Accueil / Prototype / Détection de fraude 

Constats Automobile,
optimiser la rétention des
l’IA à l’assaut de la détection de fraude

Négliger un léger détail sur son constat auto, déclarer un sinistre qui n’en est pas un, désigner un innocent coupable … Chaque année, la fraude à l’assurance auto pèse près de 2,5 milliards d’euros, soit 5% des primes. Avec l’aide de deux courtiers renommés sur la place et une IA Factory partenaire, nous avons cherché comment mettre à profit l’Intelligence Artificielle pour démasquer les adhérents fraudeurs.

Date de réalisation : 2021
Catégorie : Prototype
Mots-clés : Intelligence Artificielle, Détection de fraude, Gestion de Sinistre, SI augmenté

Problématique

L’essentiel des constats automobiles sont encore transmis aux compagnies au format papier. Difficile alors pour les services de gestion de démêler le vrai du faux, sans y consacrer une énergie démesurée. Nous avons donc mutualisé nos compétences afin d’imaginer une solution technologique capable d’optimiser la gestion de la sinistralité automobile. Notre objectif : automatiser une partie de la chaîne de gestion de sinistres en décryptant, à l’aide de l’IA, l’écriture manuscrite sur les constats automobiles.

Problématique

L’essentiel des constats automobiles sont encore transmis aux compagnies au format papier. Difficile alors pour les services de gestion de démêler le vrai du faux, sans y consacrer une énergie démesurée. Nous avons donc mutualisé nos compétences afin d’imaginer une solution technologique capable d’optimiser la gestion de la sinistralité automobile. Notre objectif : automatiser une partie de la chaîne de gestion de sinistres en décryptant, à l’aide de l’IA, l’écriture manuscrite sur les constats automobiles.

Méthodologie

Dans le cadre du développement de ce prototype, deux courtiers partenaires ont partagé leurs données afin de créer un dataset d’un millier de constats automobiles anonymisés. Ingérées, ces données nous ont permis de penser et tester plusieurs algorithmes open source (Faster RCNN, REGEX, CRAFT, POS, etc.) afin de trouver la meilleure combinaison et obtenir des taux d’extraction et de lecture des constats automobiles avoisinant les 70%.1

Pour cela, la stratégie employée s’est organisée autour de 4 grandes étapes : 

  • Segmentation des constats (perf = 91%)
  • Extraction du texte manuscrit (perf = 88,2%)
  • Lecture du texte extrait (perf = 82% à 92%)
  • Extraction et analyse des images

Méthodologie

Dans le cadre du développement de ce prototype, deux courtiers partenaires ont partagé leurs données afin de créer un dataset d’un millier de constats automobiles anonymisés. Ingérées, ces données nous ont permis de penser et tester plusieurs algorithmes open source (Faster RCNN, REGEX, CRAFT, POS, etc.) afin de trouver la meilleure combinaison et obtenir des taux d’extraction et de lecture des constats automobiles avoisinant les 70%.1

Pour cela, la stratégie employée s’est organisée autour de 4 grandes étapes : 

 

  • Segmentation des constats (perf = 91%)
  • Extraction du texte manuscrit (perf = 88,2%)
  • Lecture du texte extrait (perf = 82% à 92%)
  • Extraction et analyse des images

Résultat

Afin de rendre la donnée accessible à tous, une plateforme de téléchargement des constats automobiles a été développée. Il lui faut seulement 15 secondes pour analyser le document soumis et identifier d’éventuelles zones de fraude. Les informations extraites sont restituées via un fichier JSON et, ensuite, soumises à un traitement manuel par les agents en charge des dossiers.

Résultat

Afin de rendre la donnée accessible à tous, une plateforme de téléchargement des constats automobiles a été développée. Il lui faut seulement 15 secondes pour analyser le document soumis et identifier d’éventuelles zones de fraude. Les informations extraites sont restituées via un fichier JSON et, ensuite, soumises à un traitement manuel par les agents en charge des dossiers.

A découvrir également…