Mémoire d'actuariat

Eléments d'Intelligence Artificielle faible en Provisionnement Non-Vie
Auteur(s) ORTIZ Loup
Société Milliman
Année 2019

Résumé
Le provisionnement est l'un des coeurs de métier de l'actuariat. Du fait des enjeux stratégiques et économiques majeurs qu'il représente pour les compagnies d'assurance, sa pratique fait l'objet de développements toujours plus avancés. Les techniques usuelles d'évaluation des provisions - dont la méthode Chain Ladder fait figure de proue - reposent historiquement sur des données sinistres agrégées. Cependant, l'expansion récente des volumes de données collectées et des algorithmes associés permet aujourd'hui la conception de méthodologies d'estimation innovantes s'appuyant sur des informations à la maille individuelle. Ces méthode, proposées en nombre par la communauté actuarielle, constituent des développements théoriques novateurs. Toutefois, à ce stade, et compte tenu des fortes contraintes opérationnelles (délais, disponibilité des données, etc.), celles-ci n'ont pas encore atteint un niveau de maturité suffisant au sein des compagnies. En pratique, la méthode Chain Ladder reste ainsi la référent pour l'évaluation des provisions. Demeurent donc de multiples enjeux tels que l'obtention d'ultimes à la maille individuelle, la détection des graves, ou plus largement la rationalisation des processus et la connaissance approfondie des risques. Pour accompagner l'actuaire dans ce contexte, plus que la méthode d'estimation employée, nous tenons à repositionner la donnée au centre des développements en présentant de bonnes pratiques d'implémentation et de traitement. Nous proposons une exploitation pragmatique des possibilités offertes par l'Intelligence Artificielle faible : visualisations innovantes, automatisation de tâches répétitives, modélisation via machine learning de processus complexes.

Abstract
Reserving is one of the core businesses of the actuarial profession. For insurance companies, it represents major strategic and economic challenges and its practice is subject to ever more advanced developments. Standard claims reserves valuation techniques - including the Chain Ladder method - have historically been based on aggregated claims data. However, the recent expansion of data and analytics now allows a new framework. Innovative estimation methodologies based on information at the individual grid level are being designed. These methods, broadly spread by the actuarial community, are innovative theoretical developments. At this stage, and given the strong operational constraints (deadlines, data availability, etc.), these have not yet reached a sufficient level of maturity within the companies. In practice, the Chain Ladder method thus remains the reference for this valuation of claims reserves. There are therefore still many challenges to be addressed, such as obtaining individual estimates, detecting large claims, or, more generally, streamlining processes and in-depth knowledge of risks. To support the actuary in this context, and beyond the estimation method, we would like to reposition the data at the center of developments. We propose some best practices and a pragmatic exploitation of the possibilities offered by weak Artificial Intelligence : innovative visuralizations, automation of repetitive tasks, machine learning modeling of complex processes.

Mémoire complet