L'IA autodidacte pour des processus automatisés sans rupture de médias.

Cela ne fait aucun doute que les processus numérisés de bout en bout garantissent une grande efficacité des coûts. Les ruptures de médias par le courrier entrant constituent toutefois toujours un obstacle à l'automatisation. Les systèmes simples de reconnaissance de texte (OCR) ont permis au moins d'obtenir des résultats partiels en la matière. La qualité insuffisante des données reste un problème qui n'a pas encore été résolu. Aisaac est un pionnier dans ce domaine et, en tant qu'IA autodidacte, veille à ce que les jeux de données soient toujours meilleurs et toujours plus précis.

Saisir, comprendre, apprendre – Aisaac travaille en trois étapes qui se répètent en boucle :

1. Saisir les données
Pour commencer, Aisaac extrait les données textuelles et les métadonnées pertinentes d'un document. Si un ensemble de données n'est pas clairement lisible pour l'IA – par exemple dans le cas de scans flous - des procédures de correction et de filtrage sont automatiquement appliquées afin d'améliorer la qualité du document.

2. Interpréter et classer les données
Toutes les données d'image, de texte et les métadonnées sont envoyées à la Machine Learning Unit – le cœur d'Aisaac. Ici, les ensembles de données sont recherchés selon des caractéristiques préalablement définies ou apprises et classés en conséquence. Par exemple, un texte contenant le mot-clé « changement d'adresse » est mis à la disposition des systèmes de gestion de portefeuilles d’assurances. Un texte qui remplit tous les critères d'un sinistre est mis à la disposition de la gestion des sinistres.

3. Apprendre à partir des données
Aisaac reconnaît des schémas et des régularités dans les documents et apprend ainsi de manière autonome. De plus, un ensemble de contrôles est mis à la disposition de l'assurance qualité d'adesso insurance solutions. Si des données doivent être corrigées, l'IA en tire également des enseignements.

Ce qui caractérise Aisaac :

• Extraction automatique de données structurées à partir de textes non structurés
• Les ensembles de données sont reconnus et classés, permettant le transfert automatique des données structurées vers des systèmes de traitement en aval
• Meilleur taux de reconnaissance possible grâce à une combinaison de méthodes d'apprentissage automatique, par ex. réseaux neuronaux multicouches, machines vectorielles de support, méthodes d'apprentissage statistique et méthodes d'apprentissage en relation avec le filtrage par motif
• Augmentation significative du taux de processus automatisés, par ex. lors du traitement des déclarations de sinistre
• Neutralité sectorielle de l'IA, permettant une utilisation à l'échelle de l'entreprise ou dans des domaines partiels