Grands modèles de langage :

^{Janvier 2024}

Dans notre article précédent, nous avons exploré la façon dont les grands modèles de langage fonctionnent et cerné les éléments que les assureurs doivent prendre en considération lorsqu’ils choisissent de mettre en œuvre les grands modèles de langage. Cette série d’articles porte sur la façon dont les grands modèles de langage pourraient transformer la sélection des risques et la gestion des réclamations.

L’industrie de l’assurance connaît bien les données; elle en tire profit. Pourtant, une partie importante de ces données est non structurée et est confinée dans des documents comme les rapports du médecin traitant (RMT). Cependant, cela change rapidement. Les grands modèles de langage sont devenus une technologie accessible capable de libérer ces réserves de données et de fournir des renseignements et des perspectives auparavant difficiles d’accès.  

Au fil des ans, les entreprises ont produit de plus en plus de données à des taux augmentant rapidement. Elles ont aussi réalisé que ces données ont une valeur inhérente aux entreprises – c’est un actif qui peut être mis à profit, pas seulement quelque chose à stocker. Dans un avenir entièrement axé sur les données, les fonctions de sélection des risques et de réclamations pourraient être complètement différentes. 

Le problème, bien sûr, c’est de trouver les bons éléments, et cela signifie comprendre les couches de données que nous recueillons au quotidien. Les données structurées sont déjà lisibles par ordinateur et contiennent des renseignements précis, comme un numéro de police, des renseignements sur la couverture ou même les coordonnées d’un titulaire de police. Les données semi-structurées peuvent comprendre des registres d’ordinateur ou des dossiers de santé électroniques, où il est facile d’accéder à certaines données, mais pas toutes. La couche la plus difficile à cerner est celle des données non structurées, qui peuvent comprendre les RMT, les notes de réclamation et les traités. Les données non structurées ont le potentiel de causer un grand changement si nous pouvons les exploiter efficacement. Les grands modèles de langage peuvent offrir cette capacité. 

En règle générale, les grands modèles de langage sont très bons pour reconnaître le contexte et synthétiser les données. En fonction de ces forces fondamentales, ils présentent un ensemble impressionnant de capacités, notamment ce qui suit : 

• Analyse de données non structurées 
  Les documents peuvent être résumés, comparés et vérifiés en fonction de la qualité, le tout au moyen de directives relativement simples, mais efficaces, à l’intention d’un grand modèle de langage. Par exemple, les grands modèles de langage peuvent résumer les notes de réclamations dans une base de données et déterminer les tendances dans l’ensemble des réclamations. L’analyse des RMT pourrait être effectuée plus efficacement, ce qui permettrait d’extraire et de résumer les renseignements les plus pertinents pour un tarificateur. Les traités pourraient être comparés pour comprendre toute différence potentielle dans le libellé et le contexte. Les modèles de grands modèles de langage à code source libre qui sont excellents pour l’analyse de données non structurées comprennent LLaMA, BLOOM, Falcon et MPT (contenu disponible en anglais seulement).
• Exploration et modélisation de données
  Bien que la plupart des grands modèles de langage soient connus pour leur application à des données non structurées, les données structurées tirent aussi parti de leurs capacités inhérentes. Les grands modèles de langage peuvent fournir aux utilisateurs une méthode de langage naturel pour interroger, analyser et extraire des renseignements à partir de données structurées. Des cadres comme LlamaIndex et Langchain fournissent des capacités d’analyse et de génération de modèles (contenu disponible en anglais seulement). Jumelés à des graphiques de connaissances comme Neo4j et à des bases de données vectorielles comme ChromaDB et Pinecone, ces cadres offrent de puissantes capacités d’analyse et de modélisation pour de nombreux types de cas d’utilisation (contenu disponible en anglais seulement).  
• Planification des tâches 
  Récemment, d’importants progrès ont été réalisés quant à l’utilisation de grands modèles de langage pour la planification des tâches par l’intermédiaire de plusieurs agents autonomes. Les systèmes multiagents représentent le niveau supérieur de résolution de problèmes par intelligence artificielle. Les agents intelligents peuvent travailler ensemble pour résoudre des problèmes plus complexes en décomposant une tâche complexe en étapes plus simples et en attribuant chaque étape à un agent intelligent qui peut être formé avec une expertise particulière. Imaginez si vous pouviez être en mesure de générer des agents intelligents pour gérer chaque étape d’un processus d’évaluation des réclamations. Les agents pourraient apprendre à faire chaque étape au moyen d’une formation simple.

Cette liste de tâches distinctes est notable, mais ce n’est qu’un début. Le pouvoir distinctif des grands modèles de langage réside dans deux capacités qui peuvent être utilisées séparément ou ensemble pour améliorer l’efficacité ou éliminer les obstacles à la mise en œuvre d’une stratégie d’affaires ou d’un processus automatisé en particulier.  

• Synthèse de l’information
  Plusieurs sources de données non structurées peuvent être connectées et résumées pour créer des renseignements exploitables qui peuvent être utilisés dans le traitement automatique. Par exemple, un RMT et un manuel de sélection des risques pourraient être liés dans un grand modèle de langage et recevoir la directive de fournir des sommaires des troubles ainsi que des recommandations de sélection des risques. 
• Personnification de l’information
  En raison de notre capacité à interagir avec les grands modèles de langage en utilisant un langage naturel, ils peuvent aussi personnifier des données structurées et non structurées. Nous pourrions poser au grand modèle de langage des questions sur les données pour lesquelles une seule réponse dépend de la capacité du grand modèle de langage à interpréter, à extraire, à synthétiser et à résumer efficacement des renseignements provenant de multiples sources distinctes. Le résultat final est une réponse qui semble intelligente à partir des données comme si une personne répondait. 

Ces deux composantes offrent de nouvelles occasions de relever des défis précis au sein d’une entreprise. Examinons les cas d’utilisation dans deux fonctions importantes de l’assurance : la sélection des risques et les réclamations.

Imaginez un ensemble de grands modèles de langage appelés « grand modèle de langage de Munich Re », dont l’objectif est de maximiser l’utilisation des renseignements et d’accélérer le processus de sélection des risques. Comment la synthèse de l’information pourrait-elle être appliquée? Une solution simple pourrait être de l’entraîner à lire les données de RMT dans le but de résumer les troubles. De plus, nous pourrions envisager un scénario dans lequel plusieurs données (RMT, proposition, calculateurs, manuel de sélection des risques et autres documents) sont entrées dans les modèles. Le grand modèle de langage de Munich Re peut tout regrouper automatiquement dans le modèle, synthétiser les renseignements et formuler une recommandation de sélection des risques aux fins d’examen. 

Le grand modèle de langage de Munich Re peut aussi inclure un grand modèle de langage pour fournir une interaction avec le langage naturel (autrement dit, personnification de l’information). Un tarificateur peut rechercher le modèle pendant le processus d’examen de la sélection des risques en posant des questions comme : « Quand le patient a-t-il consulté pour la dernière fois son médecin? » ou « Y a-t-il eu un changement de poids au cours des 12 derniers mois? Dans l’affirmative, quelles sont les raisons de la perte ou du gain? » 

Ces demandes éviteraient au tarificateur d’avoir à examiner manuellement un long RMT pour trouver les renseignements pertinents. Elles ne se limitent pas à extraire des renseignements du RMT, puisque le tarificateur demande au modèle d’évaluer ces renseignements. Dans ce cas, le tarificateur demande non seulement si l’IMC a augmenté ou diminué, mais aussi pourquoi le changement est survenu. 

À l’avenir, lorsque nous en serons plus à l’étape de la formation et des tests de grands modèles de langage dans un contexte d’assurance vie, nous pourrions même imaginer une utilisation de l’intelligence artificielle génératrice au cours de laquelle un réclamant est chargé, un rapport de sélection des risques est généré et une lettre d’offre est produite. Chaque étape du processus est effectuée par un agent de grands modèles de langage intelligent dans un bassin de multiagents.  

Le processus de réclamation traditionnel est exigeant en main-d’œuvre. Les renseignements sur les réclamations peuvent être acceptés par une équipe de gestion des réclamations de diverses façons non liées : formulaires écrits à la main, messages vocaux, appels téléphoniques, portails en ligne, applications ou assistants virtuels. Des processus manuels sont souvent utilisés pour examiner, regrouper, entrer, trier et évaluer les réclamations. 

Grâce à un processus utilisant l’intelligence artificielle, une fois que les renseignements sur les réclamations reçues sont numérisés, la synthèse et la personnification de l’information du grand modèle de langage peuvent être appliquées. Si le gestionnaire en réclamations a d’autres questions, l’utilisation de grands modèles de langage pourrait faciliter l’automatisation du résumé, de l’examen, du triage et de l’évaluation, grâce à une interaction avec le langage naturel des données de réclamations. 

Son utilisation ne veut pas dire que l’aspect humain des réclamations devrait complètement disparaître, mais cela pourrait être la meilleure utilisation possible de ressources limitées. À mesure que le modèle rassemble les renseignements et effectue le triage, le gestionnaire en réclamations peut poser des questions sur l’ensemble des renseignements des réclamations et, une fois ces réponses en main, prendre une décision beaucoup plus efficacement.

Dans notre entreprise, nous nageons dans d’énormes quantités de données non structurées et certains de nos processus sont manuels et longs. Les grands modèles de langage, s’ils sont bien formés, testés et contrôlés, pourraient être une excellente solution pour exploiter des renseignements précieux à partir de données non structurées, synthétiser des données provenant de multiples sources et les personnifier pour en faciliter l’utilisation humaine. Cela pourrait entraîner d’importantes améliorations de l’efficacité opérationnelle pour des fonctions clés comme la sélection des risques et les réclamations. 

Cependant, en tant que professionnels de l’assurance, l’atténuation des risques est toujours une priorité. Bien que cette technologie soit émergente dans notre secteur, des mesures de contrôle doivent être mises en place pour atténuer les risques, comme des audits efficaces, des systèmes de remise en question et des mesures de gouvernance pour assurer la conformité à la loi. Chez Munich Re, nous investissons déjà dans l’expertise et les tests nécessaires pour exploiter les grands modèles de langage en matière d’assurance vie et d’assurance invalidité. Nous croyons qu’il y a une valeur immense ici, et nous savons que comprendre les contraintes et les défis nous permettra d’offrir des solutions qui sont vraiment efficaces et transformatrices.