Programme
Jeudi 19 septembre 2024 | 14h – 16h
Connectez-vous ici à l’événement
Data & IA dans le monde de l’assurance : L’importance des données et perspectives de l’IA générative
Antoine Ly, SCOR Chief Data Science Officer
Antoine dirige les centres d’expertise en Data Science et en ingénierie de l’apprentissage automatique pour SCOR. Il enseigne également la Data Science à l’Institut des Actuaires Français et à l’ENSAE Paris. Antoine est titulaire d’un doctorat en mathématiques appliquées sur l’application de l’apprentissage automatique à l’assurance. Il est également diplômé de l’ENSAE Paris (France) en tant qu’ingénieur en statistiques et économie. Il détient un MSc en informatique « Data, Learning and Knowledge » de l’Université Sorbonne et est Actuaire Certifié en France.
Présentation : De la recherche à l’industrialisation : l’application des l’IA dans la sélection des risques
The aim of this presentation is to present the potential and latest advances of generative AI in streamlining life and health underwriting and claims processes. These processes involve a large manual effort for a significant proportion of customers, as the risk is often controlled by reviewing unstructured medical evidence. Generative AI enables much more effective and accurate automated analysis of evidence compared with pre-existing technologies.
The presenters explain why they believe that generative AI solutions will become a commodity and why underwriting and claims teams need to shift their knowledge and expertise to make the most of generative AI solutions. Underwriting and claims expertise will become essential in helping to build solutions (for example, through prompt engineering) and in using them effectively in daily operations (for example, case summaries and auto-decisioning). The presenters also introduce the tech behind AIssistant, a generative AI solution already live and built by SCOR teams, which helps streamline underwriting and claims operations.
Samuel Stocksieker, Université Aix-Marseille
Samuel est actuaire certifié et professeur d’université associé à Aix-Marseille Université. Avant de partager son expérience aux jeunes générations, Samuel a commencé sa carrière en tant que consultant en actuariat chez Milliman. Samuel est titulaire d’un doctorant (réalisé au sein de l’ISFA), d’un double master et d’une double licence.
Présentation : Imbalanced Data : Comment le déséquilibre de données peut impacter les performances des modèles ?
Les données jouent un rôle essentiel dans l’apprentissage automatique, la modélisation statistique et, plus généralement, l’intelligence artificielle. Elles fournissent en effet la matière première nécessaire à la construction des modèles, qu’il s’agisse de méthodes d’apprentissage supervisé ou non supervisé, ou de techniques statistiques plus traditionnelles ou même de réseaux neuronaux profonds. Plus les données sont riches, variées et représentatives de la réalité, plus les modèles peuvent être précis, généralisables et utiles dans divers contextes. Par conséquent, la qualité des résultats obtenus dépend souvent de la qualité des données utilisées.
L’apprentissage à partir de valeurs rares, extrêmes ou non, et plus généralement des données déséquilibrées reste encore un défi majeur et assez inexploré. De plus, les valeurs rares représentent souvent un événement important que les praticiens cherchent à comprendre ou prédire.
Comment identifier ce phénomène ? Quels impacts cela peut-il avoir sur la modélisation ? Quelles solutions permettent d’aborder cette problématique ? Voici les questions auxquelles essaiera de répondre cette présentation sur le sujet.