Fonctionnement interne des modèles de tarification ML: un article de Marie-Pier Côté remporte le prix 2021 du North American Actuarial Journal
Depuis 1983, le comité de rédaction du North American Actuarial Journal sélectionne un article qui se démarque parmi les dizaines publiés. En 2021, le prix a été attribué à notre chercheure membre Marie-Pier Côté ainsi qu’à Roel Henckaerts, Katrien Antonio et Roel Verbelen pour leur article «Boosting Insights in Insurance Tariff Plans with Tree-Based Machine Learning Methods».
Les avantages de l’apprentissage automatique sont nombreux. Il peut aider les organisations à tirer le meilleur parti des données brutes, et ses applications promettent d’améliorer la vie des gens. La profession actuarielle partage le pouvoir potentiel de l’apprentissage automatique, mais les nouvelles technologies peuvent être perturbatrices. Les modèles actuariels de ML, par exemple, peuvent être si complexes qu’ils manquent de transparence, ce qui risque d’affaiblir la confiance des consommateurs et d’éveiller les soupçons des régulateurs.
Le sujet d’actualité du ML actuariel a fait l’objet d’un article du North American Actuarial Journal (NAAJ) qui a été choisi comme le meilleur de l’année 2021. Cet article primé examine les modèles de tarification du ML pour comprendre leur fonctionnement et explorer les applications du monde réel.
Le prix annuel du NAAJ
Chaque année depuis 1983, le comité éditorial du NAAJ sélectionne un article qui se distingue parmi les dizaines publiés. L’article primé en 2021, « Boosting Insights in Insurance Tariff Plans with Tree-Based Machine Learning Methods », rédigé par Roel Henckaerts, Marie-Pier Côté, Katrien Antonio et Roel Verbelen, examine le fonctionnement interne des modèles de tarification ML et des cas d’utilisation pour les actuaires chargés de la tarification.
Restons en contact!
Vous souhaitez être informé des nouvelles et activités de l'IID? Abonnez-vous dès maintenant à notre infolettre mensuelle.