IA générative : développements récents et cas d'utilisation dans l'assurance
Bence Lukacs, expert produit chez le partenaire d'innovation numérique Supercharge, évalue le potentiel de l'IA générative et examine ce que des initiatives telles que ChatGPT pourraient apporter à l'avenir de l'assurance.
Ces dernières années, peu d'évolutions technologiques ont suscité autant de débats que le développement de l'intelligence artificielle (IA). Avec le lancement très médiatisé de ChatGPT, nous sommes confrontés à de grandes questions sur les avantages - et les risques - d'une technologie qui pourrait changer le monde.
"Nous avons atteint un point d'inflexion", déclare Bence Lukacs. Avec la création de grands modèles linguistiques (LLM) tels que ChatGPT, nous pouvons créer des applications dites de "technologie meurtrière" dans tous les secteurs, et notamment dans celui de l'assurance. Ce terme fait référence à une innovation radicale qui anéantira rapidement l'utilisation des techniques ou des processus qui l'ont précédée. Jusqu'à présent, l'IA a joué un rôle limité dans le secteur de l'assurance, principalement dans des applications spécifiques et étroites, et n'a donc pas été un facteur de transformation. Cependant, en utilisant le traitement du langage naturel, la technologie de l'IA pourrait ouvrir des possibilités pour un large éventail de nouveaux cas d'utilisation".
Le pouvoir du langage
Si le nom de ChatGPT est actuellement sur toutes les lèvres, il est plus intéressant de se pencher sur la technologie qui le sous-tend et sur la manière dont les modèles de langage façonnent un large éventail de solutions d'IA avancées. Comme l'explique M. Lukacs, ChatGPT fait partie de la famille des transformateurs génératifs pré-entraînés de modèles de langage (d'où l'abréviation GPT).
"L'IA générative comprend des modèles d'IA capables de créer de nouveaux textes, images, vidéos, sons, codes ou autres types de données, sur la base du matériel sur lequel ils ont été formés", explique M. Lukacs. "ChatGPT est un exemple de LLM qui prend un morceau de texte comme une invite ou une instruction et génère ensuite une réponse probable qui correspond au contexte. Avec l'IA restreinte, vous ne pouvez effectuer que des tâches limitées et spécifiques, alors que les modèles de langage peuvent effectuer des tâches complexes dans un domaine beaucoup plus large.
Pionniers d'un nombre croissant d'entreprises de la Big Tech, les LLM utilisent un algorithme d'apprentissage en profondeur de l'IA qui traite des ensembles massifs de données pour générer de nouveaux contenus.
Une intelligence entraînée
Comme l'explique M. Lukacs, l'intelligence de l'IA générative provient de sa formation initiale approfondie sur une grande quantité de données - l'élément "pré-entraîné" de l'abréviation GPT : "Nous parlons de traitement du langage naturel", explique-t-il, "car c'est ce que font ces modèles de langage. Ils traitent des textes en langage naturel dans n'importe quelle langue pour laquelle ils ont été formés. Ils suivent une instruction, une invite, de l'utilisateur ; il peut s'agir d'une question ou d'une instruction tapée, à partir de laquelle le modèle génère une réponse basée sur la grande quantité de texte pertinent sur lequel il a été formé.
M. Lukacs ajoute qu'il est possible de puiser de grandes quantités d'informations dans le domaine public, comme le contenu de l'internet, mais aussi d'enrichir les connaissances des modèles avec ses propres données et informations. Par exemple, une compagnie d'assurance pourrait créer un chatbot qui aiderait à répondre aux questions des clients sur une police d'assurance.
"L'intégration avec vos propres sources de données et systèmes sera un atout majeur", affirme M. Lukacs. "Si vous connectez un modèle de langage à vos propres systèmes et sources de données à l'aide d'une API, vous pouvez exploiter les capacités étonnantes du modèle d'IA pour vos propres cas d'utilisation spécifiques."
Cas d'utilisation dans l'assurance
Selon M. Lukacs, il est peu probable que l'IA générative élimine de sitôt la nécessité d'une implication humaine directe dans les processus commerciaux essentiels. Mais elle peut compléter et améliorer les pratiques d'assurance traditionnelles de nombreuses façons. Si l'on considère l'intérêt actuel pour cette technologie, M. Lukacs voit plusieurs avantages évidents dans la famille de modèles de langage sous-jacente : "Au niveau de base, vous pourriez créer des chatbots très flexibles pour les tâches quotidiennes de l'assurance", explique-t-il. "Par exemple, résumer des documents d'assurance pour les rendre plus lisibles et générer des réponses aux questions des clients sur la base de vos propres bases de connaissances. Avec une intégration simple via des API, vous pourriez analyser et trier les demandes d'indemnisation, et employer un assistant de chatbot compatible avec GPT. Enfin, grâce à une intégration API avancée avec les systèmes centraux, vous pourriez automatiser le processus d'indemnisation et de règlement, et rationaliser les devis".
Comprendre les risques et les limites
Malgré les nombreux aspects positifs de l'IA, nous entendons de plus en plus parler des dangers d'une évolution trop rapide et sans les contrôles nécessaires. Pour les assureurs, une dépendance excessive à l'égard d'interprétations et de décisions non humaines comporte des risques : "Nous devons être conscients des erreurs et des préjugés", prévient M. Lukacs. C'est ce que nous appelons l'hallucination ou la confabulation. C'est lorsque le modèle génère de fausses réponses parce qu'il n'a pas une compréhension sémantique profonde et qu'il utilise plutôt des calculs probabilistes pour générer des résultats. C'est pourquoi la supervision et l'évaluation humaines restent importantes."
Construire pour l'avenir
Selon M. Lukacs, nous devrions considérer la nouvelle génération de modèles d'IA comme des fondations qui doivent être continuellement affinées et développées pour être adaptées à leur objectif : "Si vous prenez le modèle GPT et que vous appliquez une formation spécifique à un domaine, vous pouvez augmenter ses performances et sa précision sur des tâches très spécifiques, comme la détection de la fraude dans une demande d'indemnisation ou la réponse à une question sur une police d'assurance", explique-t-il. "En personnalisant et en affinant le modèle, vous pouvez augmenter la fiabilité et les performances des modèles de base pour vos propres cas d'utilisation. C'est là que réside la véritable puissance de ces modèles".
Supercharge is an innovation partner that helps clients realise the benefits of digital technology. It works worldwide across many industries, including insurance, and designs, engineers and scales digital products to make businesses fit for the future.
Blog posts
The uptake of chatbots in insurance
User questions
Answered questions
Unanswered questions
worldwide
Views: 7084
Downloads: 0
0 % | |
0 % | |
0 % | |
0 % | |
0 % |
Page is favored by 0 user.
Contact inquiries: 0