Cette formation donne 84 points PPC aux membres qualifiés de l’Institut des Actuaires
Programme de la formation
Partie 1 : Introduction aux LLMs appliqués à l’analyse actuarielle et statistique
- Compréhension du fonctionnement des LLM (ChatGPT, Copilot) et principes généraux.
- Intégration concrète des LLM dans le processus d’analyse : génération assistée de code Python, R ou d’autres langages de programmation, modélisation et interprétation des résultats.
- Bonnes pratiques pour interagir efficacement avec les LLM : cadrage précis des demandes, contrôle qualité et validation systématique des réponses obtenues.
- Identification et gestion des biais, limites et précautions à prendre lors de l’utilisation des LLM en actuariat.
Partie 2 : Exploration statistique et modélisation prédictive
- Bonnes pratiques pour la structuration, le nettoyage et la préparation rigoureuse des données actuarielles et statistiques.
- Techniques statistiques essentielles et modélisation prédictive adaptées à l’analyse actuarielle (sinistres, tendances, comportements clients).
- Utilisation raisonnée des LLM pour assister dans le choix, la calibration, la validation et l’interprétation critique des modèles.
- Méthodologie claire pour le choix optimal des modèles et gestion efficace des biais potentiels.
Partie 3 : Communication efficace des résultats et tableaux de bord dynamiques
- Structurer clairement les résultats des études statistiques et actuarielles en intégrant les meilleures pratiques de restitution visuelle.
- Construire et automatiser des tableaux de bord adaptés à la prise de décision métier.
- Utiliser les LLM pour enrichir automatiquement les rapports et faciliter l’interprétation des résultats statistiques clés.
- Bonnes pratiques en restitution : transparence, simplicité, clarté du message.
Partie 4 : Automatisation, industrialisation et intégration raisonnée des LLM
- Automatiser et industrialiser efficacement les workflows analytiques et actuariels avec Python.
- Intégrer les LLM via API dans un environnement de travail statistique et actuariel opérationnel.
- Bonnes pratiques pour maintenir la rigueur actuarielle lors de l’utilisation des LLM : validation des modèles, contrôle qualité et auditabilité des analyses automatisées.
- Recommandations pratiques pour maximiser la valeur ajoutée des LLM tout en maîtrisant les risques méthodologiques.
