Dans le contexte actuariel, deux acc\u00e9l\u00e9rateurs sont en mesure d\u2019accro\u00eetre l\u2019efficacit\u00e9 du travail :<\/p>\n\n\n\n
- \n
- Les syst\u00e8mes d\u2019analyse interactifs <\/strong>(p. ex., les tableaux de bord et les interfaces en langage naturel), qui permettent l\u2019exploration en temps r\u00e9el des r\u00e9sultats actuariels sans qu\u2019il soit n\u00e9cessaire de cr\u00e9er des fichiers Excel personnalis\u00e9s.<\/li>\n\n\n\n
- Les moteurs de calcul des provisions<\/strong>, qui transposent les calculs \u00e0 l\u2019ensemble du portefeuille.<\/li>\n<\/ul>\n\n\n\n
Les syst\u00e8mes d\u2019analyse interactifs facilitent l\u2019analyse des r\u00e9sultats. Dans les rapports actuels, les r\u00e9sultats actuariels sont souvent confin\u00e9s \u00e0 des plateformes de mod\u00e9lisation et ne sont accessibles qu\u2019aux actuaires. Par cons\u00e9quent, les requ\u00eates des \u00e9quipes charg\u00e9es des finances ou de la haute direction d\u00e9clenchent g\u00e9n\u00e9ralement un long processus manuel allant de l\u2019extraction des donn\u00e9es jusqu\u2019\u00e0 la production des fichiers d\u2019analyse.<\/p>\n\n\n\n
Le premier acc\u00e9l\u00e9rateur r\u00e9sout cette contrainte. Il permet de structurer les r\u00e9sultats actuariels dans une base de donn\u00e9es consultable et de les pr\u00e9senter sous forme de tableaux de bord ou de rapports automatis\u00e9s. L\u2019ajout d\u2019une fonctionnalit\u00e9 de mod\u00e8le de langage permet aux utilisateurs de poser des questions et d\u2019obtenir des r\u00e9ponses en temps r\u00e9el, et ce, sans devoir cr\u00e9er de fichiers manuellement.<\/p>\n\n\n\n
L\u2019architecture fonctionne selon une approche ascendante. L\u2019expertise actuarielle d\u00e9termine les donn\u00e9es qu\u2019il convient d\u2019extraire et la fa\u00e7on de les interpr\u00e9ter. L\u2019ing\u00e9nierie des donn\u00e9es proc\u00e8de ensuite \u00e0 la conception des flux de donn\u00e9es et structure les r\u00e9sultats et les param\u00e8tres des mod\u00e8les dans une base de donn\u00e9es. On ajoute ensuite une fonctionnalit\u00e9 analytique \u00e0 des fins d\u2019agr\u00e9gation, de d\u00e9composition de la variance, de production automatis\u00e9e de rapports et de visualisation. On ajoute la fonctionnalit\u00e9 d\u2019IA en dernier afin d\u2019interpr\u00e9ter les requ\u00eates des utilisateurs et de g\u00e9n\u00e9rer des r\u00e9ponses. Elle sert donc d\u2019interface reposant sur ces bases.<\/p>\n\n\n\n
Le moteur de calcul des provisions ex\u00e9cute des calculs actuariels. Les processus de mod\u00e9lisation actuels n\u00e9cessitent beaucoup de temps et de ressources pour \u00e9laborer, ex\u00e9cuter et valider les calculs pour chaque produit. Le deuxi\u00e8me acc\u00e9l\u00e9rateur transpose ces op\u00e9rations \u00e0 l\u2019\u00e9chelle du portefeuille.<\/p>\n\n\n\n
Il y a d\u2019abord une expertise actuarielle qui s\u00e9lectionne un produit repr\u00e9sentatif, puis qui \u00e9labore une feuille de calcul, laquelle est ensuite transpos\u00e9e en structures de donn\u00e9es g\u00e9n\u00e9ralis\u00e9es et en code Python r\u00e9utilisable. \u00c0 partir de cette base, l\u2019IA g\u00e9n\u00e9rative est en mesure d\u2019appliquer la logique actuarielle \u00e0 d\u2019autres produits et, en fin de compte, au portefeuille en entier. Elle peut aussi g\u00e9n\u00e9rer des sc\u00e9narios d\u2019essai, produire des documents et faciliter le suivi des probl\u00e8mes de calcul, augmentant ainsi l\u2019efficacit\u00e9 de la mod\u00e9lisation.<\/p>\n\n\n
\n![\"Cycle](\"https:\/\/www.cia-ica.ca\/app\/uploads\/2026\/07\/Uses-Cases-AI-Circle-Diagram_FR.png\")
<\/figure>\n<\/div>\n\n\nLes deux acc\u00e9l\u00e9rateurs utilisent l\u2019IA g\u00e9n\u00e9rative de fa\u00e7ons diff\u00e9rentes, mais respectent le m\u00eame principe : l\u2019IA g\u00e9n\u00e9rative ne sert pas \u00e0 cr\u00e9er, mais \u00e0 multiplier. Bien qu\u2019elle g\u00e9n\u00e8re des r\u00e9sultats \u00e0 partir des requ\u00eates de l\u2019utilisateur, son fonctionnement repose sur l\u2019interaction de trois autres \u00e9l\u00e9ments : l\u2019expertise actuarielle, qui \u00e9tablit la logique, l\u2019ing\u00e9nierie des donn\u00e9es, qui structure et g\u00e8re les donn\u00e9es, ainsi que la g\u00e9n\u00e9ration am\u00e9lior\u00e9e par r\u00e9cup\u00e9ration d\u2019information (GARI) et la conception des requ\u00eates, qui garantissent la pertinence des r\u00e9sultats dans un contexte actuariel.<\/p>\n\n\n\n
GARI, ing\u00e9nierie des requ\u00eates et affinage : am\u00e9liorer l\u2019IA g\u00e9n\u00e9rative dans le contexte actuariel<\/strong><\/h2>\n\n\n
\n![\"Matrice](\"https:\/\/www.cia-ica.ca\/app\/uploads\/2026\/07\/Uses-Cases-AI-Quadrents_FR.png\")
<\/figure>\n<\/div>\n\n\nL\u2019ing\u00e9nierie des requ\u00eates, l\u2019affinage et la GARI sont des m\u00e9thodes d\u2019optimisation qui contribuent \u00e0 produire des r\u00e9sultats qui soient pertinents et fiables dans un contexte actuariel professionnel.<\/p>\n\n\n\n
La formulation de requ\u00eates par un expert permet d\u2019optimiser les r\u00e9sultats gr\u00e2ce \u00e0 des directives claires et efficaces favorisant la pr\u00e9cision. L\u2019affinage consiste \u00e0 utiliser l\u2019apprentissage supervis\u00e9 avec des donn\u00e9es \u00e9tiquet\u00e9es pour entra\u00eener de grands mod\u00e8les de langage (GML) sur des connaissances propres \u00e0 un domaine. La GARI fonde chaque r\u00e9ponse sur des sources v\u00e9rifi\u00e9es (p. ex., de la documentation, du code de calcul) plut\u00f4t que sur les connaissances g\u00e9n\u00e9riques du mod\u00e8le, ce qui r\u00e9duit la \u00ab fabulation \u00bb. En fondant les r\u00e9ponses sur des donn\u00e9es sources extraites plut\u00f4t que sur la m\u00e9moire param\u00e9trique du mod\u00e8le, la GARI accro\u00eet la v\u00e9rifiabilit\u00e9; le document ou le calcul sous-jacent de chaque r\u00e9ponse peut \u00eatre retrac\u00e9, ce qui constitue une exigence importante dans un contexte actuariel r\u00e9glement\u00e9.<\/p>\n\n\n\n
Chaque m\u00e9thode am\u00e9liore la qualit\u00e9 des r\u00e9sultats, mais ne r\u00e9sout \u00e0 elle seule qu\u2019une partie du probl\u00e8me. L\u2019ing\u00e9nierie des requ\u00eates \u00e9tablit la fa\u00e7on dont les entr\u00e9es sont formul\u00e9es, l\u2019affinage adapte le comportement et le ton du mod\u00e8le et la GARI fonde les r\u00e9ponses sur des donn\u00e9es v\u00e9rifi\u00e9es. Ensemble, elles favorisent la fiabilit\u00e9 et la rentabilit\u00e9 des GML. Voici un exemple de requ\u00eates utilisateurs et de r\u00e9ponses de GML pour des syst\u00e8mes d\u2019analyse interactifs ayant recours \u00e0 diff\u00e9rentes m\u00e9thodes d\u2019optimisation :<\/p>\n\n\n\n
Aucune optimisation<\/h3>\n\n\n\n
Q : Expliquez les raisons pour lesquelles les provisions sont pass\u00e9es de 100 M$ au T3 \u00e0 110 M$ au T4.\n\nR : Une augmentation de 10 M$ (10 %) des r\u00e9serves entre le T3 et le T4 s\u2019explique g\u00e9n\u00e9ralement par des changements apport\u00e9s aux hypoth\u00e8ses sous-jacentes et l\u2019\u00e9volution de la conjoncture \u00e9conomique, plut\u00f4t que par un facteur unique.<\/code><\/pre>\n\n\n\nIng\u00e9nierie des requ\u00eates<\/h3>\n\n\n\n
Q : Vous \u00eates actuaire charg\u00e9 du calcul des provisions. Expliquez l\u2019\u00e9volution des provisions entre le T3 et le T4 \u00e0 l\u2019aide des donn\u00e9es suivantes. Chiffrez l\u2019incidence de chaque facteur et fournissez une explication concise.\nLes provisions au T3 sont pass\u00e9es de 100 M$ \u00e0 110 M$; le taux d\u2019actualisation est pass\u00e9 de 3,0 % \u00e0 2,6 %; la dur\u00e9e du passif est de 10 ans; l\u2019incidence de la modification de l\u2019hypoth\u00e8se de mortalit\u00e9 est de +4 M$.\n\nR : Les facteurs suivants expliquent l\u2019augmentation des provisions de 100 M$ \u00e0 110 M$ (+10 M$) :\n\n1.\t Mise \u00e0 jour des hypoth\u00e8ses de mortalit\u00e9 (+4 M$)\nLa mise \u00e0 jour des hypoth\u00e8ses de mortalit\u00e9 a entra\u00een\u00e9 une hausse des paiements de prestations futurs attendus, ce qui a contribu\u00e9 aux provisions \u00e0 hauteur de +4 M$.\n\n2.\tBaisse du taux d\u2019actualisation (3,0 % \u00e0 2,6 %) (+4 M$)\nLa baisse du taux d\u2019actualisation augmente la valeur actuelle du passif futur. En utilisant une approximation standard de la dur\u00e9e, une baisse de 40 points de base du taux d\u2019actualisation augmente la valeur actualis\u00e9e du passif de 4 M$ compte tenu d\u2019une dur\u00e9e de 10 ans.\n\n3.\tAutres incidences (r\u00e9siduelles : +2 M$)\nLa variation restante tient compte d\u2019autres facteurs tels que les \u00e9carts d\u2019exp\u00e9rience, les mises \u00e0 jour des mod\u00e8les ou le niveau de d\u00e9tail des hypoth\u00e8ses qui n\u2019ont pas \u00e9t\u00e9 quantifi\u00e9s de mani\u00e8re explicite.\n\n\n<\/code><\/pre>\n\n\n\nGARI<\/h3>\n\n\n\n
Q : Expliquez les raisons pour lesquelles les provisions sont pass\u00e9es de 100 M$ au T3 \u00e0 110 M$ au T4.\n(Supposons que la GARI r\u00e9cup\u00e8re les donn\u00e9es sur la r\u00e9partition du T4, y compris l\u2019incidence des taux d\u2019int\u00e9r\u00eat, l\u2019incidence de la mortalit\u00e9 et les cat\u00e9gories r\u00e9siduelles.)\n\nR : Les provisions ont augment\u00e9 de 10 M$ entre le T3 et le T4, passant de 100 M$ \u00e0 110 M$. Sur la base de la r\u00e9partition de la provision du T4 :\n\n1.\tIncidence des taux d\u2019int\u00e9r\u00eat : +4 M$\nAttribuable \u00e0 une baisse des taux d\u2019actualisation au cours du trimestre, ce qui a augment\u00e9 la valeur actualis\u00e9e des flux de tr\u00e9sorerie futurs li\u00e9s au passif.\n\n2.\tMise \u00e0 jour des hypoth\u00e8ses de mortalit\u00e9 : +4 M$\nCompte tenu de la mise \u00e0 jour des hypoth\u00e8ses de mortalit\u00e9 fond\u00e9es sur les meilleures estimations approuv\u00e9es au T4.\n\n3.\tAutres incidences : +2 M$\n\n\n<\/code><\/pre>\n\n\n\nAffinage<\/h3>\n\n\n\n
Q : Expliquez les raisons pour lesquelles les provisions sont pass\u00e9es de 100 M$ au T3 \u00e0 110 M$ au T4.\n\nR : Les provisions ont augment\u00e9 de 10 M$ au T4, principalement en raison de l\u2019\u00e9volution des hypoth\u00e8ses et des r\u00e9sultats \u00e9conomiques observ\u00e9s au cours du trimestre.\nCette augmentation est probablement attribuable \u00e0 une combinaison des facteurs suivants :\n\n1.\tIncidences \u00e9conomiques (taux d\u2019int\u00e9r\u00eat) : une baisse des rendements du march\u00e9 aurait pour effet d\u2019augmenter la valeur actualis\u00e9e des flux de tr\u00e9sorerie futurs, compte tenu notamment de la dur\u00e9e g\u00e9n\u00e9ralement longue des passifs d\u2019assurance. Ce facteur devrait constituer l\u2019un des principaux facteurs de cette augmentation.\n\n2.\tMises \u00e0 jour des hypoth\u00e8ses : la r\u00e9vision des hypoth\u00e8ses les plus probables, telles que la mortalit\u00e9 ou la d\u00e9ch\u00e9ance, pourrait avoir contribu\u00e9 \u00e0 une augmentation structurelle des passifs sur la base des donn\u00e9es d\u2019exp\u00e9rience \u00e9mergentes.\n\n3.\tMouvements normaux de la p\u00e9riode : on parle notamment des int\u00e9r\u00eats courus sur le passif d\u2019ouverture, compens\u00e9s par les versements de prestations et les \u00e9carts d\u2019exp\u00e9rience au cours du trimestre.\n<\/code><\/pre>\n\n\n\nSur le plan pratique, la GARI constitue un point de d\u00e9part rentable. \u00c9tant donn\u00e9 que les actuaires s\u2019appuient sur des donn\u00e9es pour \u00e9clairer leurs d\u00e9cisions op\u00e9rationnelles, le recours \u00e0 des sources actuelles, v\u00e9rifi\u00e9es et tra\u00e7ables assure un meilleur contr\u00f4le sur les r\u00e9sultats dans un contexte actuariel. L\u2019ing\u00e9nierie des requ\u00eates vient compl\u00e9ter cette approche en guidant les GML afin qu\u2019ils g\u00e9n\u00e8rent des r\u00e9ponses conformes \u00e0 l\u2019intention actuarielle. Lorsque les cas d\u2019usage se stabilisent et sont transpos\u00e9s \u00e0 grande \u00e9chelle, on peut mettre en \u0153uvre l\u2019affinage afin d\u2019accro\u00eetre encore davantage l\u2019efficacit\u00e9.<\/p>\n\n\n\n
Les arguments en faveur de la priorisation de la GARI sont \u00e9galement d\u2019ordre technique. L\u2019affinage constitue l\u2019option qui requiert le plus de ressources : elle n\u00e9cessite des donn\u00e9es \u00e9tiquet\u00e9es, une capacit\u00e9 de calcul importante et un r\u00e9entra\u00eenement chaque fois que les donn\u00e9es sous-jacentes changent. La GARI offre un meilleur \u00e9quilibre. Gr\u00e2ce \u00e0 l\u2019acc\u00e8s \u00e0 des donn\u00e9es pertinentes, la production de r\u00e9sultats de haute qualit\u00e9 n\u00e9cessite moins de contexte et de suivis, ce qui r\u00e9duit l\u2019utilisation de jetons, \u00e9vite les longs processus de r\u00e9entra\u00eenement pour les nouvelles donn\u00e9es et diminue les co\u00fbts op\u00e9rationnels \u00e0 grande \u00e9chelle.<\/p>\n\n\n\n
En r\u00e8gle g\u00e9n\u00e9rale, il convient d\u2019avoir recours \u00e0 l\u2019ing\u00e9nierie des requ\u00eates pour obtenir des r\u00e9sultats rapides, \u00e0 la GARI lorsque les r\u00e9ponses doivent s\u2019appuyer sur des donn\u00e9es actuelles et v\u00e9rifi\u00e9es, et l\u2019affinage uniquement pour les t\u00e2ches stables et \u00e0 fort volume n\u00e9cessitant un style ou un format coh\u00e9rent.<\/p><\/blockquote><\/figure>\n\n\n\n
Structurer les donn\u00e9es pour l\u2019IA g\u00e9n\u00e9rative : le r\u00f4le de l\u2019ing\u00e9nierie des donn\u00e9es<\/h2>\n\n\n\n
L\u2019IA g\u00e9n\u00e9rative ne peut \u00eatre plus fiable que les donn\u00e9es auxquelles elle a acc\u00e8s. Dans une architecture de GARI, le mod\u00e8le r\u00e9cup\u00e8re des r\u00e9ponses provenant d\u2019une base de connaissances g\u00e9r\u00e9e par des ing\u00e9nieurs de donn\u00e9es, plut\u00f4t que de s\u2019appuyer sur son propre entra\u00eenement. L\u2019ing\u00e9nierie des donn\u00e9es devient donc la fonctionnalit\u00e9 la plus cruciale, souvent sous-estim\u00e9e, de tout syst\u00e8me d\u2019IA g\u00e9n\u00e9rative.<\/p>\n\n\n\n
Le m\u00e9canisme fondamental de la GARI repose sur deux \u00e9tapes : la m\u00e9morisation par blocs, qui consiste \u00e0 segmenter les connaissances, et la vectorisation (ou \u00ab incorporation \u00bb), qui convertit chaque segment en un vecteur num\u00e9rique de haute dimension repr\u00e9sentant sa signification s\u00e9mantique. D\u2019un point de vue conceptuel, les textes ayant un sens similaire sont plac\u00e9s \u00e0 proximit\u00e9 les uns des autres dans cet espace vectoriel.<\/p>\n\n\n\n
Au moment de la requ\u00eate, la question de l\u2019utilisateur est incorpor\u00e9e dans ce m\u00eame espace et le syst\u00e8me extrait les blocs les plus proches, g\u00e9n\u00e9ralement \u00e0 l\u2019aide de la similarit\u00e9 cosinus. Ces vecteurs sont stock\u00e9s et interrog\u00e9s dans une base de donn\u00e9es vectorielle d\u00e9di\u00e9e, ce qui permet une r\u00e9cup\u00e9ration efficace m\u00eame parmi des millions de segments.<\/p>\n\n\n\n
La qualit\u00e9 des r\u00e9sultats repose donc sur deux facteurs : la qualit\u00e9 des blocs et celle du mod\u00e8le d\u2019incorporation utilis\u00e9 pour les encoder. Des donn\u00e9es mal structur\u00e9es ou un mod\u00e8le d\u2019incorporation peu performant donnent lieu \u00e0 une r\u00e9cup\u00e9ration impr\u00e9cise, ce qui augmente le risque de fabulation, m\u00eame avec un GML de pointe.<\/p>\n\n\n\n
L\u2019ing\u00e9nierie des donn\u00e9es doit donc garantir le recours \u00e0 des conventions d\u2019appellation coh\u00e9rentes, \u00e0 un marquage riche des m\u00e9tadonn\u00e9es \u00e0 des fins de v\u00e9rifiabilit\u00e9, \u00e0 des strat\u00e9gies de m\u00e9morisation par blocs correspondant \u00e0 la logique actuarielle et \u00e0 des pipelines automatis\u00e9s permettant de tenir \u00e0 jour la base de connaissances.<\/p>\n\n\n\n
L\u2019ing\u00e9nierie des donn\u00e9es ne fait pas que \u00ab pr\u00e9parer \u00bb les donn\u00e9es pour l\u2019IA g\u00e9n\u00e9rative; elle d\u00e9finit la limite de ce que l\u2019IA g\u00e9n\u00e9rative est en mesure de produire de mani\u00e8re fiable.<\/p>\n\n\n
\n![\"Sch\u00e9ma](\"https:\/\/www.cia-ica.ca\/app\/uploads\/2026\/07\/Uses-Cases-AI-Blocs-Vectorisation.png\")
<\/figure>\n<\/div>\n\n\nL\u2019expertise actuarielle demeure indispensable, m\u00eame \u00e0 l\u2019\u00e8re de l\u2019IA g\u00e9n\u00e9rative<\/h2>\n\n\n\n
Dans le mod\u00e8le traditionnel, les actuaires con\u00e7oivent des formules une cellule \u00e0 la fois, proc\u00e8dent \u00e0 l\u2019extraction manuelle des donn\u00e9es et r\u00e9digent des rapports \u00e0 partir de rien. Ils consacrent leur temps en grande partie \u00e0 ces t\u00e2ches m\u00e9caniques plut\u00f4t qu\u2019\u00e0 l\u2019analyse, \u00e0 l\u2019interpr\u00e9tation et \u00e0 la prise de d\u00e9cision.<\/p>\n\n\n\n
Maintenant, l\u2019IA g\u00e9n\u00e9rative est en mesure de transposer rapidement les calculs et les analyses en n\u00e9cessitant tr\u00e8s peu d\u2019op\u00e9rations manuelles. \u00c0 premi\u00e8re vue, cette technologie semble remplacer l\u2019une des forces fondamentales de l\u2019actuaire, soit la construction. Le jugement actuariel demeure toutefois crucial et irrempla\u00e7able. Dans le cadre des syst\u00e8mes d\u2019analyse interactifs dont on a parl\u00e9 pr\u00e9c\u00e9demment, les actuaires doivent tout de m\u00eame v\u00e9rifier l\u2019exactitude et la pertinence des r\u00e9sultats g\u00e9n\u00e9r\u00e9s par l\u2019IA. Dans les moteurs de calcul des provisions, en particulier lorsqu\u2019il est question de caract\u00e9ristiques de produits innovantes, les actuaires d\u00e9terminent la fa\u00e7on dont il convient de quantifier les risques. <\/p>\n\n\n\n
Leur r\u00f4le n\u2019est donc pas \u00e9limin\u00e9, mais plut\u00f4t recentr\u00e9 sur ses valeurs fondamentales : appliquer les math\u00e9matiques, les statistiques et les donn\u00e9es pour mod\u00e9liser l\u2019avenir de mani\u00e8re \u00e0 aider les particuliers et les organisations \u00e0 g\u00e9rer les risques.<\/p>\n\n\n\n
Le recours \u00e0 l\u2019IA g\u00e9n\u00e9rative pour amplifier l\u2019expertise actuarielle<\/h2>\n\n\n\n
L\u2019IA g\u00e9n\u00e9rative s\u2019est rapidement impos\u00e9e gr\u00e2ce \u00e0 ses capacit\u00e9s puissantes, mais il ne s\u2019agit pas d\u2019une solution compl\u00e8te. Elle repose sur une architecture de soutien solide, qui comprend l\u2019expertise actuarielle, l\u2019ing\u00e9nierie des donn\u00e9es et l\u2019optimisation des mod\u00e8les. Sans expertise actuarielle, il n\u2019y a aucune logique solide \u00e0 transposer. Sans ing\u00e9nierie des donn\u00e9es, il n\u2019y a pas de source de donn\u00e9es fiable. Sans optimisation des mod\u00e8les, m\u00eame les GML sont vuln\u00e9rables \u00e0 la fabulation.<\/p>\n\n\n\n
L\u2019IA n\u2019a donc pas pour effet d\u2019\u00e9clipser la profession actuarielle, mais plut\u00f4t de la red\u00e9finir. Dans un environnement facilit\u00e9 par l\u2019IA, les actuaires devraient avoir recours \u00e0 l\u2019IA g\u00e9n\u00e9rative comme amplificateur, pour acc\u00e9l\u00e9rer des processus qu\u2019ils ma\u00eetrisent d\u00e9j\u00e0 et se concentrer sur l\u2019expertise et le jugement, qui n\u00e9cessitent l\u2019intervention humaine.<\/p>\n\n\n\n
<\/p>\n\n\n\n
![\"\"](\"https:\/\/www.cia-ica.ca\/app\/uploads\/2026\/07\/Alex-Chan-Frame.webp\")
<\/figure>\nAlex Chan, FICA, FSA, est directeur de l\u2019actuariat chez EY Canada. Arriv\u00e9 d\u2019EY Hong Kong, il poss\u00e8de une exp\u00e9rience du secteur de l\u2019assurance vie dans plusieurs march\u00e9s, ainsi qu\u2019une connaissance approfondie de divers r\u00e9gimes de capitaux et de la norme IFRS 17.<\/em><\/p>\n<\/div><\/div>\n\n\n\n
<\/p>\n\n\n\n
![\"Cem](\"https:\/\/www.cia-ica.ca\/app\/uploads\/2026\/07\/Cem-Unlubayrak-Frame.webp\")
<\/figure>\nCem Unlubayrak est directeur principal des services actuariels chez EY Canada. Sp\u00e9cialis\u00e9 en mod\u00e9lisation actuarielle et en applications \u00e9mergentes de l\u2019intelligence artificielle, il a particip\u00e9 \u00e0 de nombreux projets de recherche et d\u00e9veloppement, notamment \u00e0 la conception de mod\u00e8les actuariels avanc\u00e9s et d\u2019outils ax\u00e9s sur les donn\u00e9es pour le secteur de l\u2019assurance.<\/em><\/p>\n<\/div><\/div>\n\n\n\n
<\/p>\n\n\n\n
![\"\"](\"https:\/\/www.cia-ica.ca\/app\/uploads\/2026\/07\/Simon-Girard-Frame.webp\")
<\/figure>\nSimon Girard, FICA, est associ\u00e9 au sein du service d\u2019assurance et d\u2019actuariat-conseil chez EY, groupe qu\u2019il dirige au Canada. Au service de clients en Am\u00e9rique du Nord, il se consacre \u00e0 l\u2019innovation et \u00e0 l\u2019avancement de la profession actuarielle. Il soutient \u00e9galement l\u2019\u00e9laboration de solutions d\u2019analytique avanc\u00e9e \u00e0 des fins actuarielles et strat\u00e9giques dans le secteur de l\u2019assurance vie et des rentes. Il s\u2019int\u00e9resse aussi \u00e0 la modification comptable (IFRS 17) et \u00e0 la transformation actuarielle et financi\u00e8re.<\/em><\/p>\n<\/div><\/div>\n\n\n\n
<\/p>\n\n\n\n
Cet article pr\u00e9sente l\u2019opinion de ses auteurs et ne constitue pas un \u00e9nonc\u00e9 officiel de l\u2019ICA.<\/em><\/p>\n","protected":false},"excerpt":{"rendered":"
Concr\u00e8tement, comment l\u2019IA transforme-t-elle la pratique actuarielle? D\u00e9couvrez ses applications r\u00e9elles, des cadres pratiques et l\u2019\u00e9volution du r\u00f4le des actuaires.<\/p>\n","protected":false},"author":45571,"featured_media":832189,"template":"","meta":{"_acf_changed":true,"ep_exclude_from_search":false,"wicket_organization":""},"news-category":[308],"news-topic":[293,305],"class_list":["post-832192","news","type-news","status-publish","has-post-thumbnail","hentry","news-category-articles-fr","news-topic-science-des-onnees","news-topic-technologie"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.cia-ica.ca\/fr\/wp-json\/wp\/v2\/news\/832192","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\/45571"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.cia-ica.ca\/fr\/wp-json\/wp\/v2\/media\/832189"}],"wp:attachment":[{"href":"https:\/\/www.cia-ica.ca\/fr\/wp-json\/wp\/v2\/media?parent=832192"}],"wp:term":[{"taxonomy":"news-category","embeddable":true,"href":"https:\/\/www.cia-ica.ca\/fr\/wp-json\/wp\/v2\/news-category?post=832192"},{"taxonomy":"news-topic","embeddable":true,"href":"https:\/\/www.cia-ica.ca\/fr\/wp-json\/wp\/v2\/news-topic?post=832192"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
- Les moteurs de calcul des provisions<\/strong>, qui transposent les calculs \u00e0 l\u2019ensemble du portefeuille.<\/li>\n<\/ul>\n\n\n\n