L’intelligence artificielle et le métier d’actuaire 4.0

Le secteur des assurances est aujourd’hui soumis à une transformation en profondeur : l’émergence de nouveaux risques (dérèglement climatique, risques cyber et épidémique) conjuguée à la hausse des taux ont conduit à la montée en puissance d’une nouvelle génération d’assureurs. Dans un contexte ultra concurrentiel, la protection de la clientèle et les risques de non-conformité se renforcent dans un environnement en pleine inflation règlementaire (Loi Pacte / Loi Eckert / RGPD / IFRS 17 / KYC, LCB-FT: 5ème directive / SAPIN 2 / DDA / RSE…). Ici, l’intelligence artificielle pourrait faciliter la conformité règlementaire et en particulier la détection de la fraude. Afin d’obtenir un avantage concurrentiel, les projets IA pourraient être généralisés à la tarification, à l’expérience client et à la personnalisation de la couverture. Enfin, il ne faudra pas négliger le gain de temps possible dans le règlement des sinistres. Nous allons pour notre part nous focaliser sur le métier d’actuaire 4.0.  

Depuis la pandémie de Covid, les nouveaux risques et la digitalisation ont renforcé la transformation du secteur et accéléré la transformation de certains métiers. Il est certain que crise sanitaire a accéléré la digitalisation de tous les secteurs de l’économie et les innovations en IA[1]. Le secteur des assurances n’y a pas échappé. Un certain nombre d’enjeux sont nés de cette crise, auxquels l’IA apporte une réponse adéquate. A ce titre, on observe par exemple le développement de l’assurance à l’usage (son accélération), à la demande, comportementale, paramétrique… On voit se développer également l’intégration des objets connectés pour la prévention et l’évaluation des sinistres, l’amélioration de l’expérience clients, les données, la robotisation, la dématérialisation (simplification, rapidité, instantanéité, transparence). L’IA autour de la cybercriminalité avec un RSSI (Responsable de la Sécurité des Systèmes d’Information) bien embarqué se renforce également. L’assureur devient aussi de plus en plus un assureur « accompagnateur » de moments de vie grâce en particulier aux Insurtechs. Tout le mouvement écosystémique dans sa globalité a pris de l’ampleur. Il faut ajouter à cela le rôle non négligeable de l’open assurance, avec ouverture des systèmes d’information via les API (Application Programming Interface) pour créer des plates-formes ouvertes, interopérables et développer des écosystèmes de partenaires. Avec le RPA[2], on assiste aussi à une accélération de l’automatisation des tâches à fort volume et faible valeur. Dans le domaine de l’amélioration continue, il faut améliorer et digitaliser les process et le déploiement tactique des solutions RPA. On voit également se développer l’utilisation de la voix et des applications avec de la réalité étendue / virtuelle pour améliorer l’expérience clients ainsi que l’amplification du développement des services avec des objets connectés pour la prévention et l’évaluation des sinistres notamment, et l’intégration massive de la blockchain (produits et services, fraude, indemnisation…). Tous ces aspects se sont particulièrement accélérés depuis 2020. Nous allons ici, nous focaliser sur le métier des actuaires.  

Dans le domaine des assurances nous allons en particulier décrypter un métier : celui des actuaires. Les actuaires grâce à l’IA vont pouvoir avoir accès à de meilleures visualisations de données, par exemple en utilisant aussi les outils de BI. Les outils de BI vont changer et accélérer la façon dont les actuaires diagnostiquent et comprennent les résultats et communiquent des informations aux parties prenantes.

Les données graphiques permettent eux, de présenter des résultats d’analyses complexes à des audiences peu habituées aux techniques actuarielles. La visualisation des données offre également la possibilité de détecter des tendances dans un environnement où la quantité d’informations croit de manière significative. Dans le domaine du Machine Learning (ML)/IA, avec des données structurées et utilisées via R, Python, elles sont employées en tarification, en souscription, pour la réalisation d’études d’expérience, la prédiction des comportements des assurés, le calcul des provisions. Pour ce qui concerne le Low – Code ETL & Low Code Programming, par exemple, Alteryx, Azure Data Factory, ces outils seront utiles là où les outils ETL traditionnels nécessitant un support informatique ne sont pas suffisants pour les besoins de l’entreprise (par exemple, trop difficiles à apprendre rapidement pour les utilisateurs) ou lorsque l’IT n’est pas en mesure de fournir les données assez rapidement. Nous pouvons aussi rendre plus efficient le calcul et le stockage dans le Cloud. Par exemple, Microsoft Azur ou Amazone Web Services. Plusieurs facteurs sont à la base de cette utilisation accrue : besoin d’agilité, gains d’efficacité, augmentation de la puissance de calcul et de stockage. La technologie du cloud permet donc aux actuaires d’accéder à des machines virtuelles de manière rentable et efficace en réduisant les temps d’exécution de manière significative.

Alors comment notre actuaire s’enrichira d’usages actuellement en cours de développement ?  Pour ce qui concernent les Données non Structurées, via R, Python comme nous l’avons déjà dit, les cas d’utilisation sont plus concentrés dans la recherche et le développement, l’analytique et la Tarification la Souscription et le Développement de produits en comparaison avec les cas d’utilisation sur les données structurées. Aussi pour le ML/IA générateur de la documentation et dans la mesure où l’utilisation de R/Python devient plus prolifique parmi les actuaires, la capacité à générer simultanément de la documentation et des rapports pour les applications et les processus développés gagnera en importance. Enfin, en ce qui concerne la gouvernance des données, par exemple Collibra, les entreprises considèrent que cette technologie apporte une grande valeur aux actuaires. L’utilisation accrue des données, en particulier dans les applications ML/AI, exigera que les entreprises soient plus impliquées dans la prévention et la gestion des risques liés à l’utilisation abusive des données et à l’évolution dans le temps, cela pourra se réaliser grâce à l’utilisation d’outils de gouvernance. Ici les Application Programming Interfaces (API), étant donné que les modèles ML/AI doivent être déployés en temps réel vers des applications en aval, vont probablement gagner en importance.

Il faut enfin ajouter de forts potentiels dans deux domaines :

• Automatisation des processus robotiques (RPA) :

L’utilisation directe de la RPA par les actuaires est très limitée en raison d’autres types d’automatisation déjà en place ou parce que les TI mettent en œuvre la RPA sans que les actuaires ne l’utilisent pratiquement. Cependant, si plusieurs applications différentes sont utilisées dans un processus, la RPA pourrait être utile pour rationaliser ces applications.

• Technologie d’amélioration de la gestion de la Protection des données :

Par exemple, Privitar – Au regard de l’évolution de la réglementation sur l’utilisation des données ces outils pourraient potentiellement devenir plus utiles pour les actuaires, indirectement, en les aidant à utiliser les données d’une manière conforme à la réglementation. A ce titre, la révolution digitale permet une collecte massive des données (big data) que les sociétés d’assurance doivent traiter, stocker, analyser.

[1] https://www.bankofengland.co.uk/quarterly-bulletin/2020/2020-q4/the-impact-of-covid-on-machine-learning-and-data-science-in-uk-banking

[2] Robotic Process Automation