Interprétabilité des Modèles de Tarification en Actuariat : Application à l'assurance automobile

Avec l’avènement de nouvelles technologies couplé aux attentes sans cesse grandissantes des assurés −volonté d’hyperpersonnalisation de la relation client (assuré-assureur)−, la transformation numérique du secteur de l’assurance a beaucoup évolué au cours de ces deux dernières décennies et s’est vue fortement accélérée durant la récente crise sanitaire. Cette révolution digitale permet une collecte massive de données, offrant ainsi aux assureurs, la possibilité d’une segmentation beaucoup plus fine pour repérer les risques émergents de leurs portefeuilles et mieux ajuster leurs stratégies de gestion du risque. Avec cet essor de données massives, se sont simultanément développés de nouveaux algorithmes puissants d’apprentissage statistique permettant d’obtenir des modèles prédictifs beaucoup plus précis que par le passé : notamment les réseaux de neurones et les modèles par agrégation, etc. Cependant, bien qu’on leur reconnaisse un meilleur pouvoir prédictif, l’intégration de ces nouveaux modèles de tarification dans la modélisation actuarielle reste modérée dans le secteur français de l’assurance. Trois principales raisons justifient ce fait : en premier lieu, le manque d’interprétabilité lié au caractère "boîte-noire" de ces modèles −ce qui s’oppose à l’exigence réglementaire de transparence du processus de tarification exigée par l’ACPR− ; en deuxième lieu, la complexité liée à la mise en œuvre de ces nouveaux modèles ; en dernier lieu, les problèmes d’éthique et de gouvernance liés à la non transparence de ces modèles. Pour lever le voile sur ces modèles et les rendre plus interprétables, depuis quelques années on assiste à une prolifération d’articles de recherche sur le sujet de l’intelligence artificielle interprétable (XAI). Dans ce contexte, ce mémoire vise à explorer et à illustrer l’usage des différentes méthodes d’interprétabilité les plus répandues dans la littérature indispensables à l’interprétabilité des modèles opaques d’apprentissage statistique. Nous étudions également les enjeux des données télématiques dans l’amélioration de la précision des modèles tarification en assurance automobile.