Notre client, un important fournisseur de services financiers proposant des cartes bancaires à plusieurs banques partenaires, souhaitait améliorer l’expérience utilisateur en matière d’information sur les couvertures d’assurance associées à leurs différentes cartes. Face à la complexité et à la diversité des offres d’assurance, les utilisateurs peinaient à identifier clairement les garanties auxquelles ils avaient droit selon leur type de carte.
Pour répondre à ce besoin, nous avons conçu et implémenté une solution innovante basée sur la technologie « Retrieval Augmented Generation (RAG) ». Cette solution devait être déployée sur une plateforme à fort trafic, accueillant plus de 600 000 utilisateurs uniques mensuels, ce qui nécessitait une infrastructure robuste et sécurisée.
Exigences de précision : Dans le domaine financier et assurantiel, la précision des informations est cruciale. Tout conseil erroné pourrait avoir des conséquences juridiques et financières significatives.
Contraintes de sécurité : Le traitement de données financières sensibles imposait des standards de sécurité très élevés, conformes aux réglementations bancaires.
Performances à grande échelle : Avec 600 000 utilisateurs mensuels, le système devait maintenir des temps de réponse optimaux même en période de forte affluence.
Diminution des sollicitations du service client : Baisse de 45% des demandes d’assistance concernant les couvertures d’assurance, permettant aux équipes de se concentrer sur des problématiques plus complexes.
La scaleup (+50M levés) permet aux commerçants de vendre des assurances sur leurs produits.
Exemple : Lorsque vous allez chez Darty pour acheter une machine à laver, vous pouvez souscrire à une assurance proposée par Neat en même temps. L’assureur, Neat et Darty gagnent alors de l’argent.
Neat souhaite désormais scaler son modèle afin de le proposer aux Ecommerçants.
Mais cela crée un challenge de taille. Car il faut qu’un algorithme se charge d’identifier automatiquement quels produits du catalogue du e-commerçant est éligible à quelle assurance… et il existe souvent des milliers de produit par catalogue.
Lorsque nous avons rencontrés Neat, ils avaient créé un algorithme avec un F1-Score de 85%. Pour faire simple, dans 15% des cas, l’algorithme se trompait en déclarant éligible à des assurances des produits qui ne l’étaient pas ou en déclarant des produits non éligibles alors qu’il l’était.
Nous avons fait passés le F1-Score de l’algorithme de 85% à 99.1% en 3 mois.
Neat va gagner des dizaines de milliers d’euros supplémentaires dès le mois prochain et des millions à l’échelle de quelques années.
Développement d’un outil qui automatise la réalisation d’audits énergétiques pour une société d’audits énergétiques.
Création d’une architecture évolutive qui permet de réaliser automatiquement les certifications et l’évaluation de la conformité à un certain nombre de normes.
Nous avons dû construire une architecture totalement modulaire afin de permettre aux collaborateurs du cabinet (qui n’est pas composée d’ingénieurs ni de développeurs) de progressivement prendre la main sur le produit développé, afin de se l’approprier et ajouter, au fil de l’eau, de plus en plus de critères de conformité afin de réaliser l’intégralité de leur processus de certification de manière automatique grâce à notre produit d’intelligence artificielle.
De 1 à 3 jours économisés lors de la réalisation d’un audit énergétique pour les auditeurs de la société de conseil accompagnée.
Trois certifications sont réalisées à 70% par notre IA.
De plus, plusieurs autres certifications sont en cours d’automatisation grâce au produit IA développé pour la société.
