Comment atteindre la préparation des données pour l'IA : conseils pratiques pour les compagnies d'assurance de la part d'experts de LIMRA, Microsoft et UCT

Si vous deviez créer une compagnie d'assurance à partir de zéro aujourd'hui, je vous garantis que l'IA sera intégrée dans toute votre chaîne de valeur. Elle sera probablement un élément central dans un grand nombre de vos processus.

1. Cas d'utilisation de l'IA dans l'assurance-vie

L'industrie de l'assurance est au seuil d'une transformation majeure impulsée par l'intelligence artificielle (IA). Déjà, de nombreux assureurs utilisent l'IA pour alimenter des processus importants qui ont un impact significatif sur l'efficacité, l'engagement des clients et la prise de décision. Les cas d'utilisation courants et puissants incluent :

L'expérience client améliorée par GenAI : les assureurs utilisent l'IA pour obtenir une compréhension plus personnalisée de leurs clients dans le but de comprendre comment améliorer leur expérience. L'IA peut personnaliser les interactions, automatiser les tâches et améliorer l'évaluation des risques. Ces résultats conduisent évidemment à une expérience client plus efficace et plus positive.

Prise de décision améliorée : l'IA peut analyser de vastes quantités de données pour identifier des modèles et des tendances, permettant une meilleure souscription, un traitement des sinistres et une détection des fraudes. Les assureurs examinent également leurs produits d'assurance et se demandent comment utiliser l'analytique pour rendre les produits plus connectés et numériques.

Efficacité accrue : l'IA peut automatiser les tâches répétitives, libérant les employés humains pour se concentrer sur des activités plus complexes et améliorer l'expérience des employés.

La technologie Gen AI est relativement nouvelle, donc les déploiements que nous voyons chez nos clients actuellement sont axés sur les fruits les plus faciles à cueillir. Ce sont des cas d'utilisation internes et beaucoup sont construits autour de l'utilisation d'applications métier pour améliorer l'expérience des clients (indirectement) et des employés (directement). « L'une des questions les plus courantes en ce moment est : comment puis-je créer une expérience de type Chat GPT qui permet aux employés de saisir une invite et d'obtenir immédiatement une réponse utile et utilisable, et qui est conçue dans un environnement sécurisé et qui utilise nos données ?

2. Le défi « né analogique » : les silos de données des systèmes hérités

Bien que l'IA offre des opportunités excitantes, les assureurs sont confrontés à des défis pour réaliser son potentiel en raison de la prévalence des systèmes hérités et de la qualité variable des pratiques de gestion des données.

La plupart des assureurs sont des entreprises matures avec une histoire qui remonte à des décennies, voire plus longtemps. Ils ne sont pas « nés numériques ». Cela signifie qu'ils ne partent pas d'une feuille blanche en ce qui concerne les données.

Les sociétés d'assurance-vie et de rentes à l'échelle mondiale sont en train de devenir numériques, où les méthodes de collecte et de transformation de données hybrides (analogiques hérités et numériques de première génération) rencontrent des modèles de stockage et d'utilisation purement numériques. Cela crée une complexité intéressante tandis que ces deux méthodes coexistent au sein d'un assureur.

Cela crée un défi pour ceux qui sont nés analogiques.

L'analytique, l'IA, les LLM et d'autres applications de données nouvelles nécessitent des niveaux de qualité de données cohérents et élevés. Et, malheureusement, ce n'est pas la situation dans laquelle se trouvent la plupart des entreprises. Ils n'ont pas de données parfaitement formatées, qui sont universellement disponibles en temps réel. Plus probablement, la structure, la collecte et l'accessibilité des données auront évolué au fil du temps. Certaines entreprises les appellent « le marécage » car il y a probablement un mélange de formats et de structures qui ont évolué au fil des ans. Et la plupart, sinon la plupart, sont piégées dans des systèmes hérités PAS et CRM et ERP qui ont été ajoutés à l'environnement informatique au fil du temps.

Cela signifie que pour construire une base pour les applications numériques futures, les entreprises doivent trouver un moyen de moderniser leurs données et de les rendre prêtes pour de nouveaux usages. Les assureurs doivent avoir un plan de modernisation des données pour savoir comment ils accéderont, nettoieront, transformeront et migreront toutes les données héritées accumulées au fil des décennies.

Les sociétés d'assurance traditionnelles ont souvent du mal avec :

La qualité des données : les systèmes hérités contiennent souvent des données incohérentes et mal formatées, entravant les applications de l'IA qui reposent sur des données propres et organisées. La modernisation des données : la modernisation des infrastructures de données et des pratiques de gouvernance qui sont essentielles pour devenir plus « prêt pour les données » pour l'intégration de l'IA. Les silos de données : de nombreux assureurs ont plusieurs systèmes de gestion de polices hérités qui rendent difficile l'accès aux données en temps réel, emprisonnant ainsi une grande partie des données de l'entreprise.

3. La feuille de route de préparation à l'IA pour les assureurs

Dans l'industrie de l'assurance, préparer les données pour les projets de Business Intelligence (BI) et d'Intelligence Artificielle (IA) est une impérieuse stratégique. Une grande partie des données peut avoir un usage dual avec un minimum de changement, mais dans le domaine de l'IA, des considérations uniques doivent être appliquées (parfois aux mêmes données qui sont collectées pour les usages BI). Pour assurer une transition en douceur vers la prise de décision basée sur les données, les assureurs doivent entreprendre des mesures spécifiques :

Vision et stratégie : Relier l'IA en tant que technologie d'habilitation clairement à vos objectifs commerciaux et aux résultats commerciaux souhaités. Avoir un plan réaliste et exécuter ce plan. Ensuite, tout découle de cela : vos personnes, vos processus. Et rappelez-vous, l'IA peut être une technologie très avancée, mais à la fin de la journée, c'est toujours un outil.

Il s'agit d'intégration de données – à travers les systèmes et avec l'objectif d'atteindre les objectifs commerciaux. Ne créez pas de jeux de données pour des raisons ad hoc dans des formats disparates, isolés dans des silos différents.

Ne conduisez pas avec la technologie. Conduisez avec la stratégie commerciale et les problèmes commerciaux que vous essayez de résoudre.

Soyez prêt à engager une « stratégie » ! Des changements se produiront en raison de votre apprentissage personnel et organisationnel. Nous devons être prêts à corriger le cap à mesure que de nouvelles découvertes et expériences conduisent notre compréhension fondamentale des besoins de notre organisation et de l'utilisation de ces puissants nouveaux cas d'utilisation.

Réglementation et priorisation

La réglementation affecte la stratégie en termes de la manière dont les assureurs doivent réfléchir à la priorisation des projets d'IA.

Certaines des choses que je fais avec mes clients actuellement est de les aider à comprendre où ils devraient donner la priorité. Nous sommes une industrie très réglementée. Cela ne va pas changer. L'IA n'est pas destinée à prendre des décisions. Pas encore. Ce qu'elle est censée faire, c'est améliorer, rendre les choses un peu plus faciles pour les gens. Lorsque les assureurs donnent la priorité, les cas d'utilisation où la réglementation et les considérations de confidentialité sont considérables, ne seront pas des endroits sûrs pour commencer. Un excellent exemple est un chatbot client de type IA génératif, qui repose sur les données des clients pour élever l'expérience. Nous ne voyons pas beaucoup de clients aller dans cette direction encore. Alors que si c'est un cas d'utilisation interne, comme l'amélioration de la productivité des représentants du centre de contact, des agents de sinistres ou des souscripteurs, vous voudrez probablement commencer par là. C'est là que nous voyons la plupart de nos clients déployer actuellement ; aider leurs employés à être plus productifs et efficaces au travail.

4. Les données ne sont pas qu'un projet informatique – La collaboration des unités commerciales est critique

Une collaboration solide entre l'informatique (IT) et l'entreprise est essentielle pour développer une compréhension holistique des besoins en matière de données, qui constituent la pierre angulaire d'un déploiement efficace de l'IA. L'intégration des connaissances des deux côtés de l'entreprise garantit que les initiatives en matière de données ne seront pas seulement techniquement viables, mais également étroitement alignées sur les objectifs commerciaux globaux, renforçant ainsi la pertinence et l'impact des projets d'IA.

Les données ne sont pas qu'un projet informatique – La collaboration des unités commerciales est critique Une collaboration solide entre l'informatique (IT) et l'entreprise est essentielle pour développer une compréhension holistique des besoins en matière de données, qui constituent la pierre angulaire d'un déploiement efficace de l'IA. L'intégration des connaissances des deux côtés de l'entreprise garantit que les initiatives en matière de données ne seront pas seulement techniquement viables, mais également étroitement alignées sur les objectifs commerciaux globaux, renforçant ainsi la pertinence et l'impact des projets d'IA.

Agilité dans les initiatives de données Ces initiatives doivent également être suffisamment flexibles pour s'adapter aux attentes des clients et aux paysages réglementaires en évolution. Une communication continue et une révision des stratégies de données seront nécessaires pour répondre rapidement aux tendances et aux défis émergents. Une compréhension commerciale et technique des solutions éprouvées pour la coexistence hybride de la topologie des systèmes d'un assureur permettra des initiatives de données plus agiles et des modèles de gouvernance plus solides dans un avenir en expansion rapide de l'assureur. Une approche collaborative garantit que les initiatives en matière de données restent alignées sur les objectifs commerciaux, rendant les projets d'IA plus efficaces et axés sur les résultats.

De même, investir dans des infrastructures cloud basées sur le cloud et flexibles renforce votre agilité face aux conditions du marché en évolution à mesure que les capacités d'IA évoluent. La croissance exponentielle des volumes de données, impulsée par les interactions numériques et la nécessité d'une analyse en temps réel, exige une infrastructure qui ne peut pas seulement accueillir cette croissance, mais le faire de manière rentable et agile.

Scalabilité des initiatives de données Les solutions basées sur le cloud offrent la scalabilité et la flexibilité nécessaires pour gérer ces volumes de données croissants, fournissant une base qui soutient l'agilité nécessaire pour les initiatives d'IA. Une telle infrastructure facilite la mise à l'échelle en douceur des capacités de stockage et de traitement des données, garantissant que les assureurs peuvent exploiter les vastes quantités de données requises pour les applications d'IA sophistiquées sans être entravés par les limitations du matériel informatique. Bien que la mise à l'échelle soit considérablement plus facile qu'elle ne l'a jamais été (dans le monde de la technologie cloud), ces décisions doivent être ancrées dans un but et une valeur pour éviter de « surdépenser » et d'éroder les budgets et les marges minces.

Gouvernance des données Établir un cadre de gouvernance des données complet crée une colonne vertébrale pour garantir l'intégrité, le contexte et la sécurité des données, qui sont essentiels au déploiement et à l'exploitation réussis des technologies d'IA. Un cadre de gouvernance des données robuste établit les fondements pour gérer les vastes et complexes ensembles de données sur lesquels reposent les systèmes d'IA, garantissant que les données à travers l'organisation sont exactes, cohérentes et gérées de manière sécurisée. Élaborer des moyens structurés pour traiter et gérer les données non structurées est un nouveau défi que de nombreux assureurs ont ou rencontreront dans leurs considérations de gouvernance futures.

Rôles de gestion des données Au cœur de ce cadre se trouve la définition claire des rôles et des responsabilités liés à la gestion des données au sein de l'organisation. Un organigramme de données clairement défini garantit que votre stratégie de données globale sera gérée à un niveau suffisamment élevé dans l'organisation pour fournir une surveillance appropriée, tout en garantissant que, tout au long des équipes et des projets, chaque aspect du cycle de vie des données, de la création et du stockage à l'accès et à la suppression, est géré de manière appropriée.

Politiques d'accès et de propriété des données Le cadre de gouvernance doit également détailler les contrôles d'accès aux données et les politiques de propriété des données. Ces mesures protègent les informations sensibles contre l'accès non autorisé, garantissant que les données sont accessibles sur une base de besoin et utilisées de manière responsable. Les contrôles d'accès et les politiques de propriété des données aident également à délimiter les limites de l'utilisation des données, garantissant que la conformité réglementaire est maintenue et que les lignes directrices éthiques sont respectées.

Un cadre de gouvernance des données bien structuré protège les données de l'organisation contre les menaces internes et externes, crée une source unique de vérité et une base solide pour exploiter efficacement les technologies d'IA. Le cadre permet aux assureurs de tirer parti du pouvoir de l'IA tout en maintenant les normes les plus élevées d'intégrité et de sécurité des données.

L'importance de l'alphabétisation des données en tant que capacité fondamentale L'alphabétisation des données est, en son cœur, la capacité de faire la distinction entre les bonnes et les mauvaises données. Et la qualité des données est entièrement basée sur les êtres humains qui gèrent ces données. Cela signifie que l'alphabétisation des données doit précéder l'alphabétisation de l'IA – et que c'est le cas dans toute l'organisation.

Ceci est maintenant considéré comme une compétence commerciale fondamentale pour toute organisation qui opère dans un contexte numérique. Si vous n'investissez pas dans l'alphabétisation des données, vous aurez une qualité de données de plus en plus mauvaise car les personnes qui sont en première ligne avec les données toute la journée, chaque jour, ne peuvent pas comprendre ou interpréter le contexte dans lequel les données sont utilisées. Et le résultat est que les mauvaises données vont se propager et infecter vos modèles d'IA.

Donc, en règle générale, concentrez-vous sur la qualité des données, mais donnez également la priorité à l'amélioration de l'alphabétisation des données grâce à des programmes d'apprentissage continu pour équiper vos employés des compétences dont ils ont besoin pour faire la distinction entre les bonnes et les mauvaises données. Investissez dans les initiatives d'alphabétisation de l'IA afin qu'ils comprennent comment travailler avec les programmes d'apprentissage automatique et quel impact les décisions qu'ils prennent avec les données qu'ils collectent, identifient ou utilisent pour former ces algorithmes peuvent avoir.

Par exemple, l'alphabétisation des données a un impact sur l'alphabétisation de l'IA, j'ai parlé à un analyste et il a commencé à mettre en œuvre un traitement de documents intelligents dans une organisation. Une fois qu'il est entré en production, les gens ont dû commencer à classer et à classer manuellement les différents documents. Et il a été choqué parce que le premier jour, ils ont vu que environ 40 % de tous les documents étaient mal classés et ils ne comprenaient pas pourquoi.

5. Le processus de préparation des données pour l'IA

La plupart des sociétés d'assurance ont déjà commencé leur parcours de modernisation des données. Ils peuvent extraire des données de sources héritées pour les mettre dans un nouveau mécanisme de stockage, les nettoyer et les moderniser et faire des choses avec elles pour améliorer l'expérience client ou générer des rapports. L'écueil est d'appliquer une approche « taille unique » pour votre stratégie de données d'IA. Les assureurs doivent regarder leurs données différemment qu'auparavant pour obtenir des résultats incroyables de ce changement technologique incroyable.

Évaluation et modernisation des données La préparation des données pour les applications d'IA commence par une modernisation des données extensive. Dans cette étape, l'objectif est d'évaluer la qualité des données, de remédier aux incohérences, aux lacunes ou aux erreurs tout en standardisant les formats et les structures (lorsque cela est approprié). Cela peut inclure l'ajout

Veuillez noter que la version française est assistée par Ai, des erreurs mineures peuvent donc exister.

Auteur

AiUTOMATING PEOPLE, ABN ASIA a été fondée par des personnes ayant des racines profondes dans le milieu académique, avec une expérience professionnelle aux États-Unis, aux Pays-Bas, en Hongrie, au Japon, en Corée du Sud, à Singapour et au Vietnam. ABN ASIA est l'endroit où l'académie et la technologie rencontrent l'opportunité. Avec nos solutions de pointe et nos services de développement logiciel compétents, nous aidons les entreprises à se développer et à s'imposer sur la scène mondiale. Notre engagement : Plus vite. Mieux. Plus fiable. Dans la plupart des cas : moins cher également.

N'hésitez pas à nous contacter chaque fois que vous avez besoin de services informatiques, de conseils en matière de numérique, de solutions logicielles prêtes à l'emploi, ou si vous souhaitez nous envoyer des demandes de propositions (RFP). Vous pouvez nous contacter à l'adresse [email protected]. Nous sommes prêts à vous aider avec tous vos besoins technologiques.

© ABN ASIA