Cas d’usage · Assurance
Des dossiers atypiques repérés, et chaque score expliqué
Déclarations, contrats, expertises et paiements se croisent dans un modèle qui signale les dossiers à examiner en priorité. Chaque score s’accompagne de ses raisons, chaque version du modèle est approuvée avant la production, et vos gestionnaires gardent la décision.
Le défi
Détecter sans soupçonner tout le monde
- Des données dispersées entre gestion des contrats, gestion des sinistres et paiements.
- Des données personnelles, parfois de santé, qui imposent de limiter ce que voit le modèle.
- Des gestionnaires qui doivent comprendre un score pour s’en servir.
- Une chaîne à documenter, du jeu de données jusqu’au modèle en production.
Comment graal le traite
Du dossier au score expliqué
Étape 01
Réunir
Les connecteurs lisent vos bases de gestion — PostgreSQL, Oracle, SQL Server. Les tables se retrouvent dans le lakehouse, interrogeables en SQL.
Étape 02
Préparer
Un pipeline calcule les indicateurs de chaque dossier et contrôle la qualité des données ; les identifiants directs sont remplacés avant l’entraînement.
Étape 03
Entraîner et expliquer
Vos data scientists entraînent un modèle de gradient boosting dans un notebook ou un job XGBoost. La contribution de chaque variable au score est calculée et conservée avec le run.
Étape 04
Approuver
Une nouvelle version n’entre en production qu’après validation humaine : l’approbateur, distinct de l’auteur, voit les métriques et les données d’entraînement.
Étape 05
Scorer
Les nouveaux dossiers sont scorés à la demande par un point d’accès REST, ou chaque nuit par un job. La dérive des données est suivie.
Le scénario type porte sur les déclarations de sinistres automobile ou habitation d’un assureur, sur quelques années d’historique. Le modèle ne décide pas : il classe les dossiers à examiner, et le gestionnaire voit pourquoi un dossier remonte. Le pilote peut démarrer sur des données synthétiques, avant d’être rejoué sur vos données, dans votre infrastructure.
Le règlement (UE) 2024/1689 sur l’intelligence artificielle classe à haut risque les systèmes d’IA destinés à l’évaluation des risques et à la tarification en assurance vie et en assurance santé (annexe III, point 5 c). graal vous aide à tracer et à documenter ces systèmes.
Ce que vous obtenez
- Une file de dossiers à examiner, triée par score
- Pour chaque score, les variables qui l’expliquent
- Un historique complet : données, paramètres, approbation et version en production
- Une dérive suivie, pour réentraîner au bon moment
Ce qui reste chez vous
- Les données des contrats et des sinistres
- Le jeu pseudonymisé et le code qui le produit
- Le modèle, ses explications et ses approbations
Capacités mobilisées
- Connecteurs
PostgreSQL, Oracle, SQL Server et fichiers.
- Lakehouse et SQL
Tables Iceberg et SQL fédéré avec Trino.
- Notebooks
Jupyter et VS Code pour explorer et modéliser.
- Machine learning
Expériences, registre, scoring REST et dérive.
- Gouvernance
Validation humaine, droits par projet et audit.
Questions fréquentes
Le modèle prend-il la décision ?
Non. Il classe les dossiers ; la décision reste au gestionnaire, qui voit pourquoi un dossier remonte.
Peut-on démarrer sans données réelles ?
Oui. Le pilote peut commencer sur un jeu synthétique, puis passer sur vos données une fois la plateforme installée chez vous.
Comment prouver ce qui tourne en production ?
Chaque version est reliée à son run d’entraînement, à ses données, à son approbation et à son auteur, et le journal d’audit conserve qui a fait quoi.
Préparez ce cas sur vos sinistres
En 8 semaines, un premier modèle expliqué, installé dans votre infrastructure.