{"id":628740,"date":"2025-10-24T11:03:41","date_gmt":"2025-10-24T15:03:41","guid":{"rendered":"https:\/\/www.cia-ica.ca\/?post_type=news&p=628740"},"modified":"2025-10-24T11:03:43","modified_gmt":"2025-10-24T15:03:43","slug":"artificielles-mais-utiles-guide-de-lactuaire-en-matiere-de-donnees-synthetiques","status":"publish","type":"news","link":"https:\/\/www.cia-ica.ca\/fr\/news\/artificielles-mais-utiles-guide-de-lactuaire-en-matiere-de-donnees-synthetiques\/","title":{"rendered":"Artificielles, mais utiles\u00a0: guide de l\u2019actuaire en mati\u00e8re de donn\u00e9es synth\u00e9tiques"},"content":{"rendered":"\n

Dans le contexte actuel ax\u00e9 sur les donn\u00e9es, les donn\u00e9es synth\u00e9tiques acqui\u00e8rent en pertinence. La demande grandissante \u00e0 l\u2019\u00e9gard de donn\u00e9es riches et d\u00e9taill\u00e9es permettant de concevoir des mod\u00e8les plus pr\u00e9cis, compte tenu notamment des avanc\u00e9es constantes sur le plan de la technologie et de la puissance de traitement, entre en conflit avec les contraintes li\u00e9es \u00e0 la confidentialit\u00e9 des donn\u00e9es, \u00e0 la conformit\u00e9 r\u00e9glementaire et \u00e0 la disponibilit\u00e9 des donn\u00e9es dans ce secteur hautement r\u00e9glement\u00e9. Les donn\u00e9es synth\u00e9tiques constituent une solution prometteuse pour combler cette lacune. Celles-ci offrent la possibilit\u00e9 \u00e0 la fois de maintenir la confidentialit\u00e9 des donn\u00e9es des titulaires de police en prot\u00e9geant l\u2019information sensible et de permettre aux actuaires de g\u00e9n\u00e9rer des ensembles de donn\u00e9es de plus grande envergure.<\/p>\n\n\n\n

En quoi consistent les donn\u00e9es synth\u00e9tiques et pourquoi sont-elles importantes?<\/h2>\n\n\n\n
\n

[Traduction libre] \u00ab Les donn\u00e9es synth\u00e9tiques sont des renseignements annot\u00e9s que g\u00e9n\u00e8rent des simulations informatiques ou des algorithmes \u00e0 titre de solution de rechange aux donn\u00e9es r\u00e9elles. Bien qu\u2019elles soient artificielles, les donn\u00e9es synth\u00e9tiques repr\u00e9sentent les donn\u00e9es r\u00e9elles sur le plan math\u00e9matique ou statistique. \u00bb<\/em><\/p>\n<\/blockquote>\n\n\n\n

Cet article traite du potentiel de transformation des donn\u00e9es synth\u00e9tiques g\u00e9n\u00e9r\u00e9es par l\u2019intelligence artificielle, des risques associ\u00e9s \u00e0 leur utilisation, de leurs applications pratiques et de la fa\u00e7on de les cr\u00e9er dans le contexte actuariel. \u00c0 mesure que notre secteur int\u00e8gre la transformation num\u00e9rique, il peut \u00eatre tr\u00e8s utile pour les professionnels et professionnelles de l\u2019actuariat, de comprendre les donn\u00e9es synth\u00e9tiques et d\u2019en tirer parti pour accro\u00eetre l\u2019efficacit\u00e9 de leurs mod\u00e8les.<\/p>\n\n\n\n

Consid\u00e9rations li\u00e9es \u00e0 la confidentialit\u00e9<\/h2>\n\n\n\n

Les consid\u00e9rations li\u00e9es \u00e0 la confidentialit\u00e9, qui se traduisent par des restrictions quant \u00e0 la fa\u00e7on dont on peut utiliser ces donn\u00e9es, constituent l\u2019un des facteurs les plus importants incitant \u00e0 recourir aux donn\u00e9es synth\u00e9tiques. \u00c0 titre d\u2019exemple, des donn\u00e9es historiques \u2013 des renseignements personnels ou de nature d\u00e9licate recueillis ant\u00e9rieurement \u2013 pourraient avoir \u00e9t\u00e9 obtenues en vertu d\u2019un consentement dont le libell\u00e9 n\u2019autorisait ni explicitement implicitement l\u2019entra\u00eenement d\u2019un mod\u00e8le \u00e0 partir de cas d\u2019usage ou d\u2019une loi sur la protection de la vie priv\u00e9e qui pourrait limiter la fa\u00e7on de transf\u00e9rer les donn\u00e9es ou la destination du transfert.  <\/p>\n\n\n\n

Dans un tel cas, les ensembles de donn\u00e9es synth\u00e9tiques pourraient constituer une solution qui permettrait d\u2019extraire la valeur des donn\u00e9es sans devoir utiliser ni transf\u00e9rer les donn\u00e9es elles-m\u00eames. Des ensembles de donn\u00e9es synth\u00e9tiques bien construits devraient pouvoir conserver l\u2019essentiel des liens statistiques des ensembles de donn\u00e9es sous-jacents tout en retirant les liens avec des sujets. Dans le cadre de certains r\u00e9gimes de protection de la confidentialit\u00e9, ces donn\u00e9es pourraient ne plus \u00eatre consid\u00e9r\u00e9es comme des renseignements personnels, et leur utilisation et leur transfert pourraient ainsi \u00eatre assujettis \u00e0 un moins grand nombre de restrictions. <\/p>\n\n\n\n

Que font les compagnies d\u2019assurance et de r\u00e9assurance en mati\u00e8re de donn\u00e9es synth\u00e9tiques?<\/h2>\n\n\n\n

Les donn\u00e9es synth\u00e9tiques offrent aux assureurs une nouvelle approche \u00e0 l\u2019\u00e9gard d\u2019un probl\u00e8me courant, \u00e0 savoir que \u00ab les donn\u00e9es peuvent \u00eatre on\u00e9reuses, d\u00e9s\u00e9quilibr\u00e9es, indisponibles ou inutilisables en raison de la r\u00e9glementation relative \u00e0 la protection de la vie priv\u00e9e. \u00bb Pour r\u00e9soudre ce probl\u00e8me, les compagnies d\u2019assurance ont toujours eu recours \u00e0 des techniques moins modernes. Par exemple, dans le cas d\u2019un ensemble de donn\u00e9es comportant des identifiants directs (p. ex., nom, adresse, coordonn\u00e9es), les compagnies pouvaient simplement les retirer. Mais cette m\u00e9thode, comme d\u2019autres, moins modernes, pr\u00e9sente le risque que les donn\u00e9es comportent d\u2019autres renseignements quasi identifiables.<\/p>\n\n\n\n

Maintenant, les assureurs qui en poss\u00e8dent les capacit\u00e9s techniques mettent \u00e0 l\u2019essai des m\u00e9thodes faisant appel aux donn\u00e9es synth\u00e9tiques. Dans l\u2019exemple ci-dessus, dans lequel un ensemble de donn\u00e9es comporte des identifiants directs, certaines compagnies construiraient un nouvel ensemble de donn\u00e9es pr\u00e9sentant un degr\u00e9 de confidentialit\u00e9 \u00e9lev\u00e9 au moyen d\u2019un g\u00e9n\u00e9rateur de donn\u00e9es synth\u00e9tiques faisant appel \u00e0 l\u2019apprentissage profond.<\/p>\n\n\n\n

Il y a plusieurs raisons pour lesquelles ce ne sont pas toutes les compagnies qui le font :<\/strong><\/p>\n\n\n\n

    \n
  1. L\u2019ex\u00e9cution du processus de g\u00e9n\u00e9ration de donn\u00e9es synth\u00e9tiques peut \u00eatre complexe. Elle n\u00e9cessite une \u00e9quipe qui poss\u00e8de une compr\u00e9hension approfondie de la programmation et de la gestion des donn\u00e9es.<\/li>\n\n\n\n
  2. Le processus entra\u00eene une certaine perte de renseignements.<\/li>\n\n\n\n
  3. La g\u00e9n\u00e9ration d\u2019un ensemble de donn\u00e9es viable n\u00e9cessite g\u00e9n\u00e9ralement une source de donn\u00e9es tr\u00e8s vaste.<\/li>\n<\/ol>\n\n\n\n

    Outre les compagnies d\u2019assurance et de r\u00e9assurance qui agissent de mani\u00e8re autonome, certaines entreprises se sp\u00e9cialisent dans les techniques de g\u00e9n\u00e9ration de donn\u00e9es synth\u00e9tiques. MOSTLY AI, par exemple, propose une plateforme exclusive aux fins de la g\u00e9n\u00e9ration de donn\u00e9es synth\u00e9tiques et fournit aussi du code source ouvert permettant aux utilisateurs de concevoir leurs propres solutions sur mesure.<\/p>\n\n\n\n

    Des entreprises examinent aussi une autre cat\u00e9gorie de donn\u00e9es synth\u00e9tiques visant \u00e0 faciliter les essais logiciels ou de canalisation de donn\u00e9es en ayant recours \u00e0 des donn\u00e9es synth\u00e9tiques plut\u00f4t qu\u2019\u00e0 des donn\u00e9es de nature d\u00e9licate. Aux fins de cas d\u2019usage de ce genre, il est possible de g\u00e9n\u00e9rer, au moyen de progiciels, divers types de donn\u00e9es r\u00e9alistes comportant des noms, des adresses courriel et des num\u00e9ros de t\u00e9l\u00e9phone.<\/p>\n\n\n\n

    La cr\u00e9ation de donn\u00e9es synth\u00e9tiques<\/h2>\n\n\n\n

    Si les m\u00e9thodes permettant de g\u00e9n\u00e9rer des donn\u00e9es synth\u00e9tiques sont nombreuses, elles font n\u00e9anmoins presque toutes appel \u00e0 des mod\u00e8les d\u2019apprentissage machine. Dans les cas les plus simples pour des donn\u00e9es d\u2019entr\u00e9e structur\u00e9es (c.-\u00e0-d. des donn\u00e9es tabulaires), ces mod\u00e8les apprennent les propri\u00e9t\u00e9s statistiques de l\u2019ensemble de donn\u00e9es et g\u00e9n\u00e8rent des articles qui les simulent sous forme agr\u00e9g\u00e9e. Dans le cas des types de donn\u00e9es plus complexes, ces mod\u00e8les cherchent \u00e0 comprendre les liens et les structures plus profonds qui existent \u00e0 m\u00eame les donn\u00e9es. Faisons un parall\u00e8le avec des images, par exemple. Un mod\u00e8le utilis\u00e9 pour g\u00e9n\u00e9rer des portraits humains synth\u00e9tiques devrait \u00eatre en mesure de comprendre la structure, la complexit\u00e9 et la vari\u00e9t\u00e9 des traits du visage humain.<\/p>\n\n\n\n

    Les images et vid\u00e9os g\u00e9n\u00e9r\u00e9es de mani\u00e8re synth\u00e9tique sont peut-\u00eatre \u00ab g\u00e9niales \u00bb, mais pour la plupart des actuaires, les ensembles de donn\u00e9es tabulaires ainsi g\u00e9n\u00e9r\u00e9s sont applicables plus directement \u00e0 des cas d\u2019usage dans leur travail courant.<\/p>\n\n\n\n

    Voici quelques possibilit\u00e9s qui s\u2019offrent aux actuaires qui d\u00e9sirent g\u00e9n\u00e9rer des ensembles de donn\u00e9es tabulaires synth\u00e9tiques. Par exemple, voici quelques progiciels (en anglais) offerts en Python et R :<\/p>\n\n\n\n

      \n
    1. Vo\u00fbte de donn\u00e9es synth\u00e9tiques (SDV) (Python)<\/a> <\/li>\n\n\n\n
    2. YData SDK (Python)<\/a>  <\/li>\n\n\n\n
    3. Lace (Python)<\/a><\/li>\n\n\n\n
    4. Synthpop (R)<\/a> <\/li>\n<\/ol>\n\n\n\n

      Le progiciel de la SDV propose quelques m\u00e9thodes permettant de g\u00e9n\u00e9rer des donn\u00e9es tabulaires synth\u00e9tiques. Le tableau ci-apr\u00e8s pr\u00e9sente un sommaire des m\u00e9thodes courantes, ainsi que les points positifs et n\u00e9gatifs.<\/p>\n\n\n\n

      Mod\u00e8le de donn\u00e9es synth\u00e9tiques<\/strong><\/td>Description<\/strong><\/td>Points positifs<\/strong><\/td>Points n\u00e9gatifs<\/strong><\/td><\/tr>
      Copule gaussienne<\/td>Recours \u00e0 une copule gaussienne pour mod\u00e9liser des distributions combin\u00e9es et g\u00e9n\u00e9rer des donn\u00e9es synth\u00e9tiques r\u00e9alistes.<\/td>– Rapide et intuitif
      – Requiert moins de ressources informatiques<\/td>      		– Difficile de d\u00e9terminer la d\u00e9pendance des queues
      – Difficile de d\u00e9terminer les relations non lin\u00e9aires<\/td><\/tr>
      CTGAN (\u00ab conditional tabular generative adversarial network \u00bb)<\/td>Se sert d\u2019un r\u00e9seau antagoniste g\u00e9n\u00e9ratif (GAN), une technique d\u2019apprentissage profond, pour g\u00e9n\u00e9rer des donn\u00e9es synth\u00e9tiques.<\/td>– Capacit\u00e9 de d\u00e9terminer des interactions plus complexes (non lin\u00e9aire, queue)
      – Excellent dans le traitement de types de donn\u00e9es mixtes (num\u00e9riques, cat\u00e9gorielles)<\/td>      		– Plus lent et requiert plus de ressources informatiques
      – Plus opaque – Pourrait \u00eatre moins stable
      – Requiert g\u00e9n\u00e9ralement des ensembles de donn\u00e9es plus vastes pour g\u00e9n\u00e9rer des donn\u00e9es synth\u00e9tiques de fa\u00e7on efficace<\/td><\/tr>
      CopulaGan<\/td>Technique hybride qui fait usage \u00e0 la fois des m\u00e9thodes fond\u00e9es sur les copules et sur les GAN. <\/td>– Plus robuste que les GAN
      – Moins sujette \u00e0 l\u2019instabilit\u00e9 pendant l\u2019entra\u00eenement que les GAN<\/td>      		– Mise en \u0153uvre et mise au point plus complexes que la m\u00e9thode standard fond\u00e9e sur les GAN
      – Complexe et exigeante sur le plan informatique<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n

      En fin de compte, le choix de l\u2019algorithme d\u00e9pend du cas d\u2019usage dont il est question, ainsi que de toute contrainte li\u00e9e \u00e0 la capacit\u00e9 de calcul, au temps, \u00e0 la complexit\u00e9 et \u00e0 la taille des donn\u00e9es. On optera pour des m\u00e9thodes qui reposent sur des techniques statistiques plus classiques, telles que les copules gaussiennes, en cas de contraintes computationnelles ou temporelles ou lorsque l\u2019on recherche une plus grande interpr\u00e9tabilit\u00e9 quant aux hypoth\u00e8ses sous-jacentes. Lorsqu\u2019il y a moins de contraintes quant aux capacit\u00e9s de calcul, que les donn\u00e9es sont disponibles en plus grand nombre et que l\u2019on souhaite mod\u00e9liser des interd\u00e9pendances plus complexes, les m\u00e9thodes fond\u00e9es sur les GAN ou d\u2019autres m\u00e9thodes s\u2019appuyant sur l\u2019apprentissage profond pourraient \u00eatre mieux adapt\u00e9es. <\/p>\n\n\n\n

      En pratique, les contraintes \u00e9nonc\u00e9es ci-dessus seront g\u00e9n\u00e9ralement moins \u00e9videntes et il conviendra souvent de faire l\u2019essai de plusieurs techniques.<\/p>\n\n\n\n

      Les risques li\u00e9s \u00e0 l\u2019utilisation de donn\u00e9es synth\u00e9tiques<\/h2>\n\n\n\n

      Si le recours \u00e0 des donn\u00e9es synth\u00e9tiques pr\u00e9sente des avantages substantiels, il comporte \u00e9galement des risques importants dont doivent rigoureusement tenir compte les actuaires.<\/p>\n\n\n\n

      La possibilit\u00e9 de repr\u00e9sentation erron\u00e9e des donn\u00e9es r\u00e9elles, qui survient lorsque les donn\u00e9es synth\u00e9tiques n\u2019arrivent pas \u00e0 repr\u00e9senter fid\u00e8lement les relations, les d\u00e9pendances ou les variabilit\u00e9s sous-jacentes qui y sont pr\u00e9sentes, est l\u2019une des principales pr\u00e9occupations. Cela peut se produire lorsque le mod\u00e8le simplifie les tendances, repose sur des donn\u00e9es limit\u00e9es ou de pi\u00e8tres qualit\u00e9s ou est assujetti \u00e0 des contraintes computationnelles importantes, ce qui donne lieu \u00e0 des donn\u00e9es synth\u00e9tiques qui g\u00e9n\u00e9ralisent de mani\u00e8re inad\u00e9quate ou qui produisent des r\u00e9sultats trompeurs. Une autre forme de repr\u00e9sentation erron\u00e9e qui est \u00e9galement pr\u00e9occupante consiste \u00e0 introduire accidentellement, au moyen de donn\u00e9es synth\u00e9tiques, des biais dans un ensemble de donn\u00e9es, ce qui peut avoir des r\u00e9percussions d\u2019ordre \u00e9thique et r\u00e9glementaire. Des biais peuvent aussi \u00eatre issus des donn\u00e9es d\u2019origine et perp\u00e9tuer ces tendances sous-jacentes par l\u2019entremise des donn\u00e9es g\u00e9n\u00e9r\u00e9es synth\u00e9tiquement. <\/p>\n\n\n\n

      En d\u00e9pit des avantages de l\u2019anonymisation que pr\u00e9sentent les donn\u00e9es synth\u00e9tiques, on craint, au sein du secteur, l\u2019\u00e9ventuelle fuite de renseignements de nature d\u00e9licate. Cela peut se produire en cas de conception, de r\u00e9vision et de validation inad\u00e9quates du processus de g\u00e9n\u00e9ration des donn\u00e9es. Les organismes de r\u00e9glementation des assurances pourraient aussi assujettir \u00e0 des examens suppl\u00e9mentaires les mod\u00e8les \u00e9labor\u00e9s \u00e0 partir de donn\u00e9es synth\u00e9tiques, notamment en exigeant des preuves de l\u2019absence dans ces derni\u00e8res de discrimination injuste et de biais involontaires. Selon les techniques g\u00e9n\u00e9ratives utilis\u00e9es, il pourrait s\u2019ajouter une couche de difficult\u00e9 suppl\u00e9mentaire \u00e0 l\u2019\u00e9gard de l\u2019explicabilit\u00e9 et de la transparence, compliquant ainsi encore davantage des mod\u00e8les issus de l\u2019intelligence artificielle qui pourraient d\u00e9j\u00e0 \u00eatre difficiles \u00e0 expliquer.<\/p>\n\n\n\n

      Par cons\u00e9quent, les actuaires qui envisagent de recourir \u00e0 ces techniques de pointe dans le cadre de leur travail devraient adopter des cadres de validation rigoureux, \u00eatre conscients des limites des donn\u00e9es synth\u00e9tiques et prendre des mesures pour att\u00e9nuer ces risques de mani\u00e8re efficace. Certaines strat\u00e9gies d\u2019att\u00e9nuation consistent \u00e0 effectuer des comparaisons statistiques et des tests de v\u00e9rification de la performance des mod\u00e8les pour garantir la fid\u00e9lit\u00e9 de la repr\u00e9sentation des tendances r\u00e9elles dans les donn\u00e9es synth\u00e9tiques. On peut \u00e9galement soumettre les donn\u00e9es synth\u00e9tiques et les mod\u00e8les qui en sont issus \u00e0 des audits visant les biais et l\u2019objectivit\u00e9, et maintenir la transparence en ce qui concerne les techniques de g\u00e9n\u00e9ration des donn\u00e9es.<\/p>\n\n\n\n

      Quel est l\u2019avenir des donn\u00e9es synth\u00e9tiques?<\/h2>\n\n\n\n

      Il est difficile de pr\u00e9dire o\u00f9 nous m\u00e8nera l\u2019avenir des donn\u00e9es synth\u00e9tiques. Compte tenu des progr\u00e8s r\u00e9alis\u00e9s dans le domaine de l\u2019intelligence artificielle et des m\u00e9gadonn\u00e9es, on pourrait assister \u00e0 des progr\u00e8s importants \u00e0 cet \u00e9gard \u00e0 court ou moyen terme. Cela dit, on peut raisonnablement faire les pr\u00e9dictions g\u00e9n\u00e9rales suivantes :<\/p>\n\n\n\n

      1) Il demeurera difficile de produire des donn\u00e9es synth\u00e9tiques cr\u00e9dibles sans disposer d\u2019une base de donn\u00e9es existantes.<\/strong><\/p>\n\n\n\n

      Essentiellement, on ne peut rien produire \u00e0 partir de rien. Il est difficile d\u2019envisager un avenir dans lequel m\u00eame l\u2019intelligence artificielle la plus avanc\u00e9e serait en mesure de produire des donn\u00e9es synth\u00e9tiques sans s\u2019appuyer sur des renseignements existants.<\/p>\n\n\n\n

      2) On pourrait utiliser des donn\u00e9es synth\u00e9tiques pour contourner (l\u00e9galement ou par malveillance) des r\u00e8glements ou des restrictions stricts encadrant les donn\u00e9es.<\/strong><\/p>\n\n\n\n

      On pourrait ainsi transf\u00e9rer des donn\u00e9es \u00e0 des tierces parties ou vers d\u2019autres r\u00e9gions et faciliter la collaboration internationale. Cela n\u2019est pas difficile \u00e0 concevoir puisque cette application a \u00e9t\u00e9 \u00e9voqu\u00e9e par des entreprises sp\u00e9cialis\u00e9es dans le domaine des donn\u00e9es synth\u00e9tiques[1]<\/sup><\/a>. Sans compter que l\u2019on recourt d\u00e9j\u00e0 depuis longtemps \u00e0 des techniques d\u2019anonymisation \u00e0 cette fin. La grande question n\u2019est pas de savoir \u00ab si les assureurs vont utiliser les donn\u00e9es synth\u00e9tiques \u00bb, mais plut\u00f4t \u00ab quand \u00bb et \u00ab la mesure dans laquelle \u00bb ils le feront. De plus, la r\u00e9glementation et les restrictions encadrant les donn\u00e9es deviendront vraisemblablement plus strictes. \u00c0 l\u2019heure actuelle, la plupart des lois visant la protection de la vie priv\u00e9e (p. ex., le R\u00e8glement g\u00e9n\u00e9ral sur la protection des donn\u00e9es de l\u2019Union europ\u00e9enne, ou RGPD) permettent l\u2019utilisation des donn\u00e9es synth\u00e9tiques \u00e0 condition que la r\u00e9identification soit v\u00e9ritablement impossible. Cela demeurera-t-il vrai en ce qui concerne les lois relatives \u00e0 la protection de la vie priv\u00e9e?<\/p>\n\n\n\n

      3) Les donn\u00e9es synth\u00e9tiques seront consid\u00e9r\u00e9es comme une possibilit\u00e9 pour les compagnies d\u2019assurance de partager des donn\u00e9es.<\/strong><\/p>\n\n\n\n

      Les donn\u00e9es synth\u00e9tiques peuvent permettre le partage ou la mise en commun de sources de donn\u00e9es qui, autrement, n\u2019\u00e9tait pas possible (p. ex., le partage de donn\u00e9es interorganisationnel \u00e0 des fins de collaboration dans le cadre de projets). Plusieurs tentatives de partage de donn\u00e9es, certaines fructueuses et d\u2019autres pas, ont eu lieu au sein du secteur des assurances. Les donn\u00e9es synth\u00e9tiques permettraient l\u2019anonymisation des renseignements personnels des assur\u00e9s, ce qui contribuerait \u00e0 all\u00e9ger les pr\u00e9occupations li\u00e9es \u00e0 la confidentialit\u00e9. Cependant, certains facteurs pourraient toujours entraver ces initiatives. Par exemple, les grandes compagnies d\u2019assurance pourraient consid\u00e9rer leurs donn\u00e9es (anonymis\u00e9es ou pas) comme un avantage concurrentiel et refuser de les partager.<\/p>\n\n\n\n

      Conclusion<\/h2>\n\n\n\n

      Les donn\u00e9es synth\u00e9tiques pr\u00e9sentent une possibilit\u00e9 d\u2019innovation prometteuse pour les actuaires et les assureurs. Elles permettent en effet de cr\u00e9er des ensembles de donn\u00e9es riches et respectueux de la vie priv\u00e9e et ainsi de r\u00e9soudre les difficult\u00e9s li\u00e9es aux limites des donn\u00e9es et aux contraintes impos\u00e9es par les lois visant la protection de la vie priv\u00e9e. Si l\u2019adoption de ces nouvelles techniques s\u2019accompagne de risques et de complexit\u00e9s, elle constitue n\u00e9anmoins une avenue prometteuse \u00e0 explorer, sous r\u00e9serve de la mise en place de m\u00e9canismes de validation et de cadres de gouvernance des risques rigoureux. <\/p>\n\n\n\n

      Nous croyons que les donn\u00e9es synth\u00e9tiques joueront un r\u00f4le important pour ce qui est de favoriser la collaboration en mati\u00e8re de donn\u00e9es et l\u2019innovation dans le secteur des assurances. Il importe toutefois de reconna\u00eetre que la qualit\u00e9 et la cr\u00e9dibilit\u00e9 des donn\u00e9es synth\u00e9tiques reposent toujours sur les ensembles de donn\u00e9es sous-jacents et que leur utilisation demeurera fa\u00e7onn\u00e9e suivant l\u2019\u00e9volution du paysage r\u00e9glementaire. L\u2019int\u00e9gration judicieuse des donn\u00e9es synth\u00e9tiques pr\u00e9sente assur\u00e9ment des avantages substantiels pour les actuaires et pour l\u2019ensemble du secteur des assurances.<\/p>\n\n\n\n

      \u00c0 propos des auteurs et de l’autrice<\/strong><\/p>\n\n\n\n

      Harrison Jones<\/a>, ASA, est directeur de la gestion de portefeuille chez Ecclesiastical Insurance \u00e0 Toronto. Il poss\u00e8de une exp\u00e9rience de 10 ans en actuariat et en science des donn\u00e9es.<\/p>\n\n\n\n

      Bernice Lim<\/a>, FICA, FSA, est directrice au sein du cabinet d\u2019actuariat d\u2019Oliver Wyman et compte plus de 10 ans d\u2019exp\u00e9rience dans le domaine de l\u2019assurance vie et des rentes, travaillant avec des assureurs dans des domaines tels que la mod\u00e9lisation actuarielle et l\u2019analyse ax\u00e9e sur les donn\u00e9es.<\/p>\n\n\n\n

      Tristan Walsh<\/a> travaille comme scientifique des donn\u00e9es dans l\u2019\u00e9quipe d\u2019analytique int\u00e9gr\u00e9e de Munich Re pour l\u2019Am\u00e9rique du Nord, o\u00f9 il utilise des m\u00e9thodes de science des donn\u00e9es pour soutenir le secteur des assurances. Il poss\u00e8de un baccalaur\u00e9at en physique de l\u2019Universit\u00e9 McGill et est membre de la Society of Actuaries (SOA).<\/p>\n\n\n\n

      Cet article pr\u00e9sente les opinions des auteurs et autrice et ne constitue pas un \u00e9nonc\u00e9 officiel de l\u2019ICA.<\/em><\/p>\n\n\n\n

      \n\n\n\n

      [1]<\/a> https:\/\/mostly.ai\/use-case\/data-sharing<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"

      Les donn\u00e9es synth\u00e9tiques transforment la mod\u00e9lisation actuarielle; elles offrent des ensembles de donn\u00e9es g\u00e9n\u00e9r\u00e9s par l\u2019IA qui visent \u00e0 assurer la confidentialit\u00e9 tout en maintenant l\u2019int\u00e9grit\u00e9 statistique. Voulez-vous l\u2019int\u00e9grer dans votre travail? D\u00e9couvrez comment les actuaires peuvent optimiser l\u2019utilisation de cet outil puissant et g\u00e9rer ses risques et ses complexit\u00e9s.<\/p>\n","protected":false},"author":23331,"featured_media":628736,"template":"","meta":{"_acf_changed":true,"ep_exclude_from_search":false,"wicket_organization":""},"news-category":[308],"news-topic":[293],"class_list":["post-628740","news","type-news","status-publish","has-post-thumbnail","hentry","news-category-articles-fr","news-topic-science-des-onnees"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.cia-ica.ca\/fr\/wp-json\/wp\/v2\/news\/628740","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.cia-ica.ca\/fr\/wp-json\/wp\/v2\/news"}],"about":[{"href":"https:\/\/www.cia-ica.ca\/fr\/wp-json\/wp\/v2\/types\/news"}],"author":[{"embeddable":true,"href":"https:\/\/www.cia-ica.ca\/fr\/wp-json\/wp\/v2\/users\/23331"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.cia-ica.ca\/fr\/wp-json\/wp\/v2\/media\/628736"}],"wp:attachment":[{"href":"https:\/\/www.cia-ica.ca\/fr\/wp-json\/wp\/v2\/media?parent=628740"}],"wp:term":[{"taxonomy":"news-category","embeddable":true,"href":"https:\/\/www.cia-ica.ca\/fr\/wp-json\/wp\/v2\/news-category?post=628740"},{"taxonomy":"news-topic","embeddable":true,"href":"https:\/\/www.cia-ica.ca\/fr\/wp-json\/wp\/v2\/news-topic?post=628740"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}