Category: DATA SCIENCE / AI - actuview - the international streaming platform for actuaries

Migration des outils, les actuaires au cœur de la stratégie

Tue, 28 Jul 2026 06:25:51 +0000

Licences qui flambent, montées de version imposées, pénurie de compétences… De plus en plus d’acteurs revoient leurs outils de modélisation et de traitement de données.SAS, Matlab, Prophet : ces solutions historiques sont parfois devenues des freins. Alors on parle migration, open source, Python, R… mais aussi gouvernance, qualité des modèles, documentation.Et dans tout ça, l’actuaire n’est plus un simple utilisateur. Il devient un acteur clé de la transformation – et ça change tout. Car ce mouvement technique et stratégique peut aussi redonner de l’attractivité à la profession : le métier d’actuaire attire désormais des profils plus hybrides, plus tech, plus curieux. Pour parler de ce sujet, Grégoire Tournon accueille à la Maison des Actuaires Nicolas Lorin, co-responsable de l’actuariat chez aVB.

Comment les actuaires façonnent des agents (vraiment) intelligents pour l’assurance

Tue, 28 Jul 2026 06:07:06 +0000

Dans ce nouvel épisode des "Voix de l'Actuariat", la collection de podcasts proposée par l'Institut des actuaires, on explore comment les agents intelligents réinventent le quotidien et le rôle des actuaires. Données massives, décisions accélérées, attentes clients transformées... L’assurance entre dans une nouvelle ère, une ère où l’intelligence artificielle ne se contente plus d’assister… Elle décide, apprend, interagit. Elle devient un acteur à part entière. Au cœur de cette montée en puissance, un concept s’impose : l’agent intelligent. Capable de gérer un sinistre, dialoguer avec un client, optimiser un processus en temps réel…Ces agents changent la donne, et les actuaires doivent, eux aussi, se réinventer. Concepteurs, superviseurs, stratèges ? Quel est leur rôle face à cette transformation ? Pour répondre à ces interrogations, Grégoire Tournon échange aujourd’hui à la Maison des Actuaires avec Swan Broutard, consultante en actuariat du cabinet Exiom Partners.

KEYNOTE: Recent Developments in AI and the IAA AI Task Force Update

Mon, 06 Jul 2026 08:35:11 +0000

Development in AI continue to accelerate, some of which could impact the insurance industry in material ways which haven't emerged. This first part of this talk will cover recent relevant developments in AI, such as computer use, learning, the boundaries of intellectual property as well as the potential impact for the insurance industry. If you don't see the connection, then you should attend this talk. The second half of this talk will cover the work of the IAA's AI Task Force to help our profession produce AI-enabled actuaries, as well as how folks can get up-to-speed quickly.

The Stuff of Models: Intellectual Property & Copyright Concerns

Mon, 06 Jul 2026 08:27:35 +0000

Many AI models rely on data and information that is "scraped" from open sources on the Internet. The assembly and use of this vital "stuff of models" is often done without the knowledge and consent of the owners of the data. Is this theft or merely fair use of intellectual property? And yet, on reflection, who can ever really own an idea?Although the EU has regulations governing data use, many of the largest IT companies are based in the US — and that is where legal battles are currently being waged. Some people assert that denying free and unfettered access to data will necessarily inhibit innovation, while others say just the opposite. It is even suggested that piracy has been one of the historical drivers of capitalism.Actuaries traditionally provide reliance statements when their work product includes information provided by others. How important is it that an actuary i) knows exactly what data has been "captured" to fuel a third party AI tool that they have used, and ii) discloses the use of such a tool to clients and regulators? What happens if an error is found in one's actuarial work product, and that error is subsequently traced back to the use of a generative AI tool? The ethical provenance and responsible use of data is a subject of importance to actuaries as well as those who rely on their work.

Harnessing Generative Models for Synthetic Non-Life Insurance Data

Mon, 06 Jul 2026 08:23:13 +0000

Obtaining realistic, publicly accessible datasets is a significant barrier in advancing actuarial research and developing open-source tools for insurance analytics. This study leverages synthetic data and aims to evaluate various Generative Models for producing a standard synthetic non-life insurance premium dataset. A Conditional Gaussian Mixture Model has been employed as a benchmark. The methodology involved splitting the dataset into two subsets based on the "claim occurence" variable as a binary indicator. For each subgroup, a multivariate Gaussian Mixture Model is fitted, allowing for complex, multi-modal distributions. This benchmark was then compared with advanced Deep Learning architectures, including a Conditional Variational Autoencoder, a Conditional Variational Autoencoder with a Transformer-based Decoder, and a Conditional Diffusion Model. Additionally, the GPT-5.1 Large Language Model was used to generate synthetic datasets via prompt. The experiments were conducted on two insurance datasets retrieved from the CASdatasets R package following three trials. In the first experiment, used as a baseline quality assessment, a portion of each complete dataset was fed into the generative models, which were tasked with generating an equal number of records. In the second experiment, used to evaluate the data augmentation capacity, a smaller portion of each dataset was used, with the models tasked with producing a larger number of rows, equal to that in the first experiment. In the final trial, with attention to ethical considerations, the gender variable was omitted to protect privacy. Validation of the generated data included several steps: data visualization with comparison through univariate analysis, PCA, and UMAP representations, evaluation of the consistency of the produced data with the original, and the statistical Kolmogorov-Smirnov test. Predictive modeling of frequency and severity using Generalized Linear Models (GLMs) based on Tweedie distribution were employed to assess the quality of the generated data. Furthermore, the importance of features was analyzed. This analysis evaluates each model’s ability to accurately capture underlying distributions, preserve complex dependencies, and maintain intrinsic relationships. The findings offer valuable insights for improving synthetic data generation in the insurance field, potentially enhancing risk modeling, pricing strategies in the face of data scarcity, and ensuring regulatory compliance.Keywords:Conditional Variational Autoencoder, Conditional Gaussian Mixture Model, Conditional Diffusion Model, Conditional Variational Autoencoder with a Transformer-based Decoder, GPT-5.1 Large Language Model, PCA, UMAP, GLMsReferences:1. Ian Goodfellow and Yoshua Bengio and Aaron Courville, 2016, Deep Learning, MIT Press.2. Mario V. Wuthrich, Ronald Richman, Benjamin Avanzi, Mathias Lindholm, Michael Mayer, Jürg Schelldorfer, Salvatore Scognamiglio, 2025, AI Tools for Actuaries, SSRN.3. David Foster, 2023, Generative Deep Learning, 2nd Edition, O'Reilly.4. Jake VanderPlas, 2016, Python Data Science Handbook, O'Reilly.5. Jamotton, Charlotte ; Hainaut, Donatien, 2023, Variational autoencoder for synthetic insurance data, ISBA.6. Harshvardhan GM, Mahendra Kumar Gourisaria, Manjusha Pandey, Siddharth Swarup Rautaray, 2020, A comprehensive survey and analysis of generative models in machine learning, ScienceDirect.

The State of GenAI Integration Progress at European Insurers

Mon, 06 Jul 2026 08:17:31 +0000

An overview of the results of our survey of European Insurers on their GenAI implementation journeys. This will include a status update on where the market generally is, what the leaders are doing and the key challenges faced.

AI Use Cases in Insurance Pricing

Mon, 06 Jul 2026 08:14:21 +0000

The insurance pricing landscape is at a pivotal crossroads, where the integration of AI agents can truly become a competitive advantage. This talk provides a comprehensive exploration of how agentic AI can reshape the pricing ecosystem to drive precision and operational excellence.The presentation will open with a brief overview of an end-to-end pricing process, establishing a foundational understanding of the traditional workflow. Building on this context, we will conduct a detailed review of high-impact AI use cases specifically curated to improve efficiency across the value chain - from data processing and risk differentiation to the acceleration of rate deployment and automated portfolio monitoring.The talk concludes with an actionable list of items pricing leaders can introduce to improve their pricing landscape and successfully welcome AI. We will examine how pricing leaders can prepare for a world of autonomous agents, balancing the immense opportunities for innovation with the critical need to mitigate systemic risk and ensure both regulatory and ethical compliance.Join to discover how to harmonize cutting-edge technology with rigorous pricing framework to future-proof your organization.

Accidents That Never Happened: Generative AI and Fraud in Motor Insurance

Mon, 06 Jul 2026 08:11:33 +0000

Generative AI is already changing how insurance fraud is committed, particularly through fabricated or manipulated images submitted to insurers. This presentation is based on a completed research paper that examined this shift in depth. The research covers two critical exposure points:

Underwriting/inception: AI-generated or altered photos submitted when a policy is taken out, distorting risk assessment before coverage begins.
Claims: synthetic or manipulated images used to justify, exaggerate, or fabricate losses. To measure human detection capability, we will comment of the results of a global online image-assessment quiz with over 1,000 participants. Results show consistently poor accuracy across all image types and generation methods, demonstrating that manual review is unreliable as a control.The paper also evaluates existing AI image detection tools and their limitations, including imperfect accuracy, rapid model evolution, and privacy and compliance risks when processing client data.The key takeaway is that this risk cannot be solved by “picking the best detector.” Insurers need to treat GenAI image fraud as a process problem: how evidence is obtained, verified, handled, and challenged across underwriting and claims, with clear decision rules and escalation paths.The presentation will show concrete examples of AI-generated and manipulated images relevant to both underwriting and claims, and concludes with future trends that will raise the bar further for image-based verification across product lines.

From Predictive Pricing to Fair Pricing: A Causal Fairness Audit Framework for Insurance Models

Mon, 06 Jul 2026 08:04:48 +0000

Background: The pervasive adoption of Machine Learning in insurance pricing raises fundamental questions: when does a predictive variable become discriminatory? How can we distinguish spurious correlations from legitimate causal relationships? The EU AI Act classifies credit scoring—and implicitly insurance pricing—as a high-risk system, imposing stringent transparency and non-discrimination requirements.Objective: We propose an operational audit framework enabling actuaries to systematically assess predictive model fairness, distinguishing between variables with legitimate causal links to risk and discriminatory proxies masquerading as predictors.Methodology: Using the French Motor Third-Party Liability dataset (freMTPL2freq), we develop a three-phase structured audit:

Calibration Audit: Statistical sufficiency tests verifying that, for a given predicted premium, expected risk is uniform across demographic groups (age, gender, geographic area)
Proxy Detection via XAI: SHAP analysis to quantify each variable’s contribution and identify potential proxies for protected attributes through residual correlations
Counterfactual Fairness Check: Counterfactual scenario simulation to distinguish “option luck” (modifiable behaviors such as vehicle type, coverage choice) from “brute luck” (immutable or semi-immutable characteristics)Expected Results: A replicable audit protocol producing: (i) group-stratified calibration metrics, (ii) stratified SHAP attribution maps, (iii) operational recommendations for mitigating identified biases, with documentation compliant with EU AI Act requirements.Contribution: The framework evolves the actuary’s role from loss ratio optimizer to “causal nexus curator,” providing concrete tools to balance technical sustainability, social equity, and regulatory compliance.Keywords: Algorithmic fairness, Insurance pricing, Machine Learning, Explainable AI, SHAP, Counterfactual fairness, EU AI Act, Actuarial science

Actuarial Judgement in the Age of AI: What Should Never Be Automated?

Mon, 06 Jul 2026 07:58:56 +0000

Artificial intelligence is rapidly transforming actuarial work, from pricing and reserving to risk management and portfolio steering. While much attention is given to what can be automated, far less is said about what should not be automated — and why this question matters deeply for the actuarial profession.This presentation argues that, in an AI-driven environment, actuarial judgement does not disappear but becomes more critical than ever. It explores the evolving role of actuaries as “AI translators”: professionals who bridge advanced data science models, business decision-making, and regulatory and ethical expectations. Rather than focusing on algorithms themselves, the session highlights the human responsibilities that remain essential, such as framing the right questions, challenging assumptions, interpreting model outputs, assessing limitations, and ensuring responsible use.Drawing on practical experience from insurance use cases, the presentation identifies key areas where automation reaches its limits, including model validation, explainability, fairness assessment, and strategic interpretation. It shows how actuaries can add value by translating complex AI outputs into insights that management, regulators, and other stakeholders can trust and act upon.By reframing AI as a tool that augments — rather than replaces — actuarial judgement, this session provides a clear blueprint for how actuaries can position themselves at the centre of AI governance and decision-making with particular attention to fairness, non-discrimination and professional accountability. It offers concrete perspectives on how the profession can maintain its relevance, credibility, and actively shape the future of responsible AI in insurance.

KEYNOTE: The Risk of Secondary Use of AI Models: Why the Insurance Sector Should Care About Purpose Limitation

Fri, 03 Jul 2026 15:17:31 +0000

Insurance has always relied on statistical modelling to classify, price, and manage risk. Today, advances in artificial intelligence promise unprecedented predictive accuracy. Yet the most significant shift is not simply improved modelling performance, but the emergence of powerful AI systems developed outside the insurance sector — in medical research, behavioural science, consumer technology, and large digital platforms.
These models encapsulate highly sensitive predictive knowledge generated for specific research or commercial purposes. Once trained, however, they can be transferred into insurance contexts for underwriting, pricing, or risk scoring — without requiring access to the original data and often without breaching existing data protection law.
This keynote explores the risk of abusive secondary use of AI models and its implications for insurers, regulators, and actuaries. I argue that the current legal framework leaves a critical gap: while data use is regulated, model use largely is not. I propose an updated principle of “purpose limitation for AI models” as a way to reconcile technological innovation with societal responsibility.
For the actuarial profession, this debate goes to the core of its mandate: ensuring that risk classification remains legitimate, transparent, and aligned with public trust.

AI in Actuarial Departments: Real-World Applications

Mon, 29 Jun 2026 09:12:55 +0000

Alexandre Boumezoued, Principal and AI Director at Milliman. has led the development of scientific solutions over a range of different risk modelling, driving the development in the past few years of AI-based solutions across the insurance value chain. In this webinar Alexandre will explore:

Approaches to tailoring AI for actuarial tasks, including the use of Retrieval-Augmented Generation (RAG), Model Context Protocol (MCP) and AI agents
Real-world applications across the actuarial workflow, including producing, checking, explaining, and monitoring results
Case studies covering model validation, financial analysis (including capital requirements and IFRS 17), and risk monitoring using external data sources
Key limitations and considerations when applying AI in high-stakes actuarial environments

Artificial Intelligence Bulletin

Thu, 11 Jun 2026 15:12:08 +0000

This video introduces the Society of Actuaries Research Institute's first Artificial Intelligence Bulletin, presented by Lisa Schilling, FSA, EA, FCA, MAAA, Director of Practice Research at the SOA. The AI Bulletin aims to share knowledge and foster collaboration around artificial intelligence within the actuarial community. It highlights SOA's strategic focus on AI, including initiatives for AI skill development, building a network of AI expertise, and leveraging AI tools for operational improvements. Among other tips, the script provides tips for effective prompt engineering when working with large language models. Find the Bulletin here.

The European Actuary No. 46 | Addressing AI Risk in the Industry – Interview with Claudio Senatore

Fri, 29 May 2026 16:02:50 +0000

The AAE's Jennifer Baker talked to Claudio Senatore Reso, Vice Chair of the AAE’s data and AI working group, for the June edition of The European Actuary and discussed the evolution of AI adoption in the insurance industry. He emphasised the need for updated actuarial standards and guidelines to address AI’s rapid evolution and highlighted the importance of explainability, fairness and the need for a proactive approach to AI.

Fit4AI – mehr als nur ein Slogan

Mon, 18 May 2026 11:09:07 +0000

Mit der Gründung der Fachgruppe Actuarial Data Science, inzwischen ADS/AI in 2017 sowie der Einführung der Spezialwissenfächer Actuarial Data Science Basic und Advanced in die DAV-Ausbildung im Jahr 2018, hat die DAV die ersten beide Schritte in Richtung Data Science und Künstliche Intelligenz gemacht. Der dritte folgte im Jahr 2020 mit der Einführung der Zusatzausbildung zum Certified Actuarial Data Scientist. Daneben gibt es zahlreiche Weiterbildungsformate von der DAA und der EAA. All dies wird gut angenommen und ist inzwischen etabliert. Aber: Damit werden insgesamt (nur) einige Hundert Personen erreicht. Infolge des rasanten Fortschritts im Themenfeld Künstliche Intelligenz werden Anforderungen an KI-Kompetenz im aktuariellen Berufsalltag kontinuierlich breiter und tiefer und betreffen immer größerer Zielgruppen.Schlussfolgerung: KI-Kompetenz kann künftig nicht mehr auf eine kleine Gruppe von Expertinnen und Experten (CADS) innerhalb der Mitgliedschafft beschränkt bleiben.Maßnahme: Initiative FIT4AI des Fachausschusses ADS/AI

Niederschwellige Angebote zum Einstieg / neue Formate (Podcast, Lunch-Meetup, …)
Künstliche Intelligenz im Grundwissen
Strukturierte Weiterbildungsangebote für DAV-Mitglieder
Der Vortrag gibt einen Überblick über (neue) Formate und Angebote im Themenfeld Künstliche Intelligenz.

KI-Hacking: Reale Risiken und die Folgen von Angriffen auf KI-Systeme

Mon, 18 May 2026 11:01:27 +0000

AI auf Basis von Large Language Models (LLMs) und generativer AI unterstützt heute Entscheidungen, automatisiert Prozesse und verarbeitet sensible Daten. Dies betrifft auch die Versicherungsbranche, etwa in der Schadenbearbeitung, Risikobewertung oder Kundenkommunikation. Mit dem Aufkommen von agentischen AI-Systemen, die eigenständig Aktionen ausführen, Tools nutzen und mit anderen Systemen interagieren, entstehen jedoch neue und oft unterschätzte Sicherheitsrisiken.In dieser Session zeigen wir, wie LLM-basierte und agentische AI-Systeme gehackt werden können und welche Schwachstellen dabei eine Rolle spielen. Anhand konkreter Beispiele erläutern wir typische Angriffspunkte wie Prompt Injection, Tool-Missbrauch und indirekte Angriffe über externe Datenquellen.In einer Live-Demo greifen wir einen AI-Agenten in einer simulierten Banking-Anwendung an. Dabei zeigen wir Schritt für Schritt, wie ein Angriff eskalieren kann. Wir starten bei der Manipulation des Agenten und zeigen, wie dies bis zu kritischen Auswirkungen wie Remote Code Execution und einer unerlaubten Geldüberweisung führen kann. Gleichzeitig zeigen wir, wie solche Angriffe entstehen und welche technischen Maßnahmen helfen können, sie zu verhindern.Ziel ist es, ein praxisnahes Verständnis für reale Risiken moderner AI-Systeme zu schaffen. Wir zeigen auf, wie Unternehmen die Angriffsfläche ihrer AI-Anwendungen erkennen, bewerten und reduzieren können. Dies gilt insbesondere für Versicherer und Aktuare, die zunehmend auf datengetriebene AI-Modelle setzen.Was Sie aus dem Vortrag mitnehmen:

Welche Sicherheitsrisiken durch den Einsatz von LLMs, generativer AI und agentischen Systemen entstehen und warum diese auch für die Versicherungsbranche relevant sind
Warum klassische IT-Sicherheitsmassnahmen für AI-Systeme und -Agenten oft nicht ausreichen
Reale Beispiele dafür, wie LLM-basierte und agentische AI-Systeme heute angegriffen werden können
Eine Live-Demo, in der wir einen AI-Agenten in einer simulierten Banking-App hacken und zeigen, wie es zu Remote Code Execution und einer manipulierten Geldüberweisung kommen kann sowie wie man solche Angriffe verhindert
Praktische Ansätze, um AI-Systeme sicherer zu entwickeln und zu betreiben

Mathematische Grundlagen generativer KI

Mon, 18 May 2026 10:51:50 +0000

Generative KI Assistenten übernehmen eine zunehmende Anzahl von Aufgaben und lernen dabei kontinuierlich mehr über uns. Doch wie viel wissen wir eigentlich über sie? Anhand eines konkreten Beispiels veranschaulicht der Vortrag, wie große Sprachmodelle ihre Antworten erzeugen und unter Nutzung welcher mathematischen Konzepte sie das jeweils nächste Wort auswählen. Ein besonderer Schwerpunkt wird hierbei auf die Transformer-Architektur und ihre mathematischen Bausteine gelegt.

Bericht aus dem ADS-Ausschuss & Preisverleihung „Best Notebook Award“ (JTG26)

Mon, 18 May 2026 08:41:37 +0000

Daniela Rode gibt einen Überblick über die aktuellen Aktivitäten des Ausschusses Actuarial Data Science/Artificial Intelligence und beleuchtet dessen Rolle an der Schnittstelle von aktuarieller Facharbeit, Data Science und moderner KI-Entwicklung. Der Ausschuss adressiert insbesondere die wachsende Bedeutung datengetriebener Methoden und den zunehmenden Einsatz von Künstlicher Intelligenz im Versicherungsumfeld.

Im Vortrag werden zentrale Arbeitsschwerpunkte vorgestellt, darunter die Entwicklung und Bewertung von Use Cases, die Einordnung neuer technologischer Trends, insbesondere im Bereich generativer KI, sowie die Auseinandersetzung mit methodischen und regulatorischen Fragestellungen. Ein besonderer Fokus liegt auf der praktischen Anwendbarkeit und dem Mehrwert für den aktuariellen Alltag.

Zudem werden ausgewählte Ergebnisse und Veröffentlichungen präsentiert. Insgesamt ordnet der Bericht die Arbeit des Ausschusses in die fortschreitende Transformation des aktuariellen Berufsbilds im Kontext von Digitalisierung und KI ein.

Bericht aus der ADS/AI-Arbeitsgruppe GenAI: Erste Ergebnisse

Mon, 18 May 2026 08:37:21 +0000

Der Vortrag gibt einen kompakten Einblick in die aktuellen Arbeiten der ADS/AI-Arbeitsgruppe GenAI und präsentiert erste Ergebnisse aus der laufenden Projektarbeit. Im Mittelpunkt stehen die Weiterentwicklung des Berichtsentwurfs, insbesondere hinsichtlich regulatorischer Fragestellungen, sowie die Ausarbeitung und der Praxistest ausgewählter Use Cases, etwa im Bereich Wettbewerberdaten oder der Portierung von Legacy-Code.Anhand konkreter Beispiele wird gezeigt, wie generative KI im aktuariellen Kontext eingesetzt werden kann und welche Potenziale sich daraus ergeben. Ergänzend werden Einblicke in technische Umsetzungen, wie die Weiterentwicklung von Notebooks und die Nutzung von AI-Agenten, gegeben.

Von der Theorie zur Praxis: Wie Agentic AI die aktuariellen Arbeiten in Versicherungen und Rückversicherungen transformiert

Mon, 18 May 2026 08:33:58 +0000

Der Aktuarsberuf erlebt seine tiefgreifendste Transformation seit der Einführung des Computers. Kein allmählicher Wandel – ein Bruch.In dieser Session schauen wir durch den Hype direkt in die Praxis – live, mit echter Software, ohne Folien. Wir zeigen, wie KI die gesamte aktuarielle Wertschöpfungskette verändert: Anforderungen durch natürliche Gespräche erfassen, Features und Architektur mit intelligenten Assistenten planen, Lösungen in bisher ungekannter Geschwindigkeit umsetzen, unstrukturierte Realdaten – PDFs, Excel, Legacy-Formate – automatisch durch intelligente Agenten verarbeiten, Geschäftsanwendungen mit Chat-Interfaces statt verschachtelten Menüs aufbauen und das Berichtswesen als interaktives, lebendiges Erlebnis neu erfinden – eines, in dem man mit seinen Daten im Dialog steht, anstatt sie nur zu betrachten.Die unbequeme Wahrheit: Die großen Sprachmodelle stehen jedem zur Verfügung. Ihr Wettbewerbsvorteil liegt darin, wie gut Sie Ihr eigenes Wissen strukturieren, versionieren und formalisieren. Genau dort müssen 90 Prozent der Investitionen fließen.Wir laden Sie ein, die Zukunft der aktuariellen Arbeit zu erleben – nicht als Bedrohung, sondern als das aufregendste Kapitel, das dieser Berufsstand je aufgeschlagen hat. Kommen Sie bereit herausgefordert zu werden und gehen Sie bereit zu führen.

CERAVISION: Controlled Acceleration: AI, Agentic Systems and the Future of Risk Management

Wed, 13 May 2026 10:56:22 +0000

AI introduces the opportunity for dramatic acceleration in how organisations analyse information, make decisions and change their operations. But without the right governance, that acceleration can quickly increase organisational complexity, making systems more brittle rather than faster or more resilient. In this session, we will explore how LLMs and Agentic AI frameworks can be deployed within a model of controlled acceleration where risk, governance and control functions evolve to ensure speed is accompanied by visibility, accountability and robustness. The discussion will focus on what this balance looks like in practice for modern risk management.

Klassische und moderne Survival Modelle und deren Anwendung zum Einfluss von GLP-1 Abnehmspritzen auf Lebensversicherer

Tue, 12 May 2026 10:04:51 +0000

Dieser Vortrag wird eine kurze theoretische Einführung in Survival Modelle allgemein geben (survival probability functions, hazard rates/ratios, Kaplan-Meier, etc.) und dann auf Machine Learning Erweiterungen der klassischen Modelle eingehen: Survival Trees, Random Survival Forests, Gradient Boosted Survival Trees, und Ansätze mit neuronalen Netzwerken.Anwendung finden diese Art von Modellen im Underwriting von (Kranken-) und Lebensversicherern, und der Vortrag wird eine konkrete Anwendung zur Abschätzung des Einflusses von GLP-1 Abnehmspritzen auf Sterberaten vorstellen.

KI, aber erklärbar: White-Box-Use-Cases aus Bestandsmigration

Tue, 12 May 2026 10:00:41 +0000

Bestandsmigrationen in der Lebensversicherung gelten als aufwendig, risikobehaftet und in vielen Teilen schwer zu industrialisieren. Gerade deshalb ist der Blick auf erklärbare KI besonders interessant. Welche Aufgaben kann generative KI den Aktuarinnen und Aktuaren abnehmen? Lässt sich ein Referenzrechner mit KI erstellen? Welche Arbeitsschritte lassen sich sinnvoll automatisieren? Der Vortrag stellt die Ergebnisse des neu veröffentlichten DAV-Ergebnisberichts zu White-Box-KI in der Bestandsmigration vor und zeigt, wo KI heute bereits einen praktischen Nutzen stiften kann. Im Mittelpunkt stehen konkrete Use Cases entlang des Migrationsprozesses – von der Analyse von Produktunterlagen über die Rechenkernentwicklung und die Generierung von Referenzwerten bis hin zu Test, Verifikation und Controlling.

DENK LAUT – der Podcast: FIT4AI, Episode 8: Anonymisierung und Pseudonymisierung

Fri, 08 May 2026 13:22:16 +0000

In dieser Folge von FIT4AI im Podcast Denklaut sprechen wir über Anonymisierung und Pseudonymisierung – zwei Begriffe, die oft gleich verwendet werden, aber in der Praxis einen großen Unterschied machen. Gemeinsam mit unseren Gästen Sarah Hogekamp und Christoph Falkenau werfen wir einen Blick in den DAV-Ergebnisbericht und diskutieren, wie Daten so aufbereitet werden können, dass sie nutzbar bleiben ohne den Datenschutz zu verletzten.

Die angesprochenen Notebooks findet man unter: https://github.com/DeutscheAktuarvereinigung/WorkingGroup_Anonymization_Pseudonymization

Becoming An AI Ready Actuary

Fri, 24 Apr 2026 13:56:53 +0000

...