L'équité de l'apprentissage machine en assurance

Laurence Barry (1, 2) , Arthur Charpentier (3, 4)

1 Sciences Po - Sciences Po
2 ENSAE - Ecole Nationale de la Statistique et de l'Analyse Economique
3 UQAM - Université du Québec à Montréal = University of Québec in Montréal
4 UR - Université de Rennes

Depuis le début de leur histoire, les assureurs sont réputés utiliser des données pour classer et tarifer les risques. A ce titre, ils ont été assez tôt confrontés aux problèmes d'équité et de discrimination associées aux données. Pourtant, si cette question est récurrente, elle connait un regain d'importance avec l'accès à des données de plus en plus granulaires, massives et comportementales. Nous verrons ici comment les biais de l'apprentissage machine en assurance renouvellent ou transforment ce questionnement pour rendre compte des technologies et des préoccupations sociétales actuelles : paradoxalement, alors que la plupart de ces biais ne sont pas nouveaux, la recherche d'une équité pour les contrer, elle, se transforme.

Domaines: Statistiques [math.ST]; Economies et finances; Machine Learning [stat.ML]; Gestion des risques [q-fin.RM]

Laurence Barry, Arthur Charpentier. L'équité de l'apprentissage machine en assurance. 2022. ⟨hal-03561709⟩