Scénario illustratif.Illustrative scenario. Ce contenu est un exemple de démarche possible et ne confirme pas un mandat client réel.This content is an example of a possible approach and does not confirm a real client engagement.
- AccueilHome
- RéalisationsProjects
- IA & machine learningAI & machine learning
- Détection de fraude explicableExplainable fraud detection
Détecter la fraude avec une IA explicableDetecting fraud with explainable AIDes alertes que les enquêteurs comprennent et peuvent justifier.Alerts that investigators understand and can justify.
L’assureur repérait les réclamations suspectes à l’aide de règles fixes, de plus en plus contournées. Mirador a développé un modèle de détection de fraude explicable, intégré au travail des enquêteurs.
The insurer flagged suspicious claims using fixed rules that were increasingly being circumvented. Mirador developed an explainable fraud detection model embedded in investigators’ work.
Le contexteThe context
Les réclamations en assurance automobile et habitation sont analysées par une équipe d’enquêteurs spécialisés. Les règles en place généraient beaucoup de fausses alertes et laissaient passer des schémas de fraude nouveaux.
Auto and home insurance claims are reviewed by a team of specialized investigators. The existing rules generated many false alerts and missed new fraud patterns.
L’assureur voulait recourir à l’apprentissage automatique, mais refusait toute boîte noire. Chaque décision touchant un assuré devait pouvoir être expliquée, conformément à ses obligations réglementaires et à la Loi 25.
The insurer wanted to use machine learning but refused any black box. Every decision affecting a policyholder had to be explainable, in line with its regulatory obligations and Law 25.
Les enjeuxThe challenges
- Les cas de fraude confirmés étaient rares et inégalement documentés.Confirmed fraud cases were rare and unevenly documented.
- Les enquêteurs devaient comprendre chaque alerte pour agir.Investigators needed to understand each alert in order to act.
- Le modèle ne devait pas introduire de biais envers certains groupes d’assurés.The model must not introduce bias against certain groups of policyholders.
- Les décisions automatisées étaient soumises à des exigences de transparence.Automated decisions were subject to transparency requirements.
Notre démarcheOur approach
- 01
Cadrage avec les enquêteursScoping with investigators
Nous avons documenté les schémas de fraude connus et défini avec l’équipe d’enquête ce qu’est une alerte utile.
We documented known fraud patterns and defined with the investigation team what makes an alert useful.
- 02
Conception responsableResponsible design
Nous avons choisi des variables justifiables et défini des tests de biais et d’explicabilité avant tout entraînement.
We chose justifiable variables and defined bias and explainability tests before any training.
- 03
Réalisation du modèleModel delivery
Nous avons entraîné le modèle, produit des explications pour chaque alerte et validé les résultats avec les enquêteurs.
We trained the model, produced explanations for each alert and validated the results with investigators.
- 04
Transfert et encadrementTransfer and oversight
Nous avons mis en place le suivi de la performance et des biais, ainsi que la documentation exigée par la conformité.
We set up performance and bias monitoring, along with the documentation required by compliance.
La solutionThe solution
Les résultatsThe results
- Les enquêteurs se concentrent sur les dossiers les plus suspects.Investigators focus on the most suspicious files.
- Les fausses alertes ont nettement diminué par rapport aux règles fixes.False alerts have dropped significantly compared with fixed rules.
- Chaque alerte peut être expliquée à l’interne comme auprès d’un assuré.Every alert can be explained internally and to a policyholder.
- La conformité dispose des éléments nécessaires pour encadrer le modèle dans la durée.Compliance has what it needs to oversee the model over time.
Ce que nous retenonsWhat we take awayL’explicabilité n’est pas une contrainte ajoutée à la fin. Pensée dès la conception, elle devient la raison pour laquelle les enquêteurs adoptent l’outil.
Explainability is not a constraint added at the end. Built in from the design stage, it becomes the reason investigators adopt the tool.
Expertises et offresExpertise and offers
Ce projet s’appuie sur les expertises et les offres suivantes.
This project draws on the following expertise and offers.
ExpertisesExpertise
OffresOffers
D’autres projetsOther projects qui pourraient vous inspirer.that may inspire you.
#InnovationFeuille de route data et IAData and AI roadmap
Un diagnostic de maturité et une feuille de route réaliste pour faire de la donnée un levier clinique et administratif, dans le respect de la Loi 25.
A maturity assessment and a realistic roadmap to turn data into a clinical and administrative lever, in compliance with Law 25.
Découvrir le projetExplore the project
#InnovationPriorisation des cas d’usage d’IA générativePrioritizing generative AI use cases
Un cadre clair pour choisir les cas d’usage d’IA générative les plus utiles, tout en encadrant les risques et en préparant les équipes.
A clear framework for choosing the most useful generative AI use cases, while managing risks and preparing teams.
Découvrir le projetExplore the project
#InnovationPrévision de la demande alimentaireFood demand forecasting
Des modèles d’apprentissage automatique qui anticipent la demande par produit et par entrepôt pour réduire les pertes et les ruptures.
Machine learning models that anticipate demand by product and warehouse to reduce waste and stockouts.
Découvrir le projetExplore the project