Le Machine Learning, outil incontournable de la banque et de l’assurance
Le Machine Learning (ML), apprentissage machine en français, est une application de l’intelligence artificielle (IA). Elle permet aux systèmes d’apprendre et de s’améliorer automatiquement à partir de données. A la différence des programmes traditionnels basés sur des algorithmes, les applications de ML sont basées sur des modèles. Ils ne sont pas explicitement programmés. Les modèles se développent en fonction des données qui leurs sont fournies.
Un nouveau paradigme de programmation
Le processus d’apprentissage commence par des observations ou par l’accumulation de données. Elles peuvent être issues d’exemples, d’une expérience directe ou d’instructions. L’objectif est d’y rechercher des modèles pour en extrapoler des généralisations. Si par exemple une application de ML doit faciliter l’autorisation de découvert carte de crédit, on l’entraîne grâce aux données d’un fichier client. Celui-ci contient les informations de défaut de paiement qui sont liées à d’autres données comme le niveau de revenu ou les précédents défauts de paiement des clients. Le modèle de ML est alors capable d’établir une corrélation entre ces différentes informations.
Des réponses rapides mais un entraînement coûteux
Un modèle de ML n’a pas besoin d’effectuer de calculs pour prendre une décision, il se base sur son expérience. Les exemples qui lui ont permis de s’entraîner lui autorisent de donner des réponses quasi-instantanées aux questions qu’on lui pose. Cependant, comme plus un modèle est entraîné, plus il est fiable, son entraînement peut être long et coûteux. Ce « training » se fait d’ailleurs sur des ordinateurs spécialisés, souvent équipés de GPU (unités de traitement graphiques). Ces puces que l’on retrouve dans les cartes graphiques ont la particularité d’être fortes en maths, une qualité requise pour les calculs liés à l’IA.
Les modèles ont des capacités surhumaines
Les modèles de ML peuvent apprendre automatiquement sans intervention ou assistance humaine. Au fur et à mesure d’entraînements successifs ils sont capables d’ajuster leurs prises de décision en conséquence. Ce qui est remarquable c’est qu’ils sont capables de mettre en rapport des informations que nous, en tant qu’humains, serions bien incapables de traiter. Ils peuvent par exemple améliorer la prise de décision d’un découvert carte de crédit en intégrant la date de demande dans leur processus de réflexion. Cela requerrait des efforts de recherche et de calcul peu envisageables même à un professionnel du crédit chevronné.
Pour apprendre il faut perdre le moins possible
Lorsqu’un modèle de ML est en phase d’apprentissage, il essaye de trouver une fonction statistique qui autorise une mise en relation des données qu’il a en entrée avec les résultats qu’il doit obtenir. Pour cela il effectue des calculs de corrélation entre les entrées et les sorties et en déduit un score de fiabilité. Pendant tout l’entraînement il va répéter ces opérations mathématiques afin de minimiser son niveau d’erreur, ou son taux de perte (loss) comme disent les spécialistes. Toutes les solutions possibles ne sont pas toutes aussi valables. Leur ensemble peut être comparé à une montagne d’où il faut descendre. La meilleure solution se trouvant au pied de la montagne. Il est rare d’ailleurs que la solution soit à 100% satisfaisante.
Soulager les tâches des professionnels de l’assurance
Un certain nombre de technologies basées sur l’apprentissage machine permettent aux compagnies d’assurance d’automatiser le processus de demande de remboursement. Cela réduit le temps d’attente et libère les agents pour qu’ils puissent se consacrer à des tâches moins routinières.
Le prestataire de services informatiques Cognizant a mis au point une solution qui aide les compagnies d’assurance à transcrire en temps réel les appels de réclamation, en créant un résumé de l’appel qui est ensuite présenté à un agent pour examen. En effet, une des disciplines du Machine Learning est le traitement du langage naturel (NLP). Les modèles spécialisés sont capables de comprendre le sens d’un texte. Plus de 25.000 appels sauvegardés ont été utilisés pour identifier les réclamations et les activités les plus courantes.
Les banques détectent plus facilement les fraudes
La fraude par carte de crédit en utilisant de nouveaux comptes est le numéro un des cybercrimes liés à l’usurpation d’identité. Les paiements devenant de plus en plus fluides, les banques ne peuvent plus compter sur la détection régulière des fraudes basée sur des règles. Les systèmes de détection des fraudes basés sur l’apprentissage automatique se généralisent.
Mastercard utilise la solution Vocalink pour évaluer toutes les transactions des nouveaux clients au début du cycle de vie de chaque transaction. Cela permet de prévenir la fraude à un stade précoce. Leur solution de prévention de la fraude surveille les transactions et informe les institutions financières des processus suspects qui nécessitent un examen plus approfondi. Outre la prévention de la fraude, elle fournit également des rapports d’analyse et prévient le blanchiment d’argent.
Des applications de plus en plus nombreuses
Le Machine Learning révolutionne la banque et l’assurance. On ne compte plus les Fintech, entreprises numériques dédiées aux métiers de la finance, qui proposent leurs services aux banques et aux compagnies d’assurance.
Kount est une solution numérique qui permet d’effectuer des paiements sans friction en fournissant des données détaillées sur chaque connexion. Ils sont ensuite utilisés pour détecter les anomalies et corriger l’expérience du client.
Lenddo est un fournisseur de notation de crédit qui utilise des algorithmes prédictifs et propose une intégration avec des services en ligne et mobiles. Même si une personne qui demande un crédit n’a pas d’antécédents de crédit, cette solution peut lui fournir un score, en analysant son empreinte numérique.
Datas est un fournisseur d’algorithmes prédictifs capables d’actualiser la valeur des garanties immobilières, de prédire le risque de défaut d’un client, de prédire avec une très grande précision les besoins d’approvisionnement des caisses (DAB, caisses agences etc).
Il y a fort à parier que l’on ne soit qu’à l’aube de cette nouvelle révolution technologique.
I. RIDENE