Exploitation de LLM pour l'extraction de graphes de connaissances causaux en assurance

L'identification de causes dans les documents sinistres est essentielle pour améliorer l'évaluation des risques et son atténuation. Cependant, la nature textuelle et la complexité des déclarations posent un défi car elles ne s'intègrent pas de manière directe dans les méthodes conventionnelles.
L’objectif de ces travaux est de concevoir des méthodes utilisant les grands modèles de langage (LLM) afin d’extraire des graphes connaissances causaux à partir des corpus documentaires liés à la gestion des sinistres.
D’abord, nous introduirons la méthodologie :
•    Le processus qui vise à extraire des informations cruciales des documents, conduisant à la création d'un graphe de de connaissance causal.
•    La méthode d'itération sur le graphe causal, évaluant la stabilité des résultats, et agrégeant les graphes de documents individuels en un méta graphe bayésien. 
Nous présenterons ensuite deux cas d’usage, l'un consacré aux documents en assurance RC médicale et l'autre aux dossiers sinistres en assurance énergie. Nous reviendrons sur la préparation des données, la modélisation de la structure causale, l’évaluation et l'implémentation du système.
Enfin, nous comparerons les résultats obtenus aux techniques existantes. Nous mettrons en évidence des limites liées à la qualité, à la stabilité, au temps de traitement et à l'empreinte carbone de ces approches. Nous discuterons finalement de la manière dont ces méthodes peuvent contribuer aux sciences actuarielles.