Tag Archives: équité

Un cadre de gouvernance à trois piliers pour une tarification équitable de l’assurance

Avec Marie-Pier et Olivier Côté, on a écrit un court article, un cadre de gouvernance à trois piliers pour une tarification équitable de l’assurance, publié par la chaire PARI.

L’assurance repose sur l’équilibre entre le risque individuel et la protection collective, mais les modèles contemporains de tarification fondés sur des données massives et des algorithmes opaques soulèvent des questions pressantes d’équité à l’égard des caractéristiques protégées prédéfinies. Alors que les standards actuariels visent une précision fondée sur le risque, les parties prenantes demandent de plus en plus une reddition de comptes et une responsabilisation éthique, une solidarité sociale et une protection contre la discrimination insidieuse. Nous soutenons que l’équité actuarielle, la solidarité et la causalité forment trois piliers distincts, complémentaires et essentiels pour une tarification équitable de l’assurance. Nous situons ces piliers dans des débats plus larges en éthique des affaires et en équité algorithmique, en les reliant aux traditions de justice distributive (Rawls, 1971; Sen, 1992), à l’éthique de l’information (Floridi, 2016; Nissenbaum, 2009), et à la théorie du partage de risque Arrow (1963). Nous soutenons que les trois piliers rendent explicites les compromis éthiques auxquels actuaires et assureurs sont confrontés lorsqu’ils déploient des modèles prédictifs. Aucun principe d’équité ne peut dominer sans détériorer les autres : l’équité actuarielle peut accentuer les disparités socioéconomiques, la solidarité peut compromettre l’efficience du marché, et la causalité, tout en cherchant de véritables effets de risque sans regard à la solidarité ou l’équité actuarielle, repose sur des postulats invérifiables qui peuvent entraver la puissance prédictive. En articulant ce cadre tridimensionnel, nous déplaçons l’équité d’une hypothèse implicite vers un objectif explicite de gouvernance, fournissant ainsi une perspective normative pour la gouvernance d’entreprise, l’élaboration de la réglementation et la reddition de comptes envers les parties prenantes dans l’industrie de l’assurance. Au-delà de la science actuarielle, ces trois piliers offrent un cadre généralisable pour évaluer l’équité dans d’autres domaines de décision algorithmique fondée sur le risque, de l’évaluation du pointage de crédit à la tarification des soins de santé.

Une version plus statistique, ou actuarielle, sera bientôt en ligne. Et je donnerai un exposé à la chaire PARI pour présenter ce papier.

Des primes d’assurance personnalisées moins chères grâce à l’IA ?

Parution d’un court article, “Des primes d’assurance personnalisées moins chères grâce à l’IA ? Voici pourquoi il s’agit d’une pente glissante”, sur https://theconversation.com/

L’assurance repose sur un principe de solidarité que mettent à mal les algorithmes chargés de constituer nos profils. À mesure en effet que les algorithmes se précisent, la facture se personnalise. Divers profils « à risque » peuvent ainsi se retrouver exclus des régimes d’assurance, tant les coûts sont élevés. La personnalisation a une légitimité évidente. On doit toutefois lui concilier un accès équitable à l’assurance.

Il faut d’abord savoir que l’assurance est traversée par un paradoxe fondamental. D’un côté, ses principes mêmes supposent un mécanisme collectif où chacun contribue selon sa capacité, et tire profit de la solidarité en cas de sinistre. De l’autre, les avancées technologiques, les données de plus en plus massives et les méthodes actuarielles de plus en plus précises poussent à individualiser toujours davantage les tarifs.

À cette tension s’ajoute un cadre légal de plus en plus exigeant, qui interdit toute forme de discrimination fondée sur des données sensibles, parfois corrélées à des facteurs de risque pourtant pertinents.

La suite sur https://theconversation.com/

En attendant, je peux en profiter pour un petit point rapide de grammaire. La version avant la mise en ligne ce matin avait un titre un peu différent

Dans « des primes moins chères », chères est un adjectif qui qualifie les primes (féminin pluriel) : il s’accorde donc → chères. Et cette petite qualification est à distinguer du cas où cher est adverbe (et donc devient invariable), notamment s’il suit des verbes comme coûter, payer, acheter, vendre : on dit ici

  • Ces primes moins chères (adjectif, on accorde).

mais on aurait du écrire

  • Ces primes coûtent moins cher (adverbe, pas d’accord).

si on avait ajouté le verbe coûter… mais avec le verbe être,

  • Ces primes sont moins chères (adjectif, on accorde)

Enfin, c’est ce que je crois avoir compris….

Les paradoxes de la segmentation et de la discrimination en assurance

La décision ne peut pas être raciste puisqu’elle a été prise sans aucune information sur l’origine ethnique de la personne.” Ce genre d’affirmation, on l’a tous entendu un jour ou l’autre. Que ce soit sur le racisme, l’âgisme ou le sexisme. Que ce soient des décisions humaines, des modèles ou des algorithmes. Pourtant, la “loi de Kranzberg1 nous rappelle que la technologie n’est ni bonne ni mauvaise mais, elle n’est pas neutre pour autant. La neutralité risque de ne venir qu’à un certain prix. Et il est peut être temps de revenir sur les grands principes autour de la segmentation et de l’équité, en assurance, pour mieux comprendre de quoi on parle quand on évoque la question de la discrimination.

Figure: Krater représentant Thésée et Procruste, et Thésée tuant le sanglier de Crommyon (source The Miriam and Ira D. Wallach Division of Art, 1862 – 1864)

Continue reading Les paradoxes de la segmentation et de la discrimination en assurance

  1. La loi de Kranzberg, énoncée par l’historien des technologies Melvin Kranzberg en 1986, a été formulée dans un article intitulé “Technology and History: ‘Kranzberg’s Laws'”, publié dans la revue Technology and Culture. Six lois sont proposées, mais la première est la plus connue, rappelant que les effets de la technologie dépendent du contexte social, politique, économique et culturel dans lequel elle est utilisée: “Technology is neither good nor bad; nor is it neutral.” []

Les lundis de l’IA et de la finance

Dans dix jours, je participerai (en ligne) aux lundis de l’IA et de la finance, avec comme thème “mesurer et corriger les biais dans les systèmes d’IA”.  Co-organisés par l’Autorité de Contrôle Prudentiel et de Résolution (ACPR/Banque de France) et Télécom Paris, les « Lundis de l’IA et de la Finance » forment un cycle de conférences autour de la réglementation de l’IA dans le secteur financier. Dans ce cadre, régulateurs, chercheurs et autres acteurs de l’industrie financière se sont réunis tous les deux mois pour échanger autour de différentes thématiques du domaine.

Le programme est incroyable

  • 17h – 17h10 : Introduction, Olivier Fliche (ACPR/Banque de France) et/ou Winston Maxwell (Télécom Paris)
  • 17h10 – 17h30 : Arthur Charpentier (UQAM Montréal) : présentation de travaux sur l’équité dans le domaine de l’assurance (où le cœur du métier est précisément de « discriminer » les risques), y compris une présentation des métriques d’équité et de leurs implications [les slides sont disponibles]
  • 17h30- 17h50 : Benoît Rottembourg et Jean-Michel Loubes (Inria) : méthodes d’identification des biais sur un cas concret (impayés en téléphonie)
  • 17h50-18h10 : David Cortés (AI-vidence) et/ou Stephan Clémençon (Télécom Paris) : présentation d’une méthode empirique de correction des biais directement dans les données d’entrée
  • 18h10-18h25 : Questions / discussions
  • 18h25-18h30 : Remarques de clôture, O. Fliche et/ou D. Bounie

 

Exposé auprès des étudiants (et anciens étudiants) de l’AMA

Ce midi (heure de Montréal), je donnerais un exposé virtuel sur le thème « IA, biais et équité (en actuariat et en assurance) » (les slides sont disponibles via le lien). C’est un honneur de donner la première conférence de l’AMA, Association des Masters en Actuariat, qui sera diffusée en direct aux différentes promotions des formations de l’AMA, réunies dans leurs universités !

Comme me le disaient Chi et Samuel, “pour les anciens ou extérieurs qui veulent suivre sans être en présentiel, cela sera possible sur Briques2math“, la chaîne YouTube. Je préciserais juste que personne ne sera en présentiel, puisque je serais à Montréal, j’enseigne demain matin…

Ah oui, l’exposé sera en français… mais j’aurais des slides en anglais

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 !

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.

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).

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).