La profession évolue. Que ferez-vous pour vous adapter?
Pendant des décennies, la valeur des actuaires était indissociable de leur capacité à élaborer des modèles, des feuilles de calcul, des analyses et des rapports, des réalisations qui nécessitaient souvent plusieurs jours de conception manuelle.
Cette contrainte commence à disparaître. L’intelligence artificielle générative (IA générative) donne le jour à une nouvelle catégorie d’outils qui réduisent, de jours en minutes, le temps nécessaire pour produire des analyses. Pour être efficaces, toutefois, ces outils nécessitent deux conditions essentielles : des données structurées et bien gouvernées, ainsi qu’une expertise actuarielle solide. L’IA générative ne crée pas de savoir actuariel; elle transpose des connaissances déjà établies, structurées et orientées par des actuaires au moyen de données et de requêtes.
Cet article décrit la façon dont les outils d’IA générative sont élaborés concrètement dans le contexte actuariel, les conditions nécessaires pour assurer leur bon fonctionnement et le rôle fondamental que jouent les actuaires dans le processus.
Deux accélérateurs, une méthodologie
Dans le contexte actuariel, deux accélérateurs sont en mesure d’accroître l’efficacité du travail :
- Les systèmes d’analyse interactifs (p. ex., les tableaux de bord et les interfaces en langage naturel), qui permettent l’exploration en temps réel des résultats actuariels sans qu’il soit nécessaire de créer des fichiers Excel personnalisés.
- Les moteurs de calcul des provisions, qui transposent les calculs à l’ensemble du portefeuille.
Les systèmes d’analyse interactifs facilitent l’analyse des résultats. Dans les rapports actuels, les résultats actuariels sont souvent confinés à des plateformes de modélisation et ne sont accessibles qu’aux actuaires. Par conséquent, les requêtes des équipes chargées des finances ou de la haute direction déclenchent généralement un long processus manuel allant de l’extraction des données jusqu’à la production des fichiers d’analyse.
Le premier accélérateur résout cette contrainte. Il permet de structurer les résultats actuariels dans une base de données consultable et de les présenter sous forme de tableaux de bord ou de rapports automatisés. L’ajout d’une fonctionnalité de modèle de langage permet aux utilisateurs de poser des questions et d’obtenir des réponses en temps réel, et ce, sans devoir créer de fichiers manuellement.
L’architecture fonctionne selon une approche ascendante. L’expertise actuarielle détermine les données qu’il convient d’extraire et la façon de les interpréter. L’ingénierie des données procède ensuite à la conception des flux de données et structure les résultats et les paramètres des modèles dans une base de données. On ajoute ensuite une fonctionnalité analytique à des fins d’agrégation, de décomposition de la variance, de production automatisée de rapports et de visualisation. On ajoute la fonctionnalité d’IA en dernier afin d’interpréter les requêtes des utilisateurs et de générer des réponses. Elle sert donc d’interface reposant sur ces bases.
Le moteur de calcul des provisions exécute des calculs actuariels. Les processus de modélisation actuels nécessitent beaucoup de temps et de ressources pour élaborer, exécuter et valider les calculs pour chaque produit. Le deuxième accélérateur transpose ces opérations à l’échelle du portefeuille.
Il y a d’abord une expertise actuarielle qui sélectionne un produit représentatif, puis qui élabore une feuille de calcul, laquelle est ensuite transposée en structures de données généralisées et en code Python réutilisable. À partir de cette base, l’IA générative est en mesure d’appliquer la logique actuarielle à d’autres produits et, en fin de compte, au portefeuille en entier. Elle peut aussi générer des scénarios d’essai, produire des documents et faciliter le suivi des problèmes de calcul, augmentant ainsi l’efficacité de la modélisation.
Les deux accélérateurs utilisent l’IA générative de façons différentes, mais respectent le même principe : l’IA générative ne sert pas à créer, mais à multiplier. Bien qu’elle génère des résultats à partir des requêtes de l’utilisateur, son fonctionnement repose sur l’interaction de trois autres éléments : l’expertise actuarielle, qui établit la logique, l’ingénierie des données, qui structure et gère les données, ainsi que la génération améliorée par récupération d’information (GARI) et la conception des requêtes, qui garantissent la pertinence des résultats dans un contexte actuariel.
GARI, ingénierie des requêtes et affinage : améliorer l’IA générative dans le contexte actuariel
L’ingénierie des requêtes, l’affinage et la GARI sont des méthodes d’optimisation qui contribuent à produire des résultats qui soient pertinents et fiables dans un contexte actuariel professionnel.
La formulation de requêtes par un expert permet d’optimiser les résultats grâce à des directives claires et efficaces favorisant la précision. L’affinage consiste à utiliser l’apprentissage supervisé avec des données étiquetées pour entraîner de grands modèles de langage (GML) sur des connaissances propres à un domaine. La GARI fonde chaque réponse sur des sources vérifiées (p. ex., de la documentation, du code de calcul) plutôt que sur les connaissances génériques du modèle, ce qui réduit la « fabulation ». En fondant les réponses sur des données sources extraites plutôt que sur la mémoire paramétrique du modèle, la GARI accroît la vérifiabilité; le document ou le calcul sous-jacent de chaque réponse peut être retracé, ce qui constitue une exigence importante dans un contexte actuariel réglementé.
Chaque méthode améliore la qualité des résultats, mais ne résout à elle seule qu’une partie du problème. L’ingénierie des requêtes établit la façon dont les entrées sont formulées, l’affinage adapte le comportement et le ton du modèle et la GARI fonde les réponses sur des données vérifiées. Ensemble, elles favorisent la fiabilité et la rentabilité des GML. Voici un exemple de requêtes utilisateurs et de réponses de GML pour des systèmes d’analyse interactifs ayant recours à différentes méthodes d’optimisation :
Aucune optimisation
Q : Expliquez les raisons pour lesquelles les provisions sont passées de 100 M$ au T3 à 110 M$ au T4.
R : Une augmentation de 10 M$ (10 %) des réserves entre le T3 et le T4 s’explique généralement par des changements apportés aux hypothèses sous-jacentes et l’évolution de la conjoncture économique, plutôt que par un facteur unique.Ingénierie des requêtes
Q : Vous êtes actuaire chargé du calcul des provisions. Expliquez l’évolution des provisions entre le T3 et le T4 à l’aide des données suivantes. Chiffrez l’incidence de chaque facteur et fournissez une explication concise.
Les provisions au T3 sont passées de 100 M$ à 110 M$; le taux d’actualisation est passé de 3,0 % à 2,6 %; la durée du passif est de 10 ans; l’incidence de la modification de l’hypothèse de mortalité est de +4 M$.
R : Les facteurs suivants expliquent l’augmentation des provisions de 100 M$ à 110 M$ (+10 M$) :
1. Mise à jour des hypothèses de mortalité (+4 M$)
La mise à jour des hypothèses de mortalité a entraîné une hausse des paiements de prestations futurs attendus, ce qui a contribué aux provisions à hauteur de +4 M$.
2. Baisse du taux d’actualisation (3,0 % à 2,6 %) (+4 M$)
La baisse du taux d’actualisation augmente la valeur actuelle du passif futur. En utilisant une approximation standard de la durée, une baisse de 40 points de base du taux d’actualisation augmente la valeur actualisée du passif de 4 M$ compte tenu d’une durée de 10 ans.
3. Autres incidences (résiduelles : +2 M$)
La variation restante tient compte d’autres facteurs tels que les écarts d’expérience, les mises à jour des modèles ou le niveau de détail des hypothèses qui n’ont pas été quantifiés de manière explicite.
GARI
Q : Expliquez les raisons pour lesquelles les provisions sont passées de 100 M$ au T3 à 110 M$ au T4.
(Supposons que la GARI récupère les données sur la répartition du T4, y compris l’incidence des taux d’intérêt, l’incidence de la mortalité et les catégories résiduelles.)
R : Les provisions ont augmenté de 10 M$ entre le T3 et le T4, passant de 100 M$ à 110 M$. Sur la base de la répartition de la provision du T4 :
1. Incidence des taux d’intérêt : +4 M$
Attribuable à une baisse des taux d’actualisation au cours du trimestre, ce qui a augmenté la valeur actualisée des flux de trésorerie futurs liés au passif.
2. Mise à jour des hypothèses de mortalité : +4 M$
Compte tenu de la mise à jour des hypothèses de mortalité fondées sur les meilleures estimations approuvées au T4.
3. Autres incidences : +2 M$
Affinage
Q : Expliquez les raisons pour lesquelles les provisions sont passées de 100 M$ au T3 à 110 M$ au T4.
R : Les provisions ont augmenté de 10 M$ au T4, principalement en raison de l’évolution des hypothèses et des résultats économiques observés au cours du trimestre.
Cette augmentation est probablement attribuable à une combinaison des facteurs suivants :
1. Incidences économiques (taux d’intérêt) : une baisse des rendements du marché aurait pour effet d’augmenter la valeur actualisée des flux de trésorerie futurs, compte tenu notamment de la durée généralement longue des passifs d’assurance. Ce facteur devrait constituer l’un des principaux facteurs de cette augmentation.
2. Mises à jour des hypothèses : la révision des hypothèses les plus probables, telles que la mortalité ou la déchéance, pourrait avoir contribué à une augmentation structurelle des passifs sur la base des données d’expérience émergentes.
3. Mouvements normaux de la période : on parle notamment des intérêts courus sur le passif d’ouverture, compensés par les versements de prestations et les écarts d’expérience au cours du trimestre.
Sur le plan pratique, la GARI constitue un point de départ rentable. Étant donné que les actuaires s’appuient sur des données pour éclairer leurs décisions opérationnelles, le recours à des sources actuelles, vérifiées et traçables assure un meilleur contrôle sur les résultats dans un contexte actuariel. L’ingénierie des requêtes vient compléter cette approche en guidant les GML afin qu’ils génèrent des réponses conformes à l’intention actuarielle. Lorsque les cas d’usage se stabilisent et sont transposés à grande échelle, on peut mettre en œuvre l’affinage afin d’accroître encore davantage l’efficacité.
Les arguments en faveur de la priorisation de la GARI sont également d’ordre technique. L’affinage constitue l’option qui requiert le plus de ressources : elle nécessite des données étiquetées, une capacité de calcul importante et un réentraînement chaque fois que les données sous-jacentes changent. La GARI offre un meilleur équilibre. Grâce à l’accès à des données pertinentes, la production de résultats de haute qualité nécessite moins de contexte et de suivis, ce qui réduit l’utilisation de jetons, évite les longs processus de réentraînement pour les nouvelles données et diminue les coûts opérationnels à grande échelle.
En règle générale, il convient d’avoir recours à l’ingénierie des requêtes pour obtenir des résultats rapides, à la GARI lorsque les réponses doivent s’appuyer sur des données actuelles et vérifiées, et l’affinage uniquement pour les tâches stables et à fort volume nécessitant un style ou un format cohérent.
Structurer les données pour l’IA générative : le rôle de l’ingénierie des données
L’IA générative ne peut être plus fiable que les données auxquelles elle a accès. Dans une architecture de GARI, le modèle récupère des réponses provenant d’une base de connaissances gérée par des ingénieurs de données, plutôt que de s’appuyer sur son propre entraînement. L’ingénierie des données devient donc la fonctionnalité la plus cruciale, souvent sous-estimée, de tout système d’IA générative.
Le mécanisme fondamental de la GARI repose sur deux étapes : la mémorisation par blocs, qui consiste à segmenter les connaissances, et la vectorisation (ou « incorporation »), qui convertit chaque segment en un vecteur numérique de haute dimension représentant sa signification sémantique. D’un point de vue conceptuel, les textes ayant un sens similaire sont placés à proximité les uns des autres dans cet espace vectoriel.
Au moment de la requête, la question de l’utilisateur est incorporée dans ce même espace et le système extrait les blocs les plus proches, généralement à l’aide de la similarité cosinus. Ces vecteurs sont stockés et interrogés dans une base de données vectorielle dédiée, ce qui permet une récupération efficace même parmi des millions de segments.
La qualité des résultats repose donc sur deux facteurs : la qualité des blocs et celle du modèle d’incorporation utilisé pour les encoder. Des données mal structurées ou un modèle d’incorporation peu performant donnent lieu à une récupération imprécise, ce qui augmente le risque de fabulation, même avec un GML de pointe.
L’ingénierie des données doit donc garantir le recours à des conventions d’appellation cohérentes, à un marquage riche des métadonnées à des fins de vérifiabilité, à des stratégies de mémorisation par blocs correspondant à la logique actuarielle et à des pipelines automatisés permettant de tenir à jour la base de connaissances.
L’ingénierie des données ne fait pas que « préparer » les données pour l’IA générative; elle définit la limite de ce que l’IA générative est en mesure de produire de manière fiable.
L’expertise actuarielle demeure indispensable, même à l’ère de l’IA générative
Dans le modèle traditionnel, les actuaires conçoivent des formules une cellule à la fois, procèdent à l’extraction manuelle des données et rédigent des rapports à partir de rien. Ils consacrent leur temps en grande partie à ces tâches mécaniques plutôt qu’à l’analyse, à l’interprétation et à la prise de décision.
Maintenant, l’IA générative est en mesure de transposer rapidement les calculs et les analyses en nécessitant très peu d’opérations manuelles. À première vue, cette technologie semble remplacer l’une des forces fondamentales de l’actuaire, soit la construction. Le jugement actuariel demeure toutefois crucial et irremplaçable. Dans le cadre des systèmes d’analyse interactifs dont on a parlé précédemment, les actuaires doivent tout de même vérifier l’exactitude et la pertinence des résultats générés par l’IA. Dans les moteurs de calcul des provisions, en particulier lorsqu’il est question de caractéristiques de produits innovantes, les actuaires déterminent la façon dont il convient de quantifier les risques.
Leur rôle n’est donc pas éliminé, mais plutôt recentré sur ses valeurs fondamentales : appliquer les mathématiques, les statistiques et les données pour modéliser l’avenir de manière à aider les particuliers et les organisations à gérer les risques.
Le recours à l’IA générative pour amplifier l’expertise actuarielle
L’IA générative s’est rapidement imposée grâce à ses capacités puissantes, mais il ne s’agit pas d’une solution complète. Elle repose sur une architecture de soutien solide, qui comprend l’expertise actuarielle, l’ingénierie des données et l’optimisation des modèles. Sans expertise actuarielle, il n’y a aucune logique solide à transposer. Sans ingénierie des données, il n’y a pas de source de données fiable. Sans optimisation des modèles, même les GML sont vulnérables à la fabulation.
L’IA n’a donc pas pour effet d’éclipser la profession actuarielle, mais plutôt de la redéfinir. Dans un environnement facilité par l’IA, les actuaires devraient avoir recours à l’IA générative comme amplificateur, pour accélérer des processus qu’ils maîtrisent déjà et se concentrer sur l’expertise et le jugement, qui nécessitent l’intervention humaine.
Alex Chan, FICA, FSA, est directeur de l’actuariat chez EY Canada. Arrivé d’EY Hong Kong, il possède une expérience du secteur de l’assurance vie dans plusieurs marchés, ainsi qu’une connaissance approfondie de divers régimes de capitaux et de la norme IFRS 17.
Cem Unlubayrak est directeur principal des services actuariels chez EY Canada. Spécialisé en modélisation actuarielle et en applications émergentes de l’intelligence artificielle, il a participé à de nombreux projets de recherche et développement, notamment à la conception de modèles actuariels avancés et d’outils axés sur les données pour le secteur de l’assurance.
Simon Girard, FICA, est associé au sein du service d’assurance et d’actuariat-conseil chez EY, groupe qu’il dirige au Canada. Au service de clients en Amérique du Nord, il se consacre à l’innovation et à l’avancement de la profession actuarielle. Il soutient également l’élaboration de solutions d’analytique avancée à des fins actuarielles et stratégiques dans le secteur de l’assurance vie et des rentes. Il s’intéresse aussi à la modification comptable (IFRS 17) et à la transformation actuarielle et financière.
Cet article présente l’opinion de ses auteurs et ne constitue pas un énoncé officiel de l’ICA.