Usage des large Language Models et du deep learning en assurance/finance

Contenu

Chapitre 1 – Cas d'usage du Deep Learning en Assurance & Finance

1. Introduction

1.1 L’IA en assurance

  *   Rappels

  *   Exemples

1.2 Avantages et principes de fonctionnement

  *   Vue d’ensemble

  *   Actuaires

  *   Identifier des projets

1.3 Points d’attention

  *   Données

  *   Modèle

  *   Facteur humain

  *   Aspect IT

2. Collecter et préparer les données

2.1 Enrichir la collecte de données

  *   Parsing

  *   API (Zonage & Risque d’incendie)

  *   Open Data (Services GeoData)

2.2 Contrôler et améliorer la qualité

  *   Imputation

  *   Gestion des valeurs aberrantes (Qualité des données pour la modélisation du capital)

  *   Augmentation (Données synthétiques pour la détection de fraude)

2.3 Modifier, améliorer, enrichir

  *   Sélection

  *   Transformation (Extraction d’entités pour la tarification cyber)

  *   Extraction (Détection d’arbres pour l’analyse de la sécheresse)

3. Analyser et prédire

3.1 Améliorer la régression et la classification

  *   Régression (Tarification pour l’assurance voyage)

  *   Classification (Estimation du coût d’une tempête)

3.2 Identifier des schémas sous-jacents

  *   Réduction de dimension (Optimisation temporelle pour le Best Estimate Liability - BEL)

  *   Clustering (Segmentation pour les provisions IARD)

3.3 Approfondir avec des techniques avancées

  *   Deep learning (Prévision SWI pour le risque de sécheresse)

  *   Différents types d’architectures

  *   Autres notions (Gestion de l’incertitude pour les coûts de sinistres)

4. Notebooks et démonstrations

Chapitre 2 – Cas d'usage des LLM en Assurance & Finance

Qu’est-ce que c’est ?

1.1 Présentation

1.2 Liste de LLM

1.3 Spécifications

1.4 Évaluations

1.5 Descriptions

1.6 Avantages

1.7 Inconvénients

1.8 Tâches

1.9 Cas d’utilisation

Cas 1 : Extraire et résumer des informations contractuelles via des prompts

Comment l’utiliser ?

2.1 Concept principal

2.2 Données

2.3 Prompting

2.4 RAG

2.5 Agent

2.6 PEFT

2.7 Fine-tuning complet

2.8 Écosystème

Cas 2 : Questionner et discuter avec des rapports financiers grâce à la RAG

Prochaines étapes & préoccupations

3.1 Par où commencer

3.2 Défis

3.3 Cas d’utilisation

Cas 3 : Explorer les causes d’accidents de transport grâce au chaining, à la RAG et au CoT

Plannings de cette UE et du M1/M2 actuariat, ainsi que tarification disponibles sur le bandeau de droite de la page: https://actuariat.cnam.fr/unites-d-enseignement/

Modalités d'évaluation

Projet à rendre en fin de semestre (100% de la note, pas de soutenance).

Pas de 2ème session pour cette UE.