux connaître les clients et de faire un meilleur profilage.

De plus en plus d’entreprises adoptent l’IA et des cas d’usage numériques pour le service de conformité. Voici des exemples d’utilisations existantes.

Certaines étapes du processus actuariel peuvent être automatisées pour aider les actuaires à répondre aux nouvelles exigences réglementaires. Les applications leur permettent de cibler les activités les plus exposées à des risques lors de l’adoption d’un nouveau règlement (p. ex. opérations commerciales, tarification, conception de formulaire). Ces informations leur permettent de conseiller les gestionnaires. Certaines applications analysent le contenu de textes légaux, signalent la présence d’un risque, expédient l’information à la personne responsable et suggèrent des pistes à explorer pour garantir la conformité des pratiques. La recherche d’information légale est également plus conviviale grâce à ces applications. Pour faciliter l’évaluation des risques, les applications produisent des modélisations. Les actuaires peuvent ainsi revoir la tarification plus rapidement et calculer les changements de taux.

L’apprentissage automatique permet d’anticiper et de prévenir certains risques dans le secteur bancaire. Par exemple, grâce aux algorithmes, il est possible de prédire les cas de défaut de paiement et la possibilité de résiliation de contrats, ou encore d’établir un score d’emprunt pour un client donné. Pour ce faire, différentes données sont analysées : l’utilisation du crédit, l’historique de crédit, la régularité des paiements, le type de crédit, etc.

L’Internet des objets (IdO) est de plus en plus utilisé par les assureurs. Certains assureurs réduisent les primes des clients qui s’équipent de cette technologie, notamment des capteurs et des transmetteurs. Ces objets connectés peuvent être, par exemple : une voiture équipée d’un système de suivi qui peut retracer le véhicule en cas de vol, une voiture connectée à des modules de collecte de données pour mesurer le comportement routier du conducteur, un détecteur de fumée connecté, un système de détection en cas de fuite d’eau, une caméra de sécurité liée à Internet, un système de serrure et de sonnerie intelligent, etc. Il est à noter que l’IdO entraîne une augmentation exponentielle de la quantité de données à traiter. L’utilisation de machines devient alors un incontournable.

Les machines utilisant la technologie de reconnaissance vocale peuvent reconnaître les sons, les mots et les phrases prononcés par des clients et en extraire des données. La technologie permet également d’authentifier un client par sa voix, qui sert alors de code d’accès. Différentes caractéristiques de la voix, comme la prononciation, la vitesse de la parole, l’accent, la texture et les traits vocaux, sont analysées par un algorithme. En cas de fraude, l’accès est refusé.

Les criminels financiers utilisent des techniques de plus en plus sophistiquées en matière de fraude. Grâce à l’IA, les machines peuvent recueillir un très grand volume de données et acquérir de nouvelles connaissances en analysant ces données ou en réorganisant les données historiques qu’elles possèdent déjà. L’apprentissage machine traite ces données en continu, ce qui permet de détecter rapidement des changements subtils dans les modèles prédictifs et donc de repérer les tentatives de blanchiment d’argent et les transactions suspectes.

En présence d’une anomalie, des alertes sont produites. Ces dernières peuvent être classées en catégories selon leur priorité et selon leur similarité avec d’autres alertes émises dans le passé.

L’IA peut aussi être utile pour détecter les fraudes par cartes bancaires. En effet, l’apprentissage automatique permet d’établir des modèles prédictifs, notamment à partir de l’historique des transactions d’un client, et de détecter les variations en temps réel. Le système peut alors porter un jugement et autoriser ou non une transaction.

L’IA peut contribuer à prévenir les fraudes dans le secteur des assurances au moment de la souscription à une assurance ou encore lors de la présentation d’une réclamation. Grâce notamment aux analyses prédictives, les systèmes dotés de l’apprentissage automatique peuvent détecter automatiquement et en temps réel les comportements qui dévient de la norme. Pour ce faire, ils utilisent plusieurs technologies comme le traitement du langage naturel et la reconnaissance d’images pour traiter des données. Le traitement des données repose sur des règles automatisées, des modèles d’apprentissage, des analyses prédictives, etc. L’enquêteur reçoit une alerte lorsque la déclaration présente un risque élevé de fraude probable.