Traitement du langage naturel et transformation numérique des réclamations

Par Adam Fisher, responsable des données

Ce n'est pas vraiment un secret commercial ; toute personne ayant déjà déposé une demande d'indemnisation ou de prestations sait que cela implique beaucoup de formulaires et de paperasse.

Le contenu de ces documents, combiné aux notes de l'examinateur ou de l'expert désigné, constitue les éléments fondamentaux d'un dossier de sinistre. Pourles scientifiques des donnéescomme moi, ces informations se traduisent par un potentiel de milliers de points de données qui peuvent être analysés et utilisés pour identifier des tendances et générer des rapports.

Ces dernières années, les fournisseurs de systèmes d'information de gestion des risques (RMIS) et d'autres acteurs du secteur des assurances ont utilisé des données structurées — clairement définies, généralement quantitatives et faciles à manipuler — pour alimenter des tableaux de bord automatisés et mesurer les résultats. Cependant, les données non structurées, telles que les documents numérisés, email et les notes libres, sont principalement qualitatives et sont restées une ressource largement inexploitée du point de vue des systèmes de gestion des sinistres, en raison du temps et des efforts nécessaires pour en extraire les informations. Du moins, jusqu'à présent.

PNL : la nouvelle frontière

Le traitement du langage naturel (NLP) est une application de l'intelligence artificielle dans laquelle les ordinateurs « lisent » et interprètent les informations numériques, de la même manière qu'une personne le ferait. L'utilisation du NLP peut aller du traitement de texte de base àl'apprentissage automatiquequi permet aux ordinateurs de déduire le sens du langage humain.

La technologie NLP recèle un potentiel énorme pour améliorer l'efficacité et approfondir la compréhension de divers aspects de la gestion des sinistres. Je voudrais mettre en avant quelques applications NLP qui illustrent comment cette technologie peut améliorer notre efficacité opérationnelle et la qualité des services que nous fournissons à nos clients, à leurs employés et à leurs propres clients.

Automatisation de la réception des réclamations

Sedgwick compte certains clients américains qui signalent les nouvelles demandesd'indemnisation des accidents du travailvia une email dédiée. Nous disposons d'une équipe de collègues qui surveille cette boîte mail et saisit manuellement toutes les informations relatives aux demandes dans notre système de réception. En fonction du nombre de demandes reçues chaque jour dans cette boîte mail, les demandes peuvent rester en attente pendant plusieurs heures.

Nous avons commencé à mettre en œuvre un programme qui utilise le NLP pour transformer complètement ce processus. Pour notre client pilote, nous avons appliquél'automatisation robotisée des processus (RPA)afin de surveiller le trafic entrant dans la boîte mail. Lorsqu'un nouveau message arrive, un « bot » enregistre les fichiers joints et les télécharge sur notreplateforme smart.ly. Le bot utilise le NLP pour lire les documents et extrait automatiquement 93 informations nécessaires pour lancer le processus de réclamation. Ce processus est bien plus sophistiqué que la simple numérisation et la reconnaissance optique de caractères (OCR) ; nous avons formé notre système à accepter un large éventail de formats de documents et à faire correspondre les informations intégrées aux champs appropriés dans des paires étiquette/valeur avec un niveau de précision extraordinaire.

Une fois que le système a validé les données extraites, une nouvelle demande est créée, le tout en moins d'une minute et sans intervention humaine ! L'utilisation du NLP dans ce projet pilote a considérablement réduit les délais de traitement des demandes, ce qui signifie que nous pouvons affecter plus rapidement des examinateurs pour aider les travailleurs blessés ou malades à la suite d'accidents du travail. Nous avons pour objectif de déployer cette solution auprès d'autres clients dans les mois à venir.

Possibilités de subrogation

Chez Sedgwick, notre rôle consiste en partie à enquêter sur les circonstances entourant une réclamation et à identifier qui est responsable de couvrir le sinistre. Souvent, il s'agit de notre client ; d'autres fois, il s'agit d'un tiers. Dans les cas où notre client a versé une indemnité et où nous déterminons qu'une autre partie est responsable, nous nous efforçons de récupérer l'argent par voie desubrogation.

Les clients sont bien sûr toujours ravis lorsque ces coûts peuvent être récupérés à juste titre ; cependant, il peut être difficile d'identifier les sinistres pour lesquels la subrogation est justifiée. Nous disposons d'une équipe de spécialistes excellents et expérimentés qui examinent attentivement les sinistres afin d'identifier les possibilités de recouvrement, mais la responsabilité d'un tiers n'est souvent pas explicitement mentionnée.

Afin de mieux aider nos clients à identifier les sinistres pouvant faire l'objet d'une subrogation, nous développons un modèle informatisé qui, à l'aide du traitement automatique du langage naturel (TALN) et de l'apprentissage automatique, peut examiner les notes et les documents relatifs aux sinistres à la recherche d'indices linguistiques permettant d'établir la responsabilité d'un tiers. Nous avons conçu ce modèle pour rechercher des références pouvant suggérer l'existence d'une autre partie responsable, telles que des dysfonctionnements de produits, des morsures de chien et des collisions par l'arrière. Il s'agit des mêmes indices que ceux recherchés par nos spécialistes professionnels, à la différence près qu'un ordinateur peut lire beaucoup plus de texte en beaucoup moins de temps. Les tests préliminaires montrent que le modèle est plus de 70 % aussi efficace qu'un être humain pour identifier les sinistres qui méritent une enquête plus approfondie en vue d'une subrogation.

Ce que l'avenir nous réserve

Ce ne sont là que deux exemples parmi tant d'autres de la manière dont la technologie NLP peut apporter une valeur ajoutée et améliorer la gestion des sinistres. Nous explorons en permanence de nouvelles possibilités pour exploiter nos données non structurées (dont plus de 4 milliards de notes dans notre système principal pour les sinistres liés aux accidents et aux absences du personnel aux États-Unis !) afin de promouvoir la cohérence et l'efficacité.

Comme le montrent ces exemples, l'objectif de cette technologie n'est pas d'éliminer l'intervention humaine, mais plutôt d'automatiser les aspects routiniers du processus afin que les professionnels talentueux et attentionnés puissent mieux se concentrer sur ce qu'ils font le mieux. L'utilisation du NLP pour la prise en charge permettra à nos collègues de consacrer leur énergie aux aspects stratégiques et empathiques du service à la clientèle. De même, notre modèle de subrogation NLP ne remplacera jamais nos experts en recouvrement. Il est conçu comme un outil supplémentaire qui aide les clients à maximiser les possibilités de subrogation et à attribuer équitablement la responsabilité des pertes. L'utilisation du NLP pour analyser rapidement des milliers de documents et de notes nous permettra de mieux exploiter les compétences d'enquête de nos spécialistes en recouvrement et de saisir des opportunités plus intéressantes.

La technologie continue d'évoluer, et les scientifiques des données parlent de plus en plus decompréhensiondu langage naturel plutôt que de traitement ; cependant, l'élément humain des réclamations est là pour rester. Chez Sedgwick, notre conviction que «l'attention compte »signifie que nous aurons toujours des collègues compétents et compatissants prêts à vous aider lorsque l'imprévu survient.

> En savoir plus — découvrezl'expérience numérique de Sedgwick, axée sur les personnes, à la pointe de la technologie et fondée sur les données.