Equité des modèles en assurance, mesure et mitigation des discriminations

L’intelligence artificielle (IA) joue un rôle croissant dans le secteur de l’assurance, offrant des opportunités inédites pour améliorer l’efficacité, la personnalisation et la gestion des risques. Cependant, l’usage des modèles prédictifs soulève des préoccupations majeures liées à l’équité, car ces outils peuvent reproduire ou amplifier des biais présents dans les données, générant ainsi des discriminations indirectes. Ce mémoire explore ces enjeux en s’appuyant sur des analyses théoriques et empiriques. Les objectifs de ce travail sont triples : premièrement, comprendre les principes d’équité dans un cadre actuariel et algorithmique ; deuxièmement, évaluer les biais à l’aide de métriques adaptées, telles que la part de variance expliquée et la distance de Kolmogorov ; et troisièmement, proposer des méthodes pour réduire les discriminations, en intégrant des approches telles que l’orthogonalisation des variables explicatives et le transport optimal des distributions.Les résultats montrent que, malgré la suppression des variables sensibles, les biais persistent souvent par le biais de proxys. Les méthodologies proposées permettent de réduire efficacement ces disparités, mais elles posent des défis en termes d’interprétabilité et de performances des modèles. Ce mémoire propose également des pistes pour élargir l’étude à d’autres critères sensibles, tout en soulignant la nécessité d’un cadre équilibré entre équité, efficacité et transparence.