Modélisation prédictive : l'actuariat rencontre l'IA

Par Jonas Mohamed Osman Abdelghafour, actuaire et expert en risques quantitatifs.

La tarification de l'assurance est l'une des plus anciennes applications de la modélisation prédictive à usage commercial. C'est aussi, en l'espace d'une décennie, l'une des plus transformées. Le moteur de tarification d'un assureur de particuliers bien géré aujourd'hui est un hybride : une structure GLM actuarielle qui porte l'interprétabilité et la défendabilité réglementaire accumulées au fil des décennies, augmentée par des composants de gradient boosting ou neuronaux qui extraient le signal que le GLM laisse de côté.

Cet hybride est le point d'arrivée de la profession, et c'est le bon endroit où se trouver pour l'instant. Ce qui importe, c'est la manière dont les deux moitiés sont intégrées, dont le modèle résultant est gouverné, et dont l'entreprise gère l'examen réglementaire qui suit toute utilisation de l'IA dans un processus de tarification destiné aux consommateurs.

Pourquoi le GLM reste l'épine dorsale

Le modèle linéaire généralisé a gagné sa place en tant que norme de tarification pour des raisons défendables. Il produit des coefficients qui peuvent être lus comme des facteurs de tarification multiplicatifs. Il gère naturellement l'offset d'exposition grâce à la structure Poisson et Gamma à lien logarithmique. Il s'intègre proprement dans les moteurs de tarification, les traités de réassurance et les GLM de provisionnement de même forme. Et il survit aux questions des régulateurs car chaque facteur de tarification renvoie à un coefficient spécifique avec une erreur type spécifique.

Les critiques sont également bien connues. Les GLM ne peuvent pas capturer les interactions non linéaires à moins qu'elles ne soient explicitement paramétrées. Ils peuvent être sensibles aux covariables corrélées de manières que les méthodes de machine learning gèrent avec plus d'élégance. Et ils laissent de côté un gain prédictif — couramment de cinq à quinze pour cent d'amélioration du Gini — que les alternatives de gradient boosting peuvent extraire.

La réponse pragmatique, adoptée par les équipes de tarification les plus sophistiquées, n'est pas de remplacer le GLM mais de structurer le processus de modélisation afin que le GLM capture le cœur interprétable et qu'un composant de machine learning capture le résidu.

Le schéma du modèle résiduel

Le schéma devenu standard dans la tarification des particuliers ressemble à ceci. Ajustez un GLM sur la cible ajustée à l'exposition — fréquence des sinistres, gravité ou coût moyen combiné. Scorez le GLM hors-échantillon. Ajustez un modèle de gradient boosting sur le résidu, en utilisant les mêmes variables plus des variables supplémentaires que la structure du GLM ne peut pas accommoder. Scorez le composite. Itérez.

Deux choix de conception sont cruciaux. Premièrement, le modèle résiduel doit être contraint — généralement par des limites de profondeur d'interaction et de taux d'apprentissage — afin qu'il capture le signal manqué par le GLM plutôt que de réajuster le signal déjà trouvé par celui-ci. Deuxièmement, la contribution du modèle résiduel doit être surveillée par facteur de tarification. Si le composant de gradient boosting surpondère ou sous-pondère systématiquement un segment spécifique, il s'agit soit d'un facteur de tarification que le GLM devrait absorber, soit d'un problème d'équité qui nécessite une attention avant le déploiement.

Pour un traitement plus large de l'apport du machine learning dans la modélisation des sinistres, voir la note complémentaire sur le provisionnement moderne. Le service de modèles d'IA et de risques quantitatifs détaille la manière dont je structure ce travail avec mes clients.

L'ingénierie des variables : là où se trouvent encore les gains

Les praticiens novices en modélisation d'assurance s'attendent souvent à ce que le gain vienne de l'algorithme. Dix ans d'études de tarification publiées disent le contraire : les gains les plus importants proviennent des variables (features), pas des méthodes.

Les données télématiques, les données météorologiques et de trafic externes, les signaux adjacents au crédit là où la juridiction le permet et — de plus en plus — les effets fixes géospatiaux à une maille code postal plus contiguïté, apportent tous plus de gain prédictif que le choix entre XGBoost et LightGBM n'en apportera jamais. Le choix méthodologique devient important une fois que l'ensemble des variables s'est stabilisé.

Le risque de gouvernance correspondant est que de nouvelles variables introduisent des proxys de caractéristiques protégées sans que l'équipe de modélisation ne s'en aperçoive. Chaque nouvelle variable devrait déclencher un audit d'équité — pas une simple case à cocher, mais un test réel vérifiant que l'effet marginal de la variable ne tarife pas de manière disproportionnée des groupes dont le prix ferait l'objet d'une objection de la part du régulateur. C'est ici que le travail analytique rencontre le cadre de gestion des risques d'entreprise et, finalement, le conseil d'administration.

Les réseaux de neurones : justifiés dans des niches

Le deep learning en tarification d'assurance a mis plus de temps à arriver que dans d'autres secteurs, pour de bonnes raisons. Les données tabulaires structurées avec lesquelles les équipes de tarification travaillent ne bénéficient généralement pas de la puissance de représentation des réseaux de neurones de manières que les arbres boostés par gradient ne puissent égaler. C'est dans les données non structurées que les réseaux de neurones font leurs preuves.

Les trois cas d'usage actuels ayant des preuves concrètes sont l'évaluation des images de dommages pour les sinistres automobiles (architectures convolutives affinées sur des photographies de garage), l'extraction de texte à partir des notes de sinistres et des récits d'experts (modèles basés sur les transformeurs qui transforment le texte libre en variables structurées utilisables par le GLM de tarification) et l'apprentissage de caractéristiques télématiques de séries temporelles (modèles récurrents ou basés sur l'attention qui résument les traces de conduite en caractéristiques utilisables pour la tarification). Dans chaque cas, le composant neuronal alimente le modèle actuariel — il ne le remplace pas.

Une gouvernance qui survit au régulateur

Tout assureur européen utilisant l'IA dans un processus destiné aux consommateurs vit désormais avec trois cadres superposés : les attentes en matière de risque de modèle antérieures à l'IA (globalement alignées sur la discipline américaine SR 11-7), la classification par l'IA Act de l'UE de la tarification de l'assurance comme étant à haut risque, et — pour la vie et les retraites — le régime existant de changement de modèle et de validation de Solvabilité II. Ces cadres s'accordent sur plus de points qu'ils n'en diffèrent.

Inventaire. Chaque modèle en production a un propriétaire, un but, un niveau de matérialité et une évaluation des risques documentée. Les composants de machine learning à l'intérieur d'une chaîne de tarification ne sont pas exemptés.

Documentation. Pour chaque modèle : but, lignage des données, méthodologie d'entraînement et de validation, métriques de performance, calibration, plan de surveillance et déclencheurs de remédiation. La documentation ne peut pas être générée après coup lorsque le modèle est contesté — elle doit faire partie du processus de déploiement.

Surveillance. Dérive conceptuelle, dérive de calibration, dérive des variables et — point crucial — dérive d'équité, le tout mesuré selon une cadence définie, avec des seuils de remédiation pré-engagés. Voir la note sur le tableau de bord de surveillance des modèles de risque de crédit pour un schéma compatible côté crédit.

Challenge indépendant. La même fonction de risque de modèle de seconde ligne qui examine les GLM examine les composants de machine learning, en utilisant l' approche de validation indépendante que j'utilise avec mes clients. Si le réviseur ne peut pas suivre le modèle, il s'agit d'une carence documentaire, et non d'une limite que le réviseur doit accepter.

Explicabilité. Pour tout modèle qui produit une décision de tarification affectant un consommateur, une explication des facteurs derrière cette décision doit pouvoir être récupérée. SHAP et les méthodes d'attribution associées sont généralement suffisantes, à condition qu'elles soient calculées au moment de la prédiction et stockées, et non reconstruites post-hoc.

Où la profession fait encore fausse route

Trois modes de défaillance récurrents méritent d'être signalés.

Optimiser le gain prédictif plutôt que la valeur métier. Un modèle avec un indice de Gini plus élevé mais qui renouvelle à un taux de rétention inférieur n'est pas un meilleur modèle. Les backtests de valeur métier — ratio de sinistres attendu, renouvellement attendu, valeur vie client attendue — doivent figurer aux côtés des métriques statistiques. Il s'agit d'un point de gouvernance autant que de modélisation, et c'est là que les incitations de l'équipe de modélisation et celles du comité de tarification doivent être alignées.

Ignorer la dynamique de sélection adverse. Un modèle de tarification qui améliore votre ratio de sinistres la première année peut déstabiliser le segment la troisième année, si les concurrents tarifient différemment sur les mêmes signaux. La surveillance au niveau du portefeuille de la rétention, de l'indice de taux des concurrents et du changement de mix devrait faire partie de la revue continue de chaque modèle de tarification — cela rejoint la conversation plus large sur la conception des scénarios ORSA.

Sous-investir dans la trajectoire de transition. Remplacer une ancienne structure tarifaire par un nouveau modèle de tarification est un changement métier, pas un déploiement technique. La trajectoire de transition — fonctionnement en parallèle, déploiement contrôlé par géographie ou par segment, conditions de désactivation (kill-switch) définies — est souvent ce qui détermine si le nouveau modèle s'implante ou s'il est abandonné sous la pression commerciale.

Conclusion

La modélisation prédictive en assurance n'est ni un problème résolu, ni une ligne de front du battage médiatique sur l'IA. C'est une discipline mature qui a absorbé deux générations d'avancées méthodologiques — les GLM, puis le gradient boosting, et maintenant l'utilisation sélective des réseaux de neurones — et elle absorbe maintenant une troisième génération de gouvernance et de réglementation autour de ce même socle technique. Les entreprises qui navigueront bien dans cette couche de gouvernance seront celles qui pourront déployer de nouvelles techniques de modélisation de manière rapide et défendable. Les entreprises qui traitent la gouvernance comme une tâche de conformité en aval se retrouveront soit à la traîne, soit contraintes par le régulateur à revenir sur des décisions après coup.

Si vous construisez ou révisez un modèle de tarification hybride, ou si vous vous préparez à l'examen de l'IA Act, consultez la ligne de service d'IA et de risques quantitatifs ou contactez-moi.