Intelligence artificielle:

Conséquences pour l’industrie de l’assurance

Charles Dugas, PhD VPA Analytique, Aviva Canada www.avivacanada.com

La voiture autonome sera bientôt ici…

Il n’est plus inhabituel de parler à un robot

Le champion mondial de Go battu par une machine

Impact de l’apprentissage profond

• • - - - 

• technologie fondamentale

Apprentissage profond dans les médias

Wired | June, 2016 ! Economist | June 25th, 2016 !

Putting deep learning to work!

Computerworld | Jun 30,2016 !

How Chatbots And Deep Learning Will Change The Future Of Organizations!

Forbes | Jun 28, 2016!

Human-in-the-loop deep learning will help drive autonomous cars!

VentureBeat | JUNE 25, 2016!Popular Science | June 24, 2016 !

HOW DEEP LEARNING COULD BE THE NEXT STEP IN CANCER DETECTION!

Principales acquisitions en IA 2011 – 2016 Source: CBInsights www.cbinsights.com

A strategic inflection point is that moment when some combination of technological innovation, market evolution, and customer perception requires the company to make a radical shift or die. Andy Grove Only the Paranoid Survive

Intelligence artificielle, apprentissage automatique

et apprentissage profond

Intelligence artificielle

Apprentissage automatique

Réseaux de neurones artificiels

Apprentissage profond

Des données à la connaissance

Connaissance explicites VS Connaissances implicites

Intelligence Bonnes Décisions Connaissance

L’apprentissage automatique transforme les données en connaissances prédictives

Apprentissage automatique

Apprentissage automatique: algorithmes pouvant apprendre et faire des prédictions à partir d’exemples (données) Image de fond: Google DeepDream

Apprentissage: optimisation des paramètres pour mieux capturer les exemples

entraîné à effectuer une tâche

Figure: Yann LeCun

Apprentissage profond niveaux

multiples de représentation (abstraction)

Image

Pourquoi maintenant?

La loi de Moore

S’applique aussi au prix de la prédiction

Apprentissage profond: une révolution

�  2006

�  2011-2012

�  2012-2016

Tournage d’un documentaire sur l’apprentissage profond au MILA par la télé néerlandaise

Février 2016 

Karine Vanasse & Yoshua Bengio Tout le monde en parle — 29 janvier 2017

Classification ImageNet: 1000 classes d’images

100%

90%

80%

70%

~ performance humaine 94.9%

Utilisation de l’apprentissage

profond vs

vision par ordinateur classique

2013

88.3

N

YU

93.3

G

oogl

e

2014

74.2

2011 2012

84.7

U.

Toro

nto

2015

96.4

M

icros

oft

Performance ImageNet en hausse Tâche de classification Top-5

2016

97.0

Tr

imps

-Sou

shen

(Chi

na)

Vers la voiture autonome: 2016

Données temporelles et séquentielles: réseaux récurrents • • • • • • 

xt-1 xt xt+1

zt-1 zt zt+1

“Traduire” des images vers le texte Xu et al, ICML’2015

La perfection n’est pas encore de ce monde…

27

Questions-réponses visuelles

La prochaine frontière: raisonner et répondre à des questions sur du texte

Deep Learning Goodfellow, Bengio, Courville MIT Press, 2016

IA en assurance?

Deux rôles pour l’IA 1.  Augmenter les

processus existants 2.  Rupture des

processus “L’ampoule électrique n’est pas venue de l’amélioration continue de la chandelle.”

— Oren Harari

Augmentation: lignes personnelles

IA (ML + OR)

Modèle de Customer

Lifetime Value

Optimisation du centre d’appels (p.e. chatbots)

Modèles de souscription

Modèle de primes pures

Modèle d’élasticité

Modèle de valeurs

extrêmes

Modèle de coûts du service

Modèles de patterns de

fraudes

Transversal: réglementation, conformité, (cyber) sécurité

Assuré Magasinage de la police

Prise de contact avec l’assureur au sujet d’une police particulière

Achat de la police —— Questions à

l’assureur Réclamation

Assureur Marketing ciblé

Questionnaire de souscription

Décision de souscription

Plan de répartition des

risques Tarification Réassurance Service à la

clientèle Détection de

fraudes

Temps

Rupture: camionnage Camion autonome à 75%  •  Pleine autonomie sur autoroute

•  Besoin du conducteur sur route secondaire (centre de distribution)

•  Peut être contrôlé à distance (comme drones en Afghanistan)

Conséquences:

•  Le problème conjoint Routes + Horaires devient séparable

•  Les conducteurs travaillent dans de douillets “centres opérationnels”

•  Taux d’utilisation des actifs passe de ~50% à ~95%

Nouvelle économique pour l’industrie

Source: McKinsey Global Institute

Source: McKinsey Global Institute

Potentiel d’automatisation en assurance: 43%

Demeurez à l’écoute pour la seconde partie Comment Faire?