Conseil de recherches en sciences naturelles et en génie du Canada
Symbol of the Government of Canada

Liens de la barre de menu commune

Liens institutionnels

Twitter LinkedIn YouTube Facebook

Profil du titulaire de la chaire

François Laviolette

François Laviolette

Département d’informatique et de génie logiciel
Université Laval

Titre de la chaire

Chaire de recherche industrielle CRSNG-Intact Corporation financière sur l’apprentissage machine en assurance

Programme de la chaire

Programme de professeurs-chercheurs industriels

Rôle

Titulaire principal depuis 2018

Sommaire

L’apprentissage machine est le domaine d’étude des algorithmes permettant à un système informatique d’apprendre à exécuter une tâche sans avoir à le programmer explicitement. Au cours des dernières années; ce champ de recherche a connu un essor important; il est à l’origine de plusieurs applications majeures en intelligence artificielle et il permet de créer efficacement de la valeur à partir des données massives. Malgré ces récents succès, plusieurs champs d’applications restent fermés à l’utilisation de l’apprentissage machine en raison du manque d’interprétabilité des modèles appris. Les travaux de recherche de M. Laviolette, titulaire de cette chaire de recherche industrielle, portent principalement sur les aspects fondamentaux de l’apprentissage machine, ce qui inclut naturellement l’interprétabilité. Des recherches menées sous sa direction ont mené à des succès impressionnants sur l’interprétabilité dans le domaine de la bio-informatique. Les recherches de M. Laviolette ont également permis de grandes avancées en matière de compréhension des réseaux de neurones profonds et sa contribution la plus importante est le réseau neuronal insensible aux domaines. Dans le cadre de cette chaire, le concept de l’interprétabilité des modèles d’apprentissage machine sera exploré sous de nouveaux angles, notamment en explorant de nouveaux modèles interprétables à base de règles, en établissant les bases de l’interprétabilité dans les réseaux de neurones et en développant la possibilité d’apprendre des transformations des données pour favoriser leur interprétabilité.

Le programme de la chaire fournira à Intact Corporation financière les moyens technologiques nécessaires pour faire face à la révolution des données massives. L’automatisation des opérations d’assurance avec l’apprentissage machine est susceptible d’être la norme de demain au sein de cette industrie. Avec la concurrence internationale sans cesse croissante et l’arrivée de nouveaux joueurs entièrement virtuels tels que Lemonade et Tangerine, il est maintenant crucial pour les assureurs canadiens de moderniser leurs pratiques, ce qui est l’une des motivations principales d’Intact Corporation financière. Cependant, l’acceptation et l’utilité des méthodes d’apprentissage machine dans plusieurs des processus d’affaires d’Intact Corporation financière requièrent un certain degré de transparence au niveau des modèles. Par exemple, la modélisation du risque avec un modèle efficace, mais opaque, est déjà très intéressante, car elle permet d’atteindre d’excellentes performances. Par contre; comprendre comment le modèle met en relation les facteurs de risques pour atteindre ces mêmes performances est porteur d’une valeur supplémentaire du point de vue de la veille économique. L’engagement d’Intact Corporation financière face à la résolution de ces enjeux et à l’avancement de l’apprentissage machine en assurance s’est récemment traduit par la création du DataLab, un groupe qui a notamment pour mandat de soutenir la chaire en partageant son expérience en matière de données d’assurance.

Non seulement la recherche proposée sur l’interprétabilité en apprentissage machine participera à l’amélioration de l’application des méthodes d’apprentissage machine dans l’industrie de l’assurance; mais elle contribuera également au développement d’applications d’intelligence artificielle plus interprétables dans de nombreux autres secteurs, tel que le diagnostic médical où la compréhension et la validation des prédictions sont absolument nécessaires. La question d’un apprentissage machine plus interprétable devient donc fondamentale lorsque l’on fait face à l’acceptation de systèmes de décision critique basés sur des algorithmes d’apprentissage machine. D’ailleurs, de nombreux chercheurs à travers le monde ont récemment orienté leurs travaux vers cette question. En élargissant l’expertise disponible au Canada à l’apprentissage machine interprétable, les avancés réalisées au sein de cette chaire auront des répercussions sur plusieurs champs d’applications, ce qui permettra de consolider la position du Canada en tant que chef de file mondial en matière d’intelligence artificielle, d’apprentissage machine et de données massives.

Partenaire

  • Intact Financial Corporation

Coordonnées

Département d’informatique et de génie logiciel
Université Laval

Courriel : Francois.Laviolette@ift.ulaval.ca

Site Web :
Le lien suivant vous amène à un autre site Web http://crdm.ulaval.ca/index.php/chercheurs/