L’intelligence artificielle n’est pas qu’une expression à la mode... Cette technologie changera la donne, surtout en ce qui concerne la gestion des demandes de règlement

Le 23 octobre 2017
Artificial Intelligence - Inside Story

Les mots comme « rupture », « révolution » et « décoller » s’appliquent généralement aux jeunes entreprises dynamiques du monde des TI, et pas aux compagnies d’assurance. Toutefois, c’est exactement ce langage que l’on utilise pour parler des applications de l’intelligence artificielle (IA) dans l’industrie de l’assurance. Nous ne parlons pas que du remplacement hypothétique d’humains par des robots, mais bien d’applications pratiques de l’IA qui touchent tous les types d’assurance, de l’assurance-maladie à l’assurance-vie, en passant par l’assurance des biens et l’assurance risques divers.

Préparez-vous : l’IA pourrait avoir des répercussions sur l’ensemble de l’industrie de l’assurance aussi importantes que les répercussions qu’auront les voitures sans conducteur sur le monde des transports. Il pourrait s’agir d’une véritable révolution! Certes, ces changements ne se feront pas du jour au lendemain et il s’agit d’une technologie émergente, mais l’IA promet de nombreux avantages. Qu’est-ce que l’IA, au juste?

  

L’IA regroupe une multitude de technologies

 S’il existe de nombreuses définitions de l’IA, on s’entend généralement pour dire que l’IA n’est pas une technologie spécifique, mais bien un terme général qui englobe différentes technologies. Toutefois, toutes les technologies d’IA ont en commun un élément fascinant : elles cherchent à imiter ou dépasser l’intelligence humaine.

Par exemple, une technologie d’IA peut être conçue pour reproduire un comportement ou processus de réflexion humain particulier, ou pour réagir de manière intelligente ou rationnelle. À l’instar des humains, les technologies d’IA essaient d’apprendre, raisonner et résoudre des problèmes.

Les technologies d’IA reproduisent souvent les comportements humains mieux que les humains

  • La vision artificielle est une science qui cherche à permettre aux ordinateurs de voir. Comme cette technologie n’est pas limitée par la biologie, on peut la programmer pour qu’elle dépasse les capacités visuelles des humains (p. ex., pour voir à travers les murs). La capacité de détecter des mouvements humains à travers les murs pourrait s’avérer utile pour les soins de santé et soins aux enfants, et aussi pour des applications dans les domaines policier et militaire1.
  • La robotique est un domaine de l’ingénierie en plein essor. Les chercheurs ont conçu des « muscles » robotiques 1 000 fois plus forts que les humains. Des robots pourraient un jour interagir de manière authentique dans les contextes sociaux2.
  • Le traitement du langage naturel (TLN) est une technique qui permet à des systèmes de comprendre, écrire et parler les langues humaines. Les agents conversationnels utilisent le TLN pour fournir de l’information ou divertir, et les assistants virtuels sont des programmes conçus pour accomplir des tâches précises. Le TLN est de plus en plus efficace, et ce, pour des langues parlées dans tous les pays du monde. De plus, des scientifiques prédisent maintenant que l’IA nous permettra de traduire la langue de dauphin (oui, le mammifère marin) d’ici 20213.

L’un des principaux avantages qu’offrent les technologies d’IA aux compagnies offrant tous les types d’assurance est l’amélioration constante de l’expérience de leurs clients. Dans tout le continuum de l’expérience client, on retrouve ce qui suit : 

  • Risques et tarification : Les technologies d’IA peuvent élaborer des modèles de risques prédictifs plus précis, ce qui permet une évaluation des risques plus efficace et efficiente, et l’optimisation des stratégies de tarification. Par exemple, une compagnie d’assurance des biens pourrait utiliser des technologies d’IA alliant l’imagerie par satellite et l’apprentissage automatique (AA) pour établir l’état du toit des propriétés, ce qui réduirait le nombre d’inspections devant être effectuées par des personnes et permettrait de repérer plus précisément les propriétés présentant des risques accrus4;
  • Vente et marketing : Les technologies d’IA peuvent trouver et compiler une grande plage et un important volume de données pour dresser un profil complet des clients potentiels, puis trouver les produits qui leur conviennent le mieux, ce qui permet une approche plus ciblée et, idéalement, la définition d’objectifs de vente plus réceptifs. Par exemple, un courtier d’assurance automobile a utilisé le TLN pour analyser plus de 20 000 conversations de clavardage sur l’assurance automobile afin de créer un assistant virtuel5. Cet assistant virtuel agit comme un courtier en interagissant avec les clients par l’intermédiaire de Facebook Messenger et évalue leurs besoins en matière de police et leurs préférences en matière de coûts. Cet assistant virtuel analyse ensuite les évaluations des services et produits de chaque assureur pour proposer des assureurs potentiels aux clients;
  • Service à la clientèle : Les technologies d’IA permettent aux clients d’obtenir de l’aide et de l’information autrement qu’en rencontrant des personnes et en discutant avec elles. Il existe même un agent conversationnel qui aide les personnes à comprendre et suivre toutes leurs polices d’assurance. Cet agent conversationnel utilise les données de plus de 9 000 polices d’assurance pour évaluer intuitivement l’intention des questions des utilisateurs et leur offrir des réponses presque instantanément6. Il peut même les aider à déchiffrer le jargon complexe du monde de l’assurance;
  • Gestion des demandes de règlement : L’IA pourrait permettre l’automatisation de différents processus administratifs qui sont effectués manuellement depuis toujours. Par exemple, un grand nombre d’assureurs de tous les domaines utilisent maintenant des technologies d’IA pour préalablement ajouter des données dans les formulaires de demande des clients7;
  • Prévention et détection de la fraude : Si les technologies d’IA peuvent recueillir et compiler des quantités inégalées de données, elles peuvent aussi établir des tendances comme aucun humain n’est capable de le faire. Par exemple, une compagnie d’assurance automobile pourrait utiliser une technologie d’IA pour trouver une photo d’un accident automobile sur Twitter, puis utiliser cette photo pour confirmer les détails liés à cet accident, comme l’emplacement et le nombre de personnes impliquées8.

 

Prochaine génération de détection des fraudes...

Technologie de prochaine génération

La manière dont les fraudes évoluent aujourd’hui exige une approche de plus en plus sophistiquée de prévention et détection des fraudes.

Auparavant...

Les membres des régimes et fournisseurs de soins de santé agissaient seuls pour commettre des fraudes à petite échelle; ils ne faisaient pas partie de groupes.

Maintenant...

Aujourd’hui, on a affaire à des fraudeurs organisés qui s’adonnent à de la collusion de toutes les manières possibles (entre les membres d’un régime, entre les fournisseurs de soins de santé, et parmi les fournisseurs de soins de santé et les membres des régimes). Vous en avez peut-être entendu parler, car les fraudes aux garanties de soins de santé fondées sur la collusion ont fait la une à de nombreuses reprises en 2017.

Toutefois...

Si les fraudeurs sont plus rusés qu’avant, la prévention et la détection des fraudes sont plus efficaces que jamais, et ce, grâce à l’IA.

Dans le passé, la prévention et la détection des fraudes nécessitaient des processus manuels reposant principalement sur l’examen des traces écrites. Maintenant, certains types d’IA peuvent trouver des tendances dans les données individuelles et agrégées. L’IA peut donc établir des corrélations qui passeraient normalement inaperçues. Incroyable, non? Pour ce faire, GSC utilise une stratégie de détection et prévention des fraudes fondée sur l’AA.

  

L’apprentissage automatique : le pire ennemi des fraudeurs

En termes simples, l’AA est la détection informatisée des tendances que présentent les données, et les processus nécessaires à l’analyse de la vaste gamme (et de l’important volume) des nouveaux types de données disponibles aujourd’hui (qui portent le nom de « mégadonnées »). D’accord, même la description la plus simple de l’AA est assez complexe.

Les humains sont simplement incapables de compiler la gamme de données qui s’offrent à eux aujourd’hui (dont le volume est élevé, qui prennent différentes formes et proviennent de toutes les directions), et encore moins de l’interpréter. Par comparaison, les technologies d’AA peuvent non seulement recueillir et compiler un important volume de toutes sortes de données, mais elles peuvent aussi repérer des tendances de manière beaucoup plus sophistiquée que nous.

Cela s’explique notamment par le fait que les humains sont souvent biaisés sans le savoir, ce qui a des répercussions sur leur perception et leurs constatations. De plus, les humains se fatiguent, doivent se nourrir et, même si nous avons de la difficulté à le croire, se lassent d’analyser des données. Les technologies d’AA, quant à elles, travaillent sans relâche.

Les technologies s’améliorent constamment
en apprenant d’elles-mêmes

Les technologies d’AA peuvent aussi apprendre de manière autonome, ce qui signifie qu’elles apprennent constamment des nouvelles données qu’elles analysent. Ainsi, la courbe d’apprentissage des technologies d’AA est automatique et s’effectue en temps réel, de manière beaucoup plus sophistiquée et rapide que dans le cas des humains. Comme elles ne sont pas explicitement programmées comme les technologies précédentes, les technologies d’AA mettent constamment à jour leur analyse et établissent sans cesse de nouveaux liens. Elles deviennent de plus en plus intelligentes, et ce, automatiquement.

Par exemple, la technologie d’AA de GSC s’adapte continuellement pour repérer de plus en plus facilement les activités potentiellement frauduleuses. Plus précisément, comme cette technologie peut recueillir une aussi vaste gamme de données et un volume aussi important de données, et effectuer une analyse hautement sophistiquée, elle peut établir des liens qui ne sont pas évidents.

Il est essentiel d’établir de tels liens, car la collusion est une pratique frauduleuse très bien organisée. Chaque membre du groupe pose des gestes auxquels tous les membres du groupe réagissent de manière méthodique et identique. Les stratégies de détection des fraudes doivent donc nous permettre de prendre les personnes participant à la collusion au dépourvu en établissant des liens non évidents. Par exemple, un lien non évident pourrait nous inciter à communiquer avec une personne qui ne sait pas qu’on utilise ses données de manière frauduleuse.

De plus, comme les fraudeurs doivent brouiller les pistes devant un si gros volume de données, la technologie d’AA de GSC les rend de plus en plus vulnérables à la moindre bévue. Cela est particulièrement important lorsqu’il s’agit d’attraper les personnes effectuant de la collusion, car ces fraudeurs de grand chemin brouillent les pistes dans une très grande plage d’information.

Selon Brent Allen, vice-président, Exploitation des services de GSC, « les fraudes les plus fréquentes demeurent les fraudes à petite échelle mettant en cause des membres des régimes et des fournisseurs de soins de santé qui agissent seuls ou en petits groupes. Toutefois, même si la collusion n’est pas aussi fréquente, elle représente les plus importantes fraudes d’un point de vue monétaire. Heureusement, en appliquant les technologies d’AA, nous pourrons continuellement améliorer notre capacité de détection de la collusion et des fraudes de moindre envergure, et ce, surtout grâce aux capacités d’apprentissage autonome de ces technologies. »

Beaucoup de personnes se demandent si les technologies d’AA remplaceront les humains. Il s’agit d’une idée fausse; l’intelligente humaine sera toujours essentielle au bon fonctionnement des technologies d’AA. Par exemple, en ce qui concerne la prévention et la détection des fraudes, des humains doivent toujours gérer les applications d’AA. Lorsque cette technologie identifie des activités potentiellement frauduleuses, des analystes en fraude et enquêteurs doivent faire un suivi. Par conséquent, même si l’AA fait passer la prévention et la détection des fraudes à un niveau de sophistication supérieur, la solution idéale constitue toujours une combinaison des intelligences humaine et artificielle.

Détection des fraudes par l’IA

La fraude aux garanties s’entend de tout abus, mauvais usage ou utilisation excessive du régime par les membres, ou de pratiques de facturation inappropriées de la part des fournisseurs de soins de santé, et ce, que l’acte soit intentionnel ou non. Ainsi, un membre d’un régime ou un fournisseur de soins de santé commet une fraude s’il soumet une fausse demande de règlement, modifie une facture, crée une facture pour des services non couverts en laissant croire qu’il s’agit de services couverts, effectue une surfacturation ou une utilisation excessive ou retourne un article après avoir obtenu un remboursement.

Heureusement, les technologies d’IA peuvent rapidement évaluer les circonstances des demandes de règlement pour les confirmer ou les remettre en question. Au besoin, le système peut indiquer qu’une demande de règlement doit faire l’objet d’un examen plus poussé.

GSC utilise des technologies d’apprentissage automatique (AA) efficacement pour repérer les fraudes potentiellement commises par des fournisseurs de soins de santé en définissant le profil de ces fournisseurs. Notre technologie d’AA peut définir des tendances en surveillant continuellement les pratiques des fournisseurs de soins de santé et en effectuant une interprétation hautement sophistiquée des données sur les demandes de règlement. Ces tendances sont ensuite comparées aux autres fournisseurs de la région pour repérer des anomalies. Idéalement, cela permet d’identifier les problèmes potentiels avant qu’ils ne s’aggravent.

Toutefois, il faut employer certaines pratiques exemplaires, comme l’indique Brent Allen, vice-président, Exploitation des services de GSC : « Les technologies d’apprentissage automatique offrent un grand potentiel en ce qui concerne les stratégies de détection des fraudes. Toutefois, elles doivent reposer sur des bases solides. Par exemple, nous avons mis sur pied un système efficace d’établissement de profils des fournisseurs fondé sur notre registre national des fournisseurs. Ce registre nous permet de nous assurer que chaque fournisseur de services possède les titres de compétences appropriés et est inscrit dans notre système d’évaluation des demandes de règlement avant que nous payions une demande de règlement. Cela signifie que nos méthodes d’établissement des profils de nos fournisseurs ont une base solide. Comme c’est souvent le cas, il suffit d’alimenter un système en données de qualité pour obtenir de bons résultats. »

  

Ce n’est que le début...

Nous assisterons à la venue d’applications d’IA de plus en plus novatrices. Comme l’IA cherche à reproduire les comportements humains, et que la gestion de la santé est une question de comportement humain, il n’est pas surprenant que la conception d’assistants médicaux virtuels soit l’un des sujets les plus chauds du domaine de la santé à l’heure actuelle. Comme un assistant virtuel est essentiellement un agent conversationnel qui peut discuter intuitivement avec une personne pour l’aider à accomplir certaines tâches, les assistants médicaux virtuels peuvent aider une personne à effectuer une foule de tâches liées à sa santé, comme l’aider à bien prendre ses médicaments ou choisir une liste de lecture pour son jogging matinal.

Chose certaine, nous ne voyons aujourd’hui qu’une infime partie de ce que l’IA peut offrir, et nous ne manquerons pas de traiter de l’évolution de cette technologie dans les numéros futurs de Le fond de l’histoire. Restez à l’affût!

Sources : 

1 « Seeing through walls », Emily Finn, MIT News, le 18 octobre 2011. Consulté en octobre 2017 : http://news.mit.edu/2011/ll-seeing-through-walls-1018

2 « New robotic 'muscle' is a thousand times stronger than a human's and capable of hurling an object 50 times heavier than itself », Daniel Miller, The Daily Mail, le 21 décembre 2013. Consulté en octobre 2017 : http://www.dailymail.co.uk/sciencetech/article-2527612/New-robotic-muscle-thousand-times-stronger-humans.htm

3 « Scientists predict AI will allow us to translate dolphin language by 2021 », Luke Dormehl, Digital Trends, le 10 mai 2017. Consulté en octobre 2017 : https://www.digitaltrends.com/cool-tech/dolphins-natural-language-processing/

4 « Artifical Intelligence Impact on Insurance », Max Kraus, The Think Blog, le 28 octobre 2016. Consulté en octobre 2017 : http://www.logiq3.com/blog/artificial-intelligence-impact-on-insurance

5 « The Impact of Artificial Intelligence on Selling & Distributing Insurance (Part 2) », Max Kraus, The Think Blog, le 13 juin 2017. Consulté en octobre 2017 : http://www.logiq3.com/blog/artificial-intelligence-impact-selling-distribution

6 « IBM helps launch insurance chatbot », Maria Terekhova, Business Insider, le 8 juin 2017. Consulté en octobre 2017 : http://www.businessinsider.com/ibm-helps-launch-insurance-chatbot-2017-6

7 « Insurance sector tunes into artificial intelligence », Oliver Ralph, Financial Times, le 29 mars 2017. Consulté en octobre 2017 : https://www.ft.com/content/a0d9aa8a-1494-11e7-80f4-13e067d5072c?mhq5j=e5

8 « 3 Things The Insurance Industry Can Learn from Silicon Valley Insurance Accelerator », Chris Murumets, The Think Blog, le 20 octobre 2016. Consulté en octobre 2017 : http://www.logiq3.com/blog/3-things-the-insurance-industry-can-learn-from-svia