Hier, Olivier Côté avait le droit à une jolie entrevue dans les nouvelles de l’Université Laval (merci au passage à l’université Laval de mettre en avant ses étudiants dans ses pages de nouvelles).
Tag Archives: équité
Présentation sur l’équité et la discrimination en assurance, pour Intact
Demain matin, avec Olivier et Marie-Pier Côté, on sera chez l’assureur Intact pour parler équité et discrimination. Olivier présentera ses travaux récents sur l’utilisation de modèles causaux pour proposer des modèles “équitables” en assurance. Le papier (a fair price to pay: exploiting directed acyclic graphs for fairness in insurance) sera bientôt disponible !
Save the date, 16 mai 2024
Le 16 mai 2024, avec Marie-Pier Côté, on organise la seconde journée sur l’équité et la discrimination en assurance, à l’Université Laval. Plus d’information dans les mois à venir.
Modélisation par apprentissage machine sous contrainte d’équité
Ce lundi, je participerais (en visio, je serai rentré sur Montréal) à la formation Data Science de l’Institut des Actuaires, pour parler d’équité. Les slides sont en ligne ici.
Statistique & société, équité en apprentissage automatique
Le dernier numéro de Statistique et Société a pour thème “équité en apprentissage automatique”. On pourra y retrouver un article coécrit avec Laurence Barry sur L’équité de l’apprentissage machine en assurance.
Les assureurs sont réputés utiliser des données pour classer et tarifer les risques. À ce titre, dès la fin du 19e siècle, ils ont été confrontés aux problèmes d’équité et de discrimination associées aux données. Pourtant, si cette question est récurrente, elle connait un regain d’importance avec l’accès à des données de plus en plus granulaires, massives et comportementales. Nous verrons ici comment les biais de l’apprentissage machine en assurance renouvellent ou transforment ce questionnement pour rendre compte des technologies et des préoccupations sociétales actuelles : paradoxalement, alors que la plupart de ces biais ne sont pas nouveaux, la recherche d’une équité pour les contrer, elle, se transforme.
Exposé sur l’équité en assurance
Mardi, on fera une intervention avec Laurence Barry et André Grondin pour parler d’équité en assurance, dans les locaux d’Optimind, sur Paris. Les slides sont en ligne.
Les biais, les discriminations et l’équité en assurance
Sur Variances, un court article pour présenter le rapport remis au début de l’été à l’Institut Louis Bachelier, Assurance : Discrimination, biais et équité.
Les données massives et les performances obtenues par les algorithmes d’apprentissage automatique ont chamboulé l’assurance et l’actuariat. Les questions soulevées par ces nouveaux outils dans d’autres contextes (que ce soit la justice prédictive (ou justice “actuarielle” comme l’appelle Harcourt (2008)) ou les débats sur les fake news, en passant par les véhicules autonomes et la médecine prédictive) poussent les actuaires au doute, et à la méfiance. Kranzberg (1986) affirmait que “technology is neither good nor bad; nor is it neutral”, mettant en avant que, même sans mauvaises intentions, les algorithmes d’apprentissage pouvaient être injustes. Et corriger ces possibles injustices n’est pas simple. Pour Nielsen (2020), “technology does not necessarily self-regulate, via either market or social pressures” (la main invisible des marchés ou de la pression sociale ne suffira peut être pas). C’est dans ce contexte que nous allons revenir ici sur les problématiques de biais, de discrimination et d’équité, des modèles prédictifs utilisés en assurance. Ces changements, tant sur les données que sur les modèles, que l’on observe depuis une petite dizaine d’années, avaient déjà questionné l’existence même de l’assurance (à suivre).
Assurance, biais, discrimination et équité
Le rapport Assurance, biais, discrimination et équité est officiellement en ligne sur le site de l’Institut Louis Bachelier.
Exposé à un webinaire IVADO-OBVIA sur l’équité (algorithmique) en assurance
Equité et discrimination en assurance
Mercredi 18 mai, j’interviendrai au séminaire de la chaire PARI, à Paris, dans les locaux de la CCR, pour parler d’équité et de discrimination en assurance… Les slides sont en ligne.
En poursuivant la discussion abordée dans “L’équité de l’apprentissage machine en assurance” (co-écrit avec Laurence Barry), nous présentons un aperçu des problèmes auxquels les actuaires sont confrontés lorsqu’ils traitent de la discrimination. Depuis le début de leur histoire, les assureurs sont connus pour utiliser des données pour classifier et tarifer les risques. En tant que tels, ils ont été confrontés très tôt au problème de l’équité et de la discrimination associées aux données. Cette question devient de plus en plus importante avec l’accès à des données plus granulaires et comportementales, et évolue pour refléter les technologies et les préoccupations sociétales actuelles. En examinant les débats antérieurs sur la discrimination, nous montrons que certains préjugés algorithmiques sont une version renouvelée de préjugés plus anciens, tandis que d’autres semblent inverser l’ordre précédent. Paradoxalement, alors que la pratique de l’assurance n’a pas profondément changé et que la plupart de ces biais ne sont pas nouveaux, l’ère de l’apprentissage automatique ébranle encore profondément la conception de l’équité en matière d’assurance. (Cette présentation s’appuiera également sur un rapport qui sera bientôt publié par l’Institut Louis Bachelier).
Journée COVEA sur l’équité en assurance
Jeudi, je profitais de ma semaine parisienne pour participer à une journée organisée par COVEA sur le théme de l’IA et de confiance, et sur l’éthique et l’équité en assurance . Mes slides sont en ligne. Par rapport à la première intervention (en janvier dernier) j’ai pu parler de contrefactuel, de suivi des modèles, et d’interprétations et d’explicabilité
C’est la première fois que je me retrouve également croqué par un dessinateur (Stéphane de Mouzon) lors d’une intervention de ce genre (sans être un exposé de séminaire, c’était technique).
Sinon, quelques photos de l’évènement,
(merci David Cortes pour les photos)
L’équité de l’apprentissage machine en assurance
Avec Laurence Barry, nous avons mis en ligne notre article l’équité de l’apprentissage machine en assurance, sur HAL.
Depuis le début de leur histoire, les assureurs sont réputés utiliser des données pour classer et tarifer les risques. A ce titre, ils ont été assez tôt confrontés aux problèmes d’équité et de discrimination associées aux données. Pourtant, si cette question est récurrente, elle connait un regain d’importance avec l’accès à des données de plus en plus granulaires, massives et comportementales. Nous verrons ici comment les biais de l’apprentissage machine en assurance renouvellent ou transforment ce questionnement pour rendre compte des technologies et des préoccupations sociétales actuelles : paradoxalement, alors que la plupart de ces biais ne sont pas nouveaux, la recherche d’une équité pour les contrer, elle, se transforme.
à suivre donc…
Assurance, biais, discrimination et équité, une (courte) introduction
Ce jeudi, j’interviendrai à une conférence organisée par Covéa sur l’éthique de l’IA et la science de données, avec Astrid Bertrand et Chaouki Boutharouite. Les slides sont maintenant en ligne.
Assurance et discrimination, quel rôle pour les actuaires ?
Le rôle essentiel d’un actuaire en charge de la tarification est la segmentation du portefeuille (ou « insurance classification » en anglais), correspondant à une activité de discrimination (mathématiquement parlant) au sens où l’actuaire va chercher les variables les plus « discriminantes », pour en expliquer une autre (en lien avec la sinistralité). Mais au sens juridique, discriminer, c’est interdit par la loi, ce qui place l’actuaire dans une position souvent délicate et complexe.
Continue reading Assurance et discrimination, quel rôle pour les actuaires ?