Rencontres du Risk Management AMRAE 2020 Atelier A8 Qu'apporte l'Intelligence artificielle au Risk Management ? 1 Sommaire ▪Introduction ▪Cas pratiquesd’utilisation ▪Quelsconstats? 2 Sommaire ▪Introduction ▪Cas pratiquesd’utilisation ▪Quelsconstats? 3 L’intelligenceestartificielle •Des formulesmathématiques •Des données •Portéepar des machines (ordinateur, calculateur…) •Pilotéepar des Humains •Pas de magie •Pas de science fiction •Pas de machines dotées d’une intelligence autonome (non programmée), •Pas de robots ayant une quelconque émotion (spontanée) 4 Oùl’IApeut-elleintervenirdans le processusde Risk Management ? 5 1. Identifier 2. Analyser Evaluer 3. Prioriser Décider 4. Traiter 4. Piloter/revoir € Risque environnemental Risque SupplyChain ReportingNLP Pilotage des risques Sommaire ▪Introduction ▪Cas pratiquesd’utilisation ▪Quelsconstats? 6 7 Identification et évaluationdes risques AI & Big Data Interests for AXA XL Productivity Gains Automated simple risks assessment Automatic assessment of surveys Repeatable & auditable processes Better Pricing & Segmentation Insurance loss improvement Better UW segmentation & risk selection Accumulation risk monitoring & modelling Augmented Client Risk Consulting Offers Whole client’s risks portfolio assessment Risk assessment & prioritization Suitable field risk engineering Increased Risk Knowledge Deeper and wider risk insights Access to unstructured data Combining claims experience & risks data Better serve our clients as per our «Payer to Partner» strategy 8 AXA XL Environmental Risk Consulting Approach Our environment liability risk consulting service starts with by assessing at macro level the portfolio environment sensibility grading, enabling focusing site specific surveys based on overall analysis’ outcomes. Desk environmental portfolio risk mapping & prioritization Desk site-specific risk assessment through digital risk engineering (self-assessment questionnaire / risk mapping / base prevention recommendations) Specialized audit survey at site level: detailed vulnerabilities assessment, loss scenarios, prevention & loss mitigation recommendation, investments strategy, follow-up LEVEL 1: Portfolio Analysis LEVEL 2: Site Desk Analysis LEVEL 3: Site Field Survey Severity Vulnerability Environmental Sensitiveness Protection Measures Client / Site Activities’ Risks Prevention Measures Severity Vulnerability Environmental Sensitiveness Protection Measures Client / Site Activities’ Risks Prevention Measures Severity Vulnerability Environmental Sensitiveness Protection Measures Client / Site Activities’ Risks Prevention Measures Knowledge enrichment Purpose of the project 9 EnvironmentalSensibilityPortfolio Assessment WorldWorld Database on Protected Areas (WDPA) EuropeNatura 2000, CORINE Land Cover Natura 2000 WDPA To assess the environmental risk of one given client at portfolio level, we are using external datasets to assess the environmental sensitiveness at location level, and our risk engineering expertise to assess client’s activity risk. 80% of missing values filled-in 10 Camargue Region & Danube Delta Region 11 Benefitsfor the Clients ➢Assess the environmental risk at client location and portfolio level, whatever is the total number of locations / sites in the portfolio(several tens, several hundreds, several thousands…) ➢Provide consistent risk data to our Environmental underwriting for better pricing and segmentation: •Consistent and homogenous environmental risk scores •Opportunity to deepen the investigation on main exposed / risk locations ➢Deliver efficiency gains when conducting our environmental risk consulting advice and services •Quicker risk engineering advice given to underwriters and pre-binding phase •Better support to clients and qualified advice on areas where to focus ➢Develop a value added technology and risk consulting offer for clients •Portfolio risk mapping and ease for risk prioritization and quantification •Opportunity to identify the most exposed / risks sites deserving in-depth risk consulting analysis (either remotely or in the field) •User-friendly platform with uploading / downloading capabilities, risk visualization & monitoring functionalities •Support for proper risk management decisions and investments allocation decision-making 12 Standardize, sophisticate, and expand the way the environmental sensitivity at location and portfolio level is currently assessed, and support the risk managers in the understanding of their exposure and prioritization of their risk engineering investments. Artificial Intelligence Risk Services 13 Info: %89.13 Inf: %97.46 R^2:0.685 P>|t|=0.000 Distribution tests: ✓Kurtosis ✓Durbin-Watson ✓JB R^2:0.743 P>|t|=0.000 ERM processAnalysis About Risk Map This is Plant’ RM computed and plotted by machine This is the BEST RM computed by machine for Plant Necessitate to reallocate the “Maîtrise” and Impact values. The points are better situated than the original one; hence captures more information. Moving from 1 to 3 is better than 1 to 2: Implies that care about “Maîtrise” is better than reducing the impact on the first hand! ProcessCProcessBProcessA Rootcauses Future RiskAIplateform Artificial Intelligence Risk Services 14 Risk2 Internaldatas Externaldatas Risk3 Risk4 Risk1 For each generic risk, we have identified the root causes and their data sets. The analysis and combination of these risks reveals new risks and opportunities for decision making. € Framework Pourquoi l’IA va devenir essentiel au RM ? 15 Numérisation des données •Données chiffrées •Données textuelles •Données audio (texte / intonation) •Données faciales… Modèles statistiques Modèles mathématiques Transformés en algorithme pour une analyse plus détaillée «Factualisation» de la donnée Combinaison des données Bénéfices •Passer du ressenti des risques à une évaluation plus factuelle •Révélateur denouveaux risques, corrélation ou causalité Analyse 16 Retard de livraison ! Gestion des stocks ! ➢Valeurs et Impact? ➢Probabilité ? ➢Coût ? ➢Quand ? Business case : Rupture de Supplychain Identifier le risque de retard de livraison 17 More Safe LessSafe 1. Identifier 1)Extraction SAP 2)Retard constaté chez + de 50% des fournisseurs 3)Détection d’une cyclicité des retards par produit / fournisseur Action RM : alerter les achats / négo contractuelle / pénalités 18 Low cost | Short delivery delays | Low risk Low cost | Short delivery delays | High risk High cost| Long delivery delays | Low risk Leretardmoyendelivraisonest de57joursentrainantune probabilitéde36%depertede 41M€deCAdansl’année. 2. Analyser Evaluer 1)Combinaison fichiers Produit / Présence marché CA 2)Evaluation de la rupture de présence Evaluer le risque de retard en Absence de produit sur le marché Action RM : alerter l’usine / réfléchir avec le directeur de l’usine, du niveau acceptable Trouver un chemin optimum de commande 19 Pourunbondecommandede40000 unités,lemontantplussécuriséenjanvier estde22597unitésavec0joursderetard avecuneprobabilitéde100%.Cependant, RiskAImontrequeleniveaudestockest de11976pourjanvieret23850pourfévrier ...C’estàvousdedécider! 4. Traiter Action RM : transmettre aux achats les analyses, ajuster les commandes et les stocks, gain d’opex( minimiser le coût du stock) 1)Intégrer les stocks de sécurité constitué dans l’usine / le plan de production industrielle / la cyclicité 2)Définir un chemin de commande optimisé Par la suite, pour finaliser (analyse textuelle) •Analyse les contrats cadre fournisseur •Vérification des clauses et des conditions de commande •Optimisation de la quantité / date de commande De nombreuses pistes, envies, combinaisons s’ouvrent à nous! 20 21 Traitementdes risques ✓Rapports de prévention ✓Bases de donnéessinistres ✓Listedes sites et des TIV Amélioration de la prévention avec l’IA 22 Pourquoi? ❖80%desdonnéessousformedetextesousexploitées ❖Mieuxexploiter/valoriserlesinformationsdesrapportsde préventions ❖Mieuxclasser/prioriserlesactionsdepréventions ❖Mapréventionestelleadaptéeàmonprofilderisque Percentile Estimated cost Share of the total estimated cost 95% - € - € 0% 97% 1 500 € 35 162 € 2% 98% 3 333 € 162 085 € 11% 98,5% 4 286 € 268 550 € 18% 99% 5 000 € 478 550 € 33% 99,5% 7 500 € 525 050 € 36% 99,8%30 000 € 930 050 € 63% 99,9%38 750 € 1 085 050 € 74% 100,0%155 000 € 1 465 050 € 100% Human Comment ? De quoi ai-je besoin? TextMining -Natural LanguageProcessing ➢Pour lire/analyser et classer les recommandations Les modèles actuariels ➢Pour corréler les recommandations avec les sinistres et modéliser les enjeux financiers Présentation de la démarche 23 •Préparation de la données -Le texte est extrait et transformé en un corpus interprétable par les algorithmes. •Le NLP (traitement du langage naturel) est ensuite utilisé après structuration des données par tokenisation, suppression des stopwords, lemmatisation, stemmatisation, part of speech tagging. •Classification par mot clés et groupe de mots (topics) •Travail en collaboration avec les experts métier afin d’améliorer et d’orienter les modèles générés algorithmiquement; •Fusion des résultats avec d'autres données telles que les sinistres, les TIV (Total Insured Value). ..afinde créerdes indicateursdynamiquesd’aidentà la décision, des cartesgraphiquesinteractive, etc.. •Cela permet de mettre en évidence les problèmes de décision liés à la gestion des sinistres. Step 4: Interpretation Step 1: Traitementde la donnée/NLP Step 2:Machine learning non supervisée •Utilisationdes techniques de machine learning superviséespour : •Créerunetaxonomieadaptéeau casd’usage •Générerdes catégoriesde classification rattachablesà des variables identifiées(par prix, par nature, etc) Step 3: Calibratiionet machine learning supervisée Amélioration de la prévention avec l’IA 24 Optimisation des recommandations et de la gestion globale de la prévention grâce à un outils sur mesure Tableau de bord clair pour optimiser le suivi des recommandations Optimiserle système de priorisation et de mise en œuvre des recommandations Améliorer le suivi etla mise en œuvre des recommandations Mieux qualifier la pertinence des recommandations au regard des sinistres. Avoir une meilleure compréhension et connaissance de prévention/profil de risque Améliorer la perception des marchés de l'assurance sur la qualité du profil de risque de l'entreprise en montrant une capacité accrue à surveiller et à améliorer le risque. Quick Win 85% 5% 2% 8% NUMBER OF RECOMMANDATIONS FireMachinery break downNatural eventsOthers Amélioration de la prévention avec l’IA 25 33% 38% 8% 21% NUMBER OF CLAIMS 85% des recommandations concernent les incendies et 5% concernent les bris de machines, contre 33% des sinistres concernent les incendies et 38% en ce qui concerne les bris de machines 0 1000 2000 3000 4000 Operating loss Natcat Safety Machine Means intervention Protection means Management system number of recommendations «Système de management» correspond à 41 % des recommandations et à 1,3% des coûts estimés. 0,0 5,0 10,0 15,0 20,0 Protection means Means intervention Management system Machine Safety Natcat Operating loss cost estimate M€ Moyen de protection concernent la détection d'incendie, les installations de sprinklers, et toutes les installations coûteuses de matériel pour la sécurité. Le coût estimé de la mise en œuvre de cette catégorie est de XXM€ La France et les Etats-Unis représentent 73% du nombre de recommandations, et 72% des réclamations Amélioration de la prévention avec l’IA 27 Pilotage des risques 28 Comment gérersesrisquesface à unesituation nouvelle 29 Pilotage des risques L’IA vouspropose plusieurs options dontcelle-là L’IA vouspropose plusieurs options dontcelle-là La démarche proposée Problématiques nouvelles RM Exemples de KPI pour mesurer l’IA L’IA industrialise l’aide à la décision plus efficacement L’IA apporte plus d’objectivité et de pragmatisme L’IA renforce les capacités d’analyse L’IA élargit la perception des risques AMELIORATION DES MODELES D’ANALYSE PREDICTION D’ACTIONS DE REMEDIATION CAS 1 : Grande Distribution (détection fraude), L’IA apprend à partir des données brutes, améliore les modèles existantes et découvre des nouveaux cas CAS 2: Groupe + Mutuelle (Performance des DMR), L’IA apprend à partir de modifications contextuelles et propose de nouveaux dispositifs de remédiation sur la base d’une analyse prédictive de l’environnement Peud’anticipation,peudepriseencomptedutraitementdes environnementschangeantsetdecapacitéd’anticipation Point à renforcer par l’IA Clients:Groupeinternational Outils:SIGRsurlabasededonnéesd’état,déclarativeset transactionnellespourl’assuranceetlagestiondesrisques. ModulesdeDMRetPLAavecAudit,cartographie,workflow, règlesautomatiséesettableauxdebord Contexte Méthodologiespratiquesd’IA–Apprentissageparrenforcement (neuronesetarbre)surréférentielderisqueetsurlamesuredes performancesdesactionsderemédiation Moyens mis en oeuvre Cas pratique 2 Des propositions d’actions Produire des recommandations sur la maîtrise des risques afin d’accompagner la décision et améliorer les modèles d’analyse CE QUE VOUS VOYEZ Des propositions d’actions de remédiations opérationnelles CE QUE VOUS VOYEZ Comparaisons système expert et IA Apprentissage des risques Modéliser l’environnement du risque (typologie, sévérité, pla, dmr) Simuler les interactions (référentiels, risques) Industrialiser les traitement (signaux faibles, holistiques) Interactions référentiels et risques Analysedes signauxfaibles Sommaire ▪Introduction ▪Cas pratiquesd’utilisation ▪Quelsconstats? 38 39 Forces •Rapidité : temps réel •Fiabilité •Meilleure quantification •Meilleure prise en compte ERM •Prise en compte de situations évolutives Faiblesses •Quantité / Qualité des données •Défrichage des chantiers IA – Durée et coûts •Faible historique/retour d’expérience limitée Opportunités •Nouveaux risques découverts •Corrélation / causalité des risques •Meilleure allocation des ressources •Aide à la décision Menaces •Effet boîte noire de l’algorithme •Biais issus des données •Improvisation •Tout numérique / calculatoire => excès de confiance, fin de l’intelligence humaine? 40 Q&A