Le deep learning jouera certainement un rôle déterminant dans l’automatisation et l’amélioration des opérations quotidiennes des assureurs qui impliquent le traitement d’images, de textes et de sons. À moyen terme, il ne devrait toutefois pas avoir d’impact profond sur leur cœur de métier : la gestion des risques.
Cette courte publication présente notre point de vue sur l’usage des technologies de deep learning dans le secteur de l’assurance.
Ce qu’est le deep learning, et un peu d’histoire
Le deep learning (apprentissage profond) est une famille de techniques d’apprentissage automatique inspirées des réseaux de neurones, qui font intervenir plusieurs couches de modèles. Le terme tient un peu du mot à la mode (une nouvelle appellation des réseaux de neurones, désormais dotés de plus de couches) et recouvre un large éventail d’algorithmes, parmi lesquels les réseaux de neurones convolutifs, les réseaux de neurones récurrents et les réseaux à mémoire à long et court terme.
Ses origines remontent au milieu du XXᵉ siècle. Le premier réseau de neurones algorithmique, inspiré de la biologie, est le perceptron de Rosenblatt, en 1957.
La première grande étape est franchie dans les années 1980, lorsqu’un cadre pertinent d’optimisation des paramètres, les méthodes de gradient, est enfin appliqué aux réseaux de neurones. À ce stade, l’efficacité de ces nouvelles méthodes est loin d’être prouvée.
Il faut attendre les années 2010 pour une double révolution : celle du volume de données (avec la publication de la base ImageNet) et celle de la puissance de calcul (les GPU CUDA de Nvidia atteignant mille milliards d’opérations par seconde). Le deep learning commence alors à surpasser toutes les autres méthodes en traitement d’images, puis progressivement en traitement du langage naturel.
S’ensuit une révolution, qui se diffuse à une vitesse incroyable, en un an et demi environ.
Comment ça marche ?
Pour faire court, comprendre le deep learning revient à comprendre deux aspects : l’architecture et la rétropropagation.
L’architecture d’un réseau de neurones fait interagir de nombreux neurones entre eux, en couches successives. Ils représentent autant de paramètres (nombre de couches, types d’interaction, poids de chaque cellule) que la machine va apprendre en confrontant cette architecture à des données réelles.
Vient ensuite la rétropropagation. L’idée est très simple : chaque fois qu’une nouvelle donnée entre dans le réseau, la sortie produit une erreur (mesurée par une fonction de perte). Cette erreur est rétropropagée afin d’attribuer à chaque neurone sa contribution. Ces contributions servent à optimiser les poids par descente de gradient, ce qui finit par minimiser la fonction de perte.
La vraie magie, c’est qu’en deep learning, tout est optimisé simultanément.
Voilà pour les grands principes. Il ne s’agit pas ici d’entrer dans les détails techniques, mais de se concentrer sur les éléments clés qui font le succès du deep learning.
En pratique, que faut-il pour que ça fonctionne ?
- Un grand volume de données : avec des centaines de milliers de paramètres à calibrer, le nombre d’observations doit être bien plus élevé.
- Le bon type de données d’entrée, pour lequel la valeur ajoutée est démontrée. Il s’agit typiquement de données non structurées : images, textes et sons. L’intuition est que les réseaux de neurones complexes et profonds apportent le plus de valeur lorsque les variables sous-jacentes sont difficiles à déduire, ce qui est typiquement le cas des images, des textes et des sons.
- Sur les autres applications, à données structurées, le deep learning a montré moins d’avancées significatives par rapport aux algorithmes classiques d’apprentissage automatique.
Deux exemples classiques l’illustrent : les images et le texte.
L’une des grandes familles d’architectures de deep learning pour le traitement d’images est celle des réseaux de neurones convolutifs. Ils repèrent différentes parties d’une image et se concentrent sur chacune, puis les assemblent pour classer l’image. Ces méthodes apprennent les contours, les formes, les positions, les niveaux de contraste, etc. C’est là que se trouve la valeur ; la décision finale repose ensuite sur des règles relativement simples.
Dès que les données ont une dimension historique ou temporelle, on utilise des réseaux de neurones récurrents, parmi lesquels l’un des plus populaires est le LSTM (long short-term memory).
Ils contiennent des boucles qui leur permettent de tenir compte du passé, à court et à long terme : l’information devient persistante. L’exemple le plus connu est la prédiction d’un mot dans une phrase. Un effet de mémoire est nécessaire pour déduire le dernier mot de la phrase « J’habite en Allemagne depuis cinq ans… je parle couramment l’allemand ». Un modèle classique pourrait apprendre que le mot qui suit « je parle couramment » est le nom d’une langue ; pour prédire qu’il s’agit de l’allemand, le modèle a besoin de mémoire, car « Allemagne » apparaît plus tôt dans la phrase.
Les LSTM peuvent aussi être vus comme l’équivalent, en deep learning, des modèles économétriques de séries temporelles. Nous sommes convaincus que ces approches recèlent encore d’importantes possibilités d’innovation, aussi bien en finance, où les séries temporelles sont partout, que dans l’assurance, où les séries temporelles et spatio-temporelles deviennent omniprésentes (nous y revenons plus bas).
Un eldorado pour l’assurance ?
Le deep learning a donné, et donne encore, un nouvel élan à l’intelligence artificielle. Mais il ne résoudra pas tous les problèmes des assureurs. Un examen plus attentif montre où le deep learning peut apporter peu ou beaucoup de valeur dans l’assurance.
À ce jour, personne ne sait expliquer complètement pourquoi le deep learning est si performant sur autant de cas d’usage : il ne se prête donc pas naturellement à l’interprétation.
Or l’une des principales missions d’un assureur est de comprendre le risque et ses facteurs, pour le prévenir et le gérer au mieux.
L’interprétabilité est nécessaire à plusieurs titres : réglementation, audit, prise de décision et stabilité. C’est un champ d’investigation actif dans l’assurance, dans les grands groupes comme dans les start-up de l’insurtech. L’idée est de prendre le résultat du deep learning et de l’expliquer à l’aide d’un modèle interprétable… mais ce n’est que le début de l’histoire.
Voilà, en bref, pourquoi le deep learning n’a pas d’usage évident dans les applications de risque pur auxquelles les assureurs font face.
Il existe en revanche de nombreuses autres applications dans l’assurance, et c’est un domaine très actif. Pourquoi ?
L’assurance est un métier de l’information, fondé sur des flux d’informations et de données, dont une grande partie se compose aujourd’hui d’images, de textes et de sons. Comme indiqué plus haut, la valeur ajoutée du deep learning est évidente pour ces types de données non structurées. Les principaux domaines dans lesquels le deep learning transforme le métier de l’assurance sont probablement :
À court terme :
- les sinistres, par exemple l’évaluation du coût d’un sinistre à partir d’images ;
- la fraude, détectée dans les images, la parole et les textes ;
- l’expérience client et les nouveaux services : satisfaction, devis instantanés ;
- l’intelligence augmentée dans l’automatisation robotisée des processus (qui peut déplacer le risque opérationnel) ;
- l’assurance paramétrique pour l’agriculture, l’élevage et toute activité sensible à la météo.
Et plus encore à long terme :
- toutes les données produites par l’IoT, par exemple les séries spatio-temporelles de la santé connectée ou de la télématique.
Ces applications sont nombreuses. Elles visent à améliorer le service, et donc la satisfaction des clients, ainsi que l’efficacité.
En conclusion, le deep learning ne répondra clairement pas à court terme à tous les besoins d’analyse de données des assureurs, dont le métier consiste avant tout à comprendre les risques et à interpréter les modèles et les algorithmes correspondants. Aujourd’hui, le deep learning est encore mal compris, et ne produit donc pas encore les modèles dont ils ont besoin.
En revanche, le deep learning sera massivement utilisé dans l’assurance, à court comme à long terme, partout où il y a des images, des textes, des sons et des données IoT.
Cela soulève un grand débat de fond sur l’avenir et le rôle des collaborateurs. Quel sera l’impact réel sur les métiers de l’assurance ? Les collaborateurs seront-ils massivement remplacés, ou le rôle des humains va-t-il évoluer ?
