Actuariat et intelligence articifielle : l'exemple d'Addactis

Tout d’abord, précisons que l’assurance est une des formes les plus anciennes de l’économie du partage, au travers de sa fonction primordiale : la mutualisation des risques. Le pilotage de cette mutualisation est complexe dans une relation caractérisée par l’asymétrie d’information entre assureur et assuré (ce dernier connaît toujours mieux son propre risque), et il repose classiquement sur la fameuse loi des grands nombres, basée sur le principe selon lequel plus le nombre d’assurés est important, plus la sinistralité observée a posteriori sera proche des estimations a priori basées sur des valeurs moyennes. Le big data apporte une capacité à affiner énormément l’information sur les individus en introduisant un pouvoir prédictif sur leurs risques individuels, qui bouleverse la statistique. Hier, on agrégeait des milliers et des milliers d’individus pour cerner une forme de mutualisation, demain ce sont des milliers de données qui vont converger vers un individu. La mutualisation pourrait donc se transformer en hyper segmentation si le big data et l’IA permettent de mieux modéliser la sinistralité au niveau individuel.

Il existe un document de place récent sur le sujet, rédigé par l’ACPR (Autorité de Contrôle Prudentiel et de Résolution pour les activités de Banque et d’assurance), qui fait remonter l’IA aux années 1950 dans la lignée des travaux d’Alan Turing, le décrypteur de l’Enigma. Mais en fait, c’est une notion polysémique, c’est-à-dire que sa définition varie au fur et à mesure que son contenu se développe. Pour ma part, je la définirais simplement ainsi : « tout ce qui imite ou émule le comportement humain de manière autonome ».

En assurance, de manière pragmatique, cette notion se définit par tous les nouveaux services qu’on imagine qu’elle puisse produire. Si on se place du côté technique, l’IA est très liée au traitement intelligent de la donnée et à leur classification, et plus précisément aux travaux sur le machine learning et le deep learning, et à tout ce qui relève de l’apprentissage statistique sur base de confrontation à un très grand nombre de situations. Mais cela n’est pas propre à notre activité – je pourrais prendre aussi l’exemple des neurosciences ou de la reconnaissance d’images.

Le potentiel des applications où l’IA peut s’intégrer est quasi sans limites. Mais en amont, la question est « pourquoi introduire l’IA dans nos métiers ? ». Pour répondre à cette question, je dirais qu’il y a deux grands domaines d’applications : le visible par le client, et l’invisible.

Sur le domaine « visible », l’objectif est d’abord de répondre à la demande de service de l’assuré sur la base de ce qu’il voit ailleurs, le chatbot par exemple. Les grandes compagnies (AXA, ALLIANZ…) lancent des chantiers importants dans cette direction : expérience client, captation du besoin dès qu’il émerge, parcours de consommation. Le cap général consiste à faire évoluer l’offre vers un mix « services x couverture de risques ». Grâce à leur appréhension des risques en continu, les assureurs peuvent par exemple fournir des informations adaptées aux assurés pour optimiser la gestion de leur habitation, de leurs trajets, de leurs récoltes (pour les agriculteurs), ou bien les inciter à suivre tel ou tel programme de prévention en fonction de risques détectés sur leur état de santé. J’insiste sur cette notion de prévention car elle offre des perspectives de personnalisation utile, sans remettre en cause l’impossibilité d’individualiser les tarifs en matière de santé et tout en respectant les nombreuses réglementations (secret médical, RGPD…).

Dans le domaine « invisible », l’enjeu est clairement d’ « automatiser » des tâches nouvelles dans un souci de productivité et de fiabilisation. Trois raisons majeures ont créé de nouveaux possibles :

1. Les capacités informatiques augmentent sans cesse…et la fameuse loi de Moore ne se dément pas ;
2. Des avancées immenses ont été faites depuis les années 70-80 dans le domaine des algorithmes d’apprentissage ;
3. Enfin, d’énormes quantités de données exploitables, accessibles même en open-data, sont désormais disponibles.   Ne dit-on pas que près de 90% des données mondiales ont été produites dans les seules deux dernières années ?

Je peux citer quelques exemples de ce domaine « invisible ». Par exemple, l’IA participe à la détection de la fraude, soit à la souscription, soit à la déclaration de sinistres. Elle peut même déceler des comportements anormaux de la part des réseaux de distribution. « Detect », l’un de nos logiciels, fonctionne déjà sur ce thème. Au passage, cela me permet de commenter la complémentarité qui doit exister entre les hommes de métier et les data scientists : ce sont les premiers qui connaissent les biais qui peuvent fausser l’équilibre d’un contrat et identifient les types d’informations à collecter, mais ce sont les seconds qui vont construire les algorithmes.

L’IA a aussi un rôle majeur à jouer dans la gestion financière des compagnies, comme c’est le cas depuis quelques années dans le monde bancaire (scores de crédits, surveillance des risques de marché…).

Deux autres exemples illustratifs : la recherche de bénéficiaires pour les contrats en déshérence, et l’étude des comportements de rachat des produits d’épargne de type « assurance-vie ». L’analyse des « moments de vie » présente pour les compagnies un double enjeu : prévoir les sorties de trésorerie et proposer d’autres contrats (« multi-équiper » les assurés dans le vocabulaire du métier). Dans ce domaine, qui a été analysé par des bataillons d’actuaires, le constat est qu’il n’y a pas forcément de comportement statistique rationnel des assurés : la connaissance individuelle est la clé pour mieux cerner la probabilité des rachats importants.

Oui, il existe déjà une application concrète, aboutissement des investissements réalisés par l’assureur chinois PING-AN pour digitaliser son processus d’indemnisation en cas de sinistre automobile. Lors d’un accident, l’assuré filme les dégâts avec son smartphone et l‘envoie à son assureur par le biais d’une « app ». Le système va alors de manière autonome identifier le type de véhicule, modéliser le sinistre en chiffrant les réparations y compris des conséquences non directement visibles et lancer l’indemnisation de l’assuré. Evidemment, les algorithmes sont très complexes et il a fallu entrer des millions de données (photos de sinistres, catalogues de pièces détachées…) pour construire l’apprentissage, mais on voit bien l’intérêt pour l’assureur (pas d’intermédiaire à mandater) et pour l’assuré (paiement rapide).

Cela peut sembler de la quasi science-fiction mais nous allons y entrer très vite également.

Nous sommes très conscients de ces problématiques et c’est notamment pour cela qu’ADDACTIS soutient la chaire recherche PARI [1], en partenariat avec l’ENSAE et Sciences-Po Paris. Quelques thèmes de réflexion peuvent être pointés rapidement :

• Un changement de paradigme entre une approche traditionnelle qui compensait le « voile d’ignorance » de la connaissance individuelle des risques par le principe de la loi des grands nombres, et une approche « data » qui vise à modéliser les comportements individuels.
• Une montée possible du scoring dans le domaine de l’assurance, alors qu’en Europe, elle était plutôt circonscrite au domaine du crédit, ouvrant la voie à de l’hyperpersonnalisation,
• Une décroissance ou un renversement du « dilemme de l’ignorance » ou du principe d’asymétrie d’information. Très schématiquement, l’assuré dispose généralement d’une meilleure connaissance de son propre risque que l’assureur, mais cela pourrait se rééquilibrer, voire s’inverser au profit de l’assureur dans le monde « datifié » de demain. L’assuré ne connaîtra ni la totalité des données dont dispose son assureur, ni la manière dont il les traite (d’où l’intérêt des algorithmes dits « XAI » dont l’objet est de rendre compte dans une sémantique claire des paramètres et traitements effectués),
• Un ajustement de l’idéal de solidarité portée par l’assurance, avec en toile de fond la difficile appréhension de la notion d’équité. En effet, si la notion de solidarité pure semble évidente face aux aléas de santé par exemple, dans d’autres domaines, comme l’assurance automobile, la modulation des primes selon les comportements passés ou plus simplement le type de véhicule possédé paraît au contraire la plus équitable.

Ainsi, le monde de l’assurance vit sans doute des mutations importantes, mais qui ne remettent pas en cause ses grandes singularités. Comme je l’ai dit en introduction, l’assurance est une forme aboutie de l’économie du partage et, si on devait individualiser chaque tarif, on s’éloignerait de cette philosophie ! Par ailleurs, l’assurance fonctionne en cycle économique inversé (l’assureur fixe son prix de vente –la tarification de la prime–, avant de connaître son prix de revient –le montant du sinistre éventuel–) ce qui met la dimension prédictive au premier plan. Et, naturellement, comme nous le faisons nous-mêmes dans les outils informatiques que nous commercialisons, la tendance est à intégrer le meilleur des outils prédictifs, dont l’IA.

Enfin, je rappelle que l’assurance est un des domaines les plus réglementés qui soient et, bien que très concurrentiel, ne peut donner lieu à des propositions hors cadre. L’enjeu pour les compagnies d’assurance est plutôt d’utiliser l’IA pour faire naître les meilleures offres, à l’intérieur des marges de manœuvre qui sont les leurs.

[1] Le texte de présentation du programme de recherche PARI est accessible sur le web à l’adresse www.chaire-pari.fr.

Au plan des ressources humaines, l’IA a eu pour principal effet de nous faire évoluer vers des modèles hybrides. D’un côté, les « sachant » (actuaires, ingénieurs et techniciens de l’assurance) doivent s’adapter à de nouvelles technologies, acquérir les bases de nouveaux langages tels que « R » ou « Python ». De l’autre, les data scientists doivent apprendre à travailler en interface avec les sachant de notre métier.

Enfin, nous devons aussi ouvrir nos métiers et apprendre d’autres secteurs d’activité : ainsi, le responsable de notre laboratoire de data science est issu du groupe AIRBUS.

Oui, mais nous y étions préparés car nous avons toujours travaillé sur des masses données importantes : reste que pour nous, qui sommes aussi des concepteurs de logiciels, la réduction des temps de calcul est un enjeu de R&D permanent. Un de nos outils de pricing qui commence à être vendu en Asie, va devoir tourner avec les données de plusieurs millions de polices d’assurances !

Parallèlement, notre avantage est de travailler avec des compagnies d’assurance qui savent parfaitement préparer et administrer leurs données (les anonymiser ou les pseudonymiser) selon des protocoles rigoureux, et les rendre conformes aux diverses réglementations.

Sur des aspects peut-être moins connus, j’aimerais ajouter un mot sur les impacts possible de l’IA sur la guerre concurrentielle, et même la cybercriminalité.

De par sa capacité à automatiser les tâches répétitives, l’IA permet le développement des techniques de « web scraping » qui consistent par exemple à sur-interroger un comparateur de prix à l’aide de robots pour reconstituer les formules tarifaires des concurrents. Ces techniques sont très utilisées sur les marchés hyper concurrentiels comme le marché britannique. Cette capacité d’automatisation rendra également les cyber-attaques plus accessibles, moins onéreuses, et plus ciblées donc plus efficaces.

Les algorithmes trouveront également leurs limites face aux techniques de « flooding » qui consistent à introduire des données altérées ou biaisées pour fausser leurs résultats.

Depuis 25 ans, l’expertise du groupe ADDACTIS aux côtés des acteurs de l’assurance, nous a offert une place de choix pour anticiper et répondre aux grands enjeux de notre secteur. Loin d’être un saut dans l’inconnu, l’IA et le traitement des Big Data sont des nouvelles technologies que nous intégrons dans notre stratégie, notre offre et nos outils.