Les Large Language Models en assurances : mythe ou facteur de productivité ?

Un tiers des entreprises dans le monde utilisent déjà l’IA générative, du projet pilote à la mise en œuvre à grande échelle. Mais pourquoi l’IA générative pourrait-elle marquer une révolution par rapport au Machine Learning actuel ?

Nous vous donnons un aperçu des LLM (Large Language Models) existants, des aspects à prendre en compte lors de leur utilisation commerciale et de la véritable valeur ajoutée que les modèles de langage peuvent offrir dans le secteur des assurances.

Qu’est-ce que les LLM ?

Les LLM sont des modèles de langage basés sur des prédictions de séquences ; autrement dit, ils utilisent des distributions statistiques. Les LLM sont entrainés à l’aide d’énormes quantités de textes provenant d’Internet, par exemple de Wikipédia, et de données provenant de sources privées, par exemple d’articles de presse. Lorsqu’une requête, appelée prompt, est envoyée à un modèle, celui-ci détermine quel est le mot qui suit le plus logiquement le premier. C’est ce qui ressort des séquences de mots les plus fréquentes dans les données d’entrainement. Techniquement, les LLM sont basés sur l’architecture Transformer, c’est-à-dire sur un réseau neuronal qui apprend le contexte et la signification en reproduisant des relations dans des données séquentielles, comme des mots dans des phrases.

Les transformers sont basés sur des encodeurs et des décodeurs. Les encodeurs captent la parole et sont souvent utilisés pour la classification et l’analyse de l’humeur, à l’instar de BERT de Google. Les décodeurs génèrent du contenu et de la parole, à l’instar des modèles GPT d’OpenAI.

Si l’on considère les algorithmes Machine Learning actuels, ceux-ci se basent sur des caractéristiques fixes et des input clairement définis. Ils sont donc spécialisés dans une tâche précise. En revanche, les LLM peuvent apprendre de manière autonome des modèles complexes à partir de grandes quantités de données non structurées. Contrairement aux algorithmes traditionnels, les LLM nécessitent moins de pré-traitement manuel et peuvent être adaptés de manière polyvalente à différentes tâches grâce à l’apprentissage par transfert. Bien qu’ils offrent des avantages significatifs en traitement du langage naturel, ils exigent des ressources informatiques considérables et un matériel puissant.

Quels sont les LLM existants et comment se distinguent-ils les uns des autres ?

Il existe plusieurs fournisseurs de LLM. Parmi les plus populaires aujourd’hui, on peut citer les modèles GPT d’OpenAI et Google Gemini. La différence se situe à trois niveaux :

1. La base de données
2. Le poids du modèle
3. La licence

Les LLM se répartissent en deux groupes : les modèles fermés ou privés et les modèles open source. Lors de l’utilisation de modèles open source, il convient de vérifier si la licence du modèle open source utilisé autorise une quelconque utilisation commerciale. Le modèle LIaMA de Meta ne l’autorise pas par exemple, tandis que le modèle LlaMA2 l’autorise. Les modèles open source connus sont par exemple LlaMa2 de Meta, Falcon du Technology Innovation Institute des Émirats arabes unis et StableLM de Stable Diffusion. Les modèles fermés sont payants et peuvent également être fortement spécialisés dans certaines tâches, comme BloombergGPT de Bloomberg. Parmi les modèles fermés populaires, on a les modèles GPT d’OpenAI, Gemini de Google, Claude d’Anthropic et Dolly de DataBricks.

Cependant, où se situe la différence entre ces modèles ? En ce qui concerne la base de données, les modèles se distinguent surtout par l’actualité des données : Par exemple, OpenAI a entraîné les modèles GPT-1 à GPT-3 en utilisant uniquement des données allant jusqu’en 2021, tandis que Gemini de Google utilise des données en temps réel. Si l’on considère un LLM d’un point de vue technique, celui-ci se compose de plusieurs milliards de poids qui attribuent une « force » ou une « importance » à un mot ou à une phrase. Ces poids sont définis à l’aide des points de données issus des ensembles d’entraînement et constituent donc l’empreinte numérique d’un modèle. Les poids initiaux sont d’abord définis par l’entraînement sur des données existantes. Les modèles sont ensuite affinés grâce à « l’apprentissage par renforcement avec rétroaction humaine », afin de définir les bonnes et les mauvaises réponses.

Les modèles actuels ont plus de 100 milliards de poids, bien que le nombre exact de modèles plus récents comme GPT-4 ou Gemini Ultra ne soit pas connu ; GPT-3 a 175 milliards de poids, contre 530 milliards pour l’ancien modèle PalM2 de Google. Le nombre croissant de poids entraîne une limitation des fournisseurs pertinents, car ils ont besoin d’énormes capacités de calcul pour l’entraînement.

Large Language Models : comment se lancer ?

Les LLM sont faciles à prendre en main : il suffit de rédiger une demande dans le champ de saisie et une réponse vous est automatiquement retournée. Les réponses des LLM peuvent également vous laisser perplexe lorsqu’un modèle se met à halluciner. L’hallucination ici signifie que les modèles génèrent des contenus très plausibles, mais qui ne sont pas vrais. Cela peut notamment poser des problèmes dans un contexte d’entreprise. D’où provient ce problème ? Il peut provenir d’inputs trop courts et imprécis, ou encore simplement d’un manque d’informations. Mais ce cas devrait se produire dans une mesure limitée. En effet, les LLM ne sont pas des encyclopédies conçues pour fournir des explications factuelles, mais plutôt des outils aidant à concevoir de nouveaux contenus plausibles. L’hallucination peut être limitée, entre autres, par le prompt engineering (l’ingénierie de requête), c’est-à-dire la saisie d’instructions d’action spécifiques et la saisie du contexte. L’ingénierie de prompt peut être divisé en trois catégories de complexité : zero shot, one shot et few shot.

Zero-shot:

Ici, le LLM est confronté à une requête pour laquelle il n’a pas reçu d’entraînement spécifique. Le LLM doit être en mesure de comprendre la requête et d’y répondre, même s’il n’a pas vu un exemple direct pour cette requête pendant l’entraînement.

One-shot et few-shot:

Un LLM reçoit par requête un seul exemple (one shot) ou une poignée d’exemples (few shot) pour une tâche donnée et doit apprendre à comprendre et à maîtriser ces requêtes. Ces approches permettent d’utiliser les LLM de diverses manières sans fournir un ensemble complet d’exemples de requêtes spécifiques.

Le meilleur modèle pour un cas d’utilisation particulier dépend de divers paramètres. Par exemple, s’il est nécessaire d’avoir accès à des données en temps réel ou si le modèle doit être re-entraîné sur ses propres données. Divers benchmarks tels que le benchmark MMLU, qui contient 57 questions de différents domaines tels que les mathématiques, l’histoire des États-Unis et le droit, peuvent fournir une indication initiale des modèles susceptibles de convenir au cas d’utilisation. Néanmoins, les tests spécialement conçus pour répondre précisément au cas d’utilisation sont la meilleure méthode pour trouver le modèle le plus approprié.

Quels sont les défis liés à l’utilisation pratique des LLM ?

Toute entreprise qui souhaite intégrer des LLM devrait prendre en compte quatre aspects :

Est-ce que les LLM peuvent être utilisés dans le secteur de l’assurance ?

Les LLM sont alimentés par des informations provenant d’Internet de sources de données privées, d’où la très faible portion de données relatives aux assurances. Les modèles open source peuvent être entraînés pour une utilisation dans les assurances, notamment à l’aide de mots-clés spécifiques au domaine. La constitution des LLM dépend majoritairement de leur utilisation spécifique. Voici un cas d’utilisation spécifique aux assurances dans le domaine du potentiel de vente.

Cas d’utilisation : Devenir un champion du dialogue avec les clients, qu’il s’agisse de ventes, de déclarations de sinistres ou de questions sur les contrats.

Les interactions avec les clients suscitent plusieurs questions :

• Les clients reçoivent-ils les informations précises dont ils ont besoin pour conclure un contrat ?
• Les clients peuvent-ils rapidement déclarer leur sinistre et sont-ils suffisamment pris en charge ?

Les LLM présentent un potentiel considérable dans les interactions vocales et textuelles avec les clients. Les trois principaux avantages de l’intégration des LLM sont les suivants :

1. Vers une interaction plus personnalisée et plus naturelle avec les clients

Les requêtes sous forme de formulaires et les chatbots qui ne comprennent que quelques formulations créent de la frustration chez les clients. Des chatbots et des voicebots réellement fonctionnels et qui comprennent les informations contextuelles et les formulations variées grâce à l’intégration des LLM représentent une énorme valeur ajoutée pour les clients et augmentent leur satisfaction grâce à une conversation naturelle et personnalisée.

2. Priorité aux interactions réellement importantes

L’augmentation du volume dans le centre de contact client et la diminution du nombre de spécialistes entraînent une pression temporelle croissante et laissent peu de temps au personnel pour répondre aux demandes individuelles et critiques. L’utilisation de LLM dans les voicebots permet de résoudre rapidement et efficacement les interactions simples et non critiques, tout en laissant au personnel suffisamment de temps pour traiter les demandes critiques.

3. Possibilités d’intégration rapides et évolutivité facile

Jusqu’à présent, les solutions dans le domaine des chatbots et des voicebots nécessitaient soit une formation approfondie, soit une personnalisation importante, tandis que la qualité de résolution des cas d’utilisation reste approximative. Les LLM s’intègrent rapidement et en toute simplicité dans les bots et les contacts existants et permettent une évolutivité facile en cas de besoin croissant.

Une condition centrale pour l’intégration des LLM dans les processus d’assurance est une plateforme omnicanale qui garantit le même niveau d’information sur tous les canaux de vente et de service.

Exemple de parcours utilisateur pour la conclusion d’un contrat

Viola est cliente d’une compagnie d’assurance et a demandé un devis en ligne pour une nouvelle assurance ménage il y a une semaine. Après avoir opté pour l’offre, Viola souhaite tout de même souscrire la police en personne via un centre de contact et décide de passer un appel.

Mythe ou véritable facteur de productivité ?

Les LLM sont de puissants modèles d’IA basés sur des réseaux neuronaux qui apprennent de manière autonome des modèles complexes à partir de grandes quantités de données textuelles non structurées. Les LLM se distinguent par leur capacité d’apprentissage par transfert et sont notamment utilisés dans le traitement automatique des langues, la génération automatique de textes et les systèmes de questions-réponses.
L’apport réel des LLM à l’augmentation de la productivité pour les assurances dépend de plusieurs facteurs. Il faut choisir le bon LLM, l’intégrer dans les systèmes en place et avoir un personnel qualifié. Toutefois, les avantages des LLM dans le secteur des assurances sont clairs. Ils peuvent contribuer à améliorer la satisfaction des clients, à accroître l’efficacité et à réduire les coûts. Si leur mise en œuvre répond aux attentes des utilisateurs, alors l’utilisation massive des LLM dans le secteur des assurances n’est plus donc qu’une question de temps. Mais malgré tout l’engouement pour les nouvelles technologies, la priorité reste claire : rendre la base de données exploitable. Cela implique de définir les données nécessaires, de les collecter, d’améliorer leur qualité et de les rendre accessibles en vue de leur utilisation. Toutes les entreprises, quel que soit leur secteur d’activité, ont encore des défis à relever sur ce plan.