Client Assurance

Segmentation d’image quantique pour la cartographie des inondations

Assurance

Brainstorming et exploration

Lors d’une première réunion de brainstorming avec les équipes d’une entreprise d’assurance, nous avons présenté les diverses technologies quantiques ainsi que leurs avantages spécifiques. Cet échange productif a permis d’amorcer une discussion sur les cas d’usage potentiels que le calcul quantique pourrait faciliter. Ensemble, nous avons identifié plusieurs domaines où cette technologie pourrait offrir une réelle valeur ajoutée, formant ainsi une sélection d’opportunités à approfondir lors d’un atelier de recherche interne à l’entreprise d’une durée d’un mois. Pendant cet atelier, QbitSoft a exploré les méthodes quantiques tandis que les équipes Data internes à l’entreprise se sont concentrées sur le déploiement de solutions classiques disponibles sur le marché.

Sélection du cas d’usage (Pourquoi la cartographie des inondations est une mission prioritaire ?)

Les évènements d’inondation figurent parmi les catastrophes naturelles les plus fréquentes et les plus destructrice, se classant juste derrière les tempêtes en termes de coûts liés aux assurances. Une détection précise des inondations est essentielle pour les assureurs car elle leur permet d’estimer efficacement le nombre de demandes d’indemnisation et de répartir les ressources de manière rentable et rapide, ce qui conduit finalement à une plus grande satisfaction des clients.

L’objectif : créer de la valeur Business

Les méthodes traditionnelles de détection des inondations, qui reposent largement sur des modèles d’apprentissage supervisé, sont coûteuses en raison de la nécessité de disposer de données étiquetées manuellement et du coût élevé en ressources de calcul.
Les méthodes classiques de détection non-supervisée peinent à offrir de bonnes performances, étant souvent sensibles au bruit et aux variations de luminosité. L’objectif est de repousser les limites de l’état de l’art en matière de segmentation non-supervisée, tout en minimisant les coûts et l’impact écologique. Il s’agit de développer des approches plus robustes et efficaces, capables de surmonter ces défis sans recourir à des ressources informatiques excessives.

L’exploration : Proof of Concept(POC)

Notre second module quantique, baptisé Q-SEG, est un module de segmentation d’image quantique conçu pour détecter efficacement les zones inondées à partir d’images satellitaires. Nous avons validé notre solution en utilisant le jeu de données Sen1Floods11, qui couvre 18 événements d’inondations à travers le monde, et réalisé un benchmark avec des méthodes non-supervisées ainsi que les modèles supervisés de pointe en machine learning. Q-SEG a montré des performances exceptionnelles, surpassant les approches non supervisées traditionnelles et rivalisant avec les méthodes supervisées de pointe. De plus en tant qu’approche non-supervisée, Q-SEG permet de contourner les problématiques liés à l’acquisition de données labellisées, ne nécessite pas de phase d’entrainement préalable et réduit donc considérablement les coûts et l’impact écologique des processus de segmentation.

Segmentation d'image quantique

L’impact : vers une transformation à grande échelle

Satisfaits par ces résultats prometteurs, nous avons finalisé la validation et l’optimisation de notre pipeline. Qseg est désormais une solution prête à être déployée, apportant une véritable révolution dans les méthodes de détection des sinistres. Parallèlement, notre équipe travaille à l’adaptation de Qseg pour d’autres cas d’usage, notamment la détection des feux de forêt.

Contactez notre équipe pour en savoir plus sur notre plateforme

Retour en haut