Mémoires d'Actuariat
Equité des modèles en assurance, mesure et mitigation des discriminations
Auteur(s) SIMO NOUBISSI M. J.
Société BNP Paribas Cardif
Année 2025
Résumé
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. Mots-clés : Équité, intelligence artificielle, biais, proxy, orthogonalisation, transport optimal.
Abstract
Artificial intelligence (AI) is playing an increasingly significant role in the insurance industry, offering unprecedented opportunities to enhance efficiency, personalization, and risk management. However, the use of predictive models raises critical concerns regarding fairness, as these tools can replicate or amplify biases present in the data, thereby generating indirect discrimination. This thesis addresses these issues through both theoretical and empirical analyses. The objectives of this work are threefold: first, to understand the principles of fairness within an actuarial and algorithmic framework; second, to assess biases using appropriate metrics, such as explained variance and Kolmogorov distance; and third, to propose methods to mitigate discrimination by incorporating approaches like the orthogonalization of explanatory variables and the optimal transport of distributions. The findings demonstrate that, despite the removal of sensitive variables, biases often persist through proxies. The proposed methodologies effectively reduce these disparities but present challenges in terms of model interpretability and performance. This thesis also outlines avenues for extending the study to other sensitive criteria while emphasizing the need for a balanced framework between fairness, efficiency, and transparency. Keywords : Fairness, artificial intelligence, biases, proxy, orthogonalization, optimal transport.
Mémoire complet
Auteur(s) SIMO NOUBISSI M. J.
Société BNP Paribas Cardif
Année 2025
Résumé
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. Mots-clés : Équité, intelligence artificielle, biais, proxy, orthogonalisation, transport optimal.
Abstract
Artificial intelligence (AI) is playing an increasingly significant role in the insurance industry, offering unprecedented opportunities to enhance efficiency, personalization, and risk management. However, the use of predictive models raises critical concerns regarding fairness, as these tools can replicate or amplify biases present in the data, thereby generating indirect discrimination. This thesis addresses these issues through both theoretical and empirical analyses. The objectives of this work are threefold: first, to understand the principles of fairness within an actuarial and algorithmic framework; second, to assess biases using appropriate metrics, such as explained variance and Kolmogorov distance; and third, to propose methods to mitigate discrimination by incorporating approaches like the orthogonalization of explanatory variables and the optimal transport of distributions. The findings demonstrate that, despite the removal of sensitive variables, biases often persist through proxies. The proposed methodologies effectively reduce these disparities but present challenges in terms of model interpretability and performance. This thesis also outlines avenues for extending the study to other sensitive criteria while emphasizing the need for a balanced framework between fairness, efficiency, and transparency. Keywords : Fairness, artificial intelligence, biases, proxy, orthogonalization, optimal transport.
Mémoire complet
