Apprentissage automatique pour le secteur des assurances

À partir des données d’entreprise de la SSQ, ce projet mènera à la création de modèles prédictifs les plus précis, les plus justes et les plus équitables pour les besoins des clients en matière de produits d’assurance et pour certains aspects de leur comportement, tels que la probabilité qu’un client ne renouvelle pas une assurance donnée. 

Modèles prédictifs, détection de la fraude et équité : comment mettre l’apprentissage automatique au service du secteur des assurances?

Au cœur de leur mission, l’industrie de l’assurance s’efforce de satisfaire ses clients et de leur proposer les produits d’assurance les mieux adaptés à leurs besoins. Grâce aux nombreuses données d’entreprise accumulées au fil des ans, à la disponibilité de ressources de calcul impressionnantes et à l’état actuel des connaissances en matière de recherche en apprentissage automatique, les compagnies d’assurance peuvent désormais s’efforcer de créer des modèles prédictifs efficaces pour certains aspects du comportement du client et leurs besoins.

Toutefois, les sociétés d’assurance doivent également rendre des comptes à notre société et, en particulier, cela implique qu’elles ne devraient offrir aucun service ni aucune couverture discriminatoire, en quelque sorte, en termes de race, de couleur de peau, d’origine ethnique ou d’autres caractéristiques non pertinentes qui sont, immuablement, immoral à utiliser. En ce sens, le secteur des assurances devrait également être juste dans le service qu’il fournit.

La présente proposition de recherche vise à faire progresser l’état actuel des connaissances dans les domaines de la recherche en apprentissage automatique qui intéressent principalement le secteur des assurances.

Plus précisément, à partir des données d’entreprise de SSQ, l’équipe de recherche vise à créer les modèles prédictifs les plus précis, les plus justes et les plus équitables pour les besoins des clients en matière de produits d’assurance et pour certains aspects de leur comportement, tels que la probabilité qu’un client ne renouvelle pas une assurance donnée.

L’équipe vise également à mettre en place des détecteurs de fraude précis et équitables, capables de détecter la fraude à un stade précoce et de détecter de nouveaux types de fraude.

Pour atteindre ces objectifs, l’équipe de recherche devra adapter les algorithmes d’apprentissage automatique existants de manière innovante et en concevoir de nouveaux, tels qu’ils puissent utiliser et combiner différentes sources de données au cours de l’apprentissage, dont certaines sont de nature séquentielle. De plus, nous devrons trouver des moyens d’imposer l’équité dans les algorithmes d’apprentissage automatique, de sorte que les prédicteurs générés par ceux-ci n’utiliseront pas indirectement des attributs sensibles (tels que la race, l’origine ethnique, la religion, etc.) de manière à les rendre performants de manière inégale entre les différents groupes d’individus.

Organismes partenaires

Équipe de chercheurs

Chercheur responsable du projet

Autres chercheurs de l'IID participant au projet

Équipe complète du projet

Chercheur responsable : Mario Marchand (Université Laval)

Cochercheur(e)s : Thierry Duchesne (Université Laval) et Christian Gagné (Université Laval)

Financement du projet : 2019-2023

Restons en contact!

Vous souhaitez être informé des nouvelles et activités de l'IID? Abonnez-vous dès maintenant à notre infolettre mensuelle.