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

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/

Projet à rendre en fin de 1er semestre (100% de la note, pas de soutenance).
Pas de 2ème session pour cette UE.