la Fairness, un nouveau paradigme pour les assureurs

Comlan Tossou - 24 mars 2026

Dans un contexte où les modèles actuariels jouent un rôle clé dans la prise de décision, la question de l’équité devient incontournable.

À travers cet échange, Comlan Tossou, consultant en Actuariat chez Detralytics, décrypte les enjeux de la fairness et présente des solutions concrètes pour les acteurs de l’assurance.

Qu’entend-on par “fairness” dans les modèles actuariels ?

On dit d’un modèle qu’il est « fair » lorsqu’il est capable de produire des décisions équitables entre les différents groupes d’individus. En actuariat, il existe deux types de fairness, une sociétale qui traite les discriminations pouvant naître des variables sensibles (sexe, situation sociale, …) et une actuarielle ou économique qui assure un traitement équitable au sein des différentes sous-classes de risque.

La fairness consiste donc à détecter, mesurer et corriger ces biais, afin de garantir que les décisions et prédictions de nos modèles restent à la fois équitables, robustes et conformes aux exigences réglementaires.

Pourquoi la fairness est-elle particulièrement importante dans le secteur de l’assurance ?

Dans le secteur de l’assurance, elle touche directement plusieurs tâches dont la tarification des contrats d’assurance ou l’évaluation des risques. Les données contiennent souvent des biais sociaux, économiques ou comportementaux qui peuvent conduire les modèles à les reproduire ou les amplifier s’ils ne sont pas identifiés et corrigés. Ainsi, la question de l’équité est particulièrement sensible pour trois raisons :

Les contraintes réglementaires : Les assureurs doivent respecter un cadre réglementaire strict visant à prévenir toute forme de discrimination. Par exemple, le Règlement Général sur la Protection des Données (RGPD) impose des principes de transparence et de non-discrimination dans le traitement des données personnelles. Il est renforcé par la loi européenne sur l’intelligence artificielle (IA Act) qui introduit un cadre spécifique pour les systèmes d’intelligence artificielle, notamment ceux utilisés dans des contextes à fort impact socio-économique.
Une justification technique : Les compagnies d’assurance doivent être capable de démontrer que leurs modèles sont mesurables, justifiables et auditables. Toute différence de prédiction au sein des modèles doit être explicable techniquement à partir des variables à disposition.
Un équilibre actuariel : Les prédictions issues des modèles impactent directement les clients. De ce fait, elles doivent être cohérentes suivant les différents sous-groupes de risque et non déterminées par des caractères sensibles comme le sexe ou la situation sociale pour instaurer un sentiment de crédibilité et de confiance auprès des assurés.

La fairness est devenue un enjeu à la fois éthique, réglementaire et stratégique.

Quelles techniques existent pour améliorer la fairness dans les modèles aujourd’hui ?

Les méthodes de réduction des biais peuvent être classées en trois grandes catégories :

Les méthodes de pre–processing : Elles consistent à modifier les données avant l’entraînement du modèle. Cela peut inclure le rééquilibrage des groupes dans les données ou encore la transformation ou la suppression de certaines variables. Ces méthodes sont généralement moins robustes étant donné qu’elles ne monitorent pas l’existence de biais en sortie des modèles.
Les méthodes in-processing : Elles modifient directement l’algorithme d’apprentissage afin d’intégrer des contraintes d’équité. Cela passe généralement par l’ajout de pénalités de biais dans la fonction de perte ou l’utilisation de modèles adverses pour la correction des biais. Elles sont plus compliquées à mettre en œuvre mais fournissent des résultats très satisfaisants en sortie de modèle.
Les méthodes de post-processing : Ces méthodes ajustent les prédictions du modèle après son entraînement afin de réduire les écarts entre groupes.

Quelles solutions proposent Detralytics pour accompagner les assureurs sur cette problématique ?

Detralytics propose une offre très fournie en matière d’équité dans les modèles actuariels. En effet, nous couplons à la fois une connaissance précise de la réglementation actuelle ainsi qu’une compétence technique dans la mise en œuvre des techniques de correction de ces biais. Pour cela, notre accompagnement s’articule autour de plusieurs dimensions :

Diagnostic et audit des modèles existants : Analyse des données et des modèles afin d’identifier d’éventuels biais ou risques de discrimination.
Correction des biais au sein des modèles existants : Mise en place d’un cadre de gouvernance et utilisation des techniques de mitigation des biais dans les systèmes.
Formation des équipes : Nous proposons d’accompagner nos clients dans la montée en compétence sur la prise en compte de la fairness dans leur système.

Pour aller plus loin 🔎

Explorez notre Detra Note sur le sujet!