L'I.A. au service de l’assurance

Uncertainty Quantification with Machine Learning and Reinforcement Learning for Business Decision-Making

Ce projet de recherche a abouti en avril 2026 avec la défense de thèse du chercheur, Akash Singh.

Consulter la thèse et les publications associées

Le Contexte

L’émergence de l’intelligence artificielle (IA), du Big Data et des nouvelles méthodes en data science est en train de changer profondément le monde pour toutes les entreprises, et en particulier pour les compagnies d’assurance. Les assureurs ont la particularité d’être confrontés à un “cycle de produit inversé” (c’est-à-dire qu’ils vendent des produits sans en connaître le coût réel, qui dépend directement de facteurs aléatoires).  Les données ont donc toujours été au cœur de l’activité d’assurance, qui doit utiliser toutes les (sources d’) informations possibles pour évaluer les risques d’assurance.  L’émergence d’un « marché de la data » avec des sources de données innovantes et le développement de nouvelles méthodes (d’apprentissage automatique) ouvrent de nombreuses possibilités supplémentaires aux assureurs, avec la possibilité d’adapter l’offre à des clients toujours plus exigeants.

Le Challenge

Les assureurs belges évoluent dans un marché (non-vie) presque saturé et donc extrêmement compétitif. Il est donc très important pour les assureurs d’adopter les meilleures stratégies afin (1) d’augmenter le « Nouveau Business » et (2) de limiter l’impact négatif de la résiliation de contrat (le « churn »). Des méthodologies de pointe (machine learning, deep learning, …) et de nouveaux outils sont essentiels pour prospérer, en particulier pour Ethias, une des sociétés leader sur le marché, mais seulement active sur le marché belge de l’assurance, qui ambitionne également d’être la première société d’assurance phygital. Dans un monde caractérisé à la fois par le risque et l’incertitude (Keynes, Knight), les fonctions de croyance (« Belief Functions ») constituent des outils adéquats, car elles permettent de gérer l’incertitude, étendant ainsi la notion classique de probabilité (utilisée pour gérer le risque par les actuaires).

Question clé & objectifs

Sur la base des éléments susmentionnés, la question clé peut être formulée comme suit :

Cette question clé peut être décomposée en plusieurs sous-questions, à savoir :

• Quand contacter un client ?
• Quels produits et/ou services lui recommander ?
• Quels sont les déterminants du churn?
• Qui est susceptible de résilier son contrat, et quand ?
• Que peut-on déduire de sources non conventionnelles (courriels, transcriptions téléphoniques, etc.) sur le risque de résiliation ?

Pour répondre à toutes ces questions, des méthodes originales basée sur les Belief Functions et le Machine (Deep) Learning seront développées.

Personnes impliquées

• SINGH Akash
  Chercheur
• ITTOO Ashwin
  Promoteur

Partenaire projet