Prolongation du délai ! Appel d’offres 2026 : Adaptation des grands modèles de langage (LLM) au raisonnement actuariel spécialisé en assurance IARD

Le groupe de travail sur l'intelligence artificielle de la Casualty Actuarial Society lance un appel à projets de recherche portant sur l'adaptation des grands modèles de langage (LLM) aux principes fondamentaux du raisonnement actuariel en assurance dommages. Si les recherches antérieures ont exploré l'utilisation de LLM généralistes comme outils actuariels – capables d'effectuer des calculs ou de répondre à des requêtes –, cet appel à projets se concentre sur les mécanismes qui façonnent le comportement des LLM pour un usage actuariel.

Date limite de dépôt des propositions : lundi 27 avril 2026

Nous nous intéressons aux recherches qui dépassent le cadre des applications « prêtes à l'emploi » ou pilotées par des invites, afin d'étudier comment structurer, entraîner ou contraindre les modèles pour refléter la logique actuarielle, les structures de données et le jugement, et aboutir à un système ou un flux de travail pratique et reproductible, adapté à une utilisation par les actuaires. Les approches proposées peuvent inclure l'optimisation de modèles existants, l'ingénierie de contexte structurée, les architectures modulaires ou enrichies par la recherche, l'entraînement de modèles spécifiques à un domaine à partir de zéro, ou des systèmes hybrides combinant des modèles linéaires logiques (MLL) et des modèles actuariels traditionnels. Quelle que soit l'approche, les propositions doivent privilégier l'interprétabilité, l'auditabilité et la stabilité des résultats actuariels, et clairement expliquer en quoi la méthode d'adaptation choisie diffère de l'utilisation générique des MLL.

Problème de recherche

Les modèles de langage de grande taille se sont rapidement intégrés aux flux de travail actuariels, principalement comme outils de génération de code, d'analyse syntaxique de documents, d'extraction de données ou d'aide à l'analyse en général. Bien que ces applications permettent des gains de productivité immédiats, elles reposent en grande partie sur des modèles génériques non adaptés aux structures de données, aux méthodologies et aux contextes décisionnels propres à l'actuariat.

Le présent appel à propositions vise à financer des recherches portant sur l’adaptation ou la spécialisation des maîtrises en droit (LLM) en actuariat. La CAS s’intéresse particulièrement aux recherches démontrant comment une telle adaptation permet d’acquérir ou d’améliorer des compétences actuarielles par rapport à un référentiel clairement défini. Ces améliorations peuvent notamment concerner l’interprétabilité, la cohérence avec le raisonnement actuariel ou une intégration plus poussée aux modèles et processus actuariels établis.

Les propositions doivent expliquer le modèle de référence choisi (par exemple, un modèle d'apprentissage automatique standard, une approche par invites ou un flux de travail actuariel existant) et décrire en quoi l'adaptation proposée apporte une valeur ajoutée significative. La recherche proposée doit aborder à la fois (i) la faisabilité pratique de l'adaptation et du déploiement de systèmes basés sur les modèles d'apprentissage automatique dans les flux de travail actuariels et (ii) la mesure dans laquelle cette adaptation entraîne un apprentissage ou un changement de comportement significatif, tout en traitant de l'interprétabilité, de la validation et de l'utilisation appropriée dans la pratique actuarielle.

Étendue de la recherche

Les propositions sont ouvertes à tous les grands domaines actuariels de l'assurance IARD. L'objectif est de concevoir un système où un modèle linéaire adaptatif (MLA) est adapté de manière pertinente pour optimiser ses performances sur une tâche actuarielle spécifique par rapport à une référence clairement définie. Dans ces domaines, le CAS s'intéresse particulièrement aux recherches portant sur l'adaptation du comportement du MLA à la structure et au jugement actuariels, plutôt qu'à l'extraction de données isolée ou aux tâches d'automatisation.

Les domaines d'intervention potentiels comprennent, sans toutefois s'y limiter :

• Tarification et détermination des tarifs
• Analyse des provisions et de l'évolution des sinistres
• Modélisation du capital, tests de résistance ou analyse de scénarios
• Analyse de la réassurance et gestion des risques de portefeuille
• Cadres d'évaluation des risques émergents
• Autres analyses actuarielles pertinentes pour l'assurance IARD

Les chercheurs sont invités à définir un problème actuariel précis et à démontrer comment un modèle linéaire adaptatif (LLM) contribue de manière significative à sa résolution. Les solutions peuvent impliquer des LLM produisant directement des données actuarielles, générant des données d'entrée structurées pour les modèles actuariels traditionnels ou fonctionnant au sein de cadres de modélisation hybrides.

Le CAS ne prescrit pas de techniques de réglage fin, d'architectures de modèles ni de plateformes spécifiques. Les propositions peuvent explorer diverses approches, à condition que le rôle du modèle linéaire et sa pertinence actuarielle soient clairement définis.

Exigences relatives à la proposition et au produit de travail

Les chercheurs rédigeront un article et des documents annexes décrivant la conception, la mise en œuvre et l'évaluation d'un système basé sur la méthode LLM, adapté à un cas d'utilisation actuariel. La recherche devra :

• Définissez clairement le problème actuariel abordé et expliquez pourquoi l'adaptation d'un LLM est appropriée.
• Décrivez l'architecture globale de la solution, y compris la manière dont le LLM interagit avec les données, les méthodes actuarielles et les autres modèles.
• Expliquez l'approche d'adaptation d'un point de vue conceptuel. L'adaptation peut inclure, sans s'y limiter, des méthodes paramétriques (par exemple, le réglage fin complet, LoRA, QLoRA, le réglage des instructions), des approches contextuelles ou basées sur les invites, la génération augmentée par la récupération (RAG), l'entraînement complet du modèle à partir de zéro ou des architectures hybrides. Le choix de l'approche doit être justifié par la disponibilité des données, la pertinence actuarielle et les considérations de gouvernance.
• Identifier le potentiel de tout apprentissage par renforcement à partir de retours humains (RLHF) où les retours humains sont ceux d'un actuaire.
• Utilisez un jeu de données de référence pour démontrer le succès, ou l'échec, du réglage fin.
• Aborder la question de l'interprétabilité et de l'explicabilité des résultats du modèle dans un contexte actuariel.
• Décrivez le cadre d'évaluation et de validation, y compris les indicateurs de performance adaptés à la tâche actuarielle (par exemple, la précision des prévisions, l'étalonnage, la stabilité ou l'efficacité opérationnelle). Les propositions doivent préciser une méthode d'analyse comparative transparente par rapport à une référence pertinente et, lorsque cela est possible, distinguer les gains de performance attribuables au composant LLM de ceux provenant d'autres éléments de la solution.
• Inclure une discussion sur la gouvernance, l'utilisation appropriée et les considérations pratiques de mise en œuvre.

Les chercheurs peuvent utiliser des données réelles, anonymisées ou synthétiques, pourvu qu'elles soient suffisantes pour démontrer la méthodologie et les résultats. Le CAS peut les soutenir en facilitant les contacts avec des partenaires industriels ou en identifiant des sources de données publiques ou synthétiques appropriées.

Produits livrables finaux

L’objectif de cette recherche est de fournir aux membres de la CAS un cadre applicable et reproductible pour adapter les modèles d’apprentissage automatique (LLM) aux cas d’utilisation actuariels. Les livrables finaux devraient inclure :

• Un document de recherche décrivant la préparation des données, le cas d'utilisation actuariel, l'approche d'adaptation, les résultats, les limites et les leçons apprises.
• Démonstration de cas d'utilisation actuariels illustrant à la fois l'efficacité et les limites de l'approche adaptée.
• Une description claire de l'architecture du système et du flux de travail de mise en œuvre, suffisante pour qu'un actuaire techniquement compétent puisse reproduire et adapter l'approche en utilisant des données comparables.
• Le code et les ressources associées sont hébergés dans un dépôt GitHub qui documente l'architecture du système, les pipelines de données, l'approche d'adaptation et le cadre d'évaluation. Le cas échéant, les chercheurs sont tenus de publier les artefacts d'adaptation du modèle (par exemple, les pondérations optimisées, les adaptateurs à faible consommation de paramètres, les invites, les fichiers de configuration ou les composants équivalents) sous une licence open source.
• Un résumé (1 à 2 pages) adapté à un article de blog ou de magazine, rédigé pour un public non technique et mettant en évidence les principales idées et implications pour la pratique actuarielle.

Candidature, sélection et rémunération

Les chercheurs intéressés doivent soumettre leurs propositions avant le Lundi, Avril 27, 2026, comprenant:

• Un aperçu détaillé de la recherche proposée et des livrables
• Description du problème actuariel et approche proposée
• Estimation des dépenses à débourser (par exemple, informatique en nuage, utilisation du modèle, licences logicielles)
• Rémunération attendue pour le travail
• CV du ou des chercheurs, démontrant leurs qualifications pertinentes

Les propositions et les questions doivent être soumises à Elizabeth Smith, directrice des publications et de la recherche de la Faculté des arts et des sciences, à esmith@casact.org et Heather Davis, responsable de la recherche au CAS, à hdavis@casact.org avec « Proposition de recherche LLM en IA » en objet.

Un accusé de réception sera envoyé pour chaque proposition. Les candidats non retenus seront informés prochainement. Un contrat CAS sera attribué à la proposition qui, de l'avis du groupe de travail sur l'intelligence artificielle de CAS, répond le mieux aux objectifs du présent appel d'offres. Si aucune proposition ne satisfait aux exigences, aucun contrat ne sera attribué.

La rémunération sera proportionnelle à l'étendue des travaux. Le coût total ne devra pas dépasser $80,000(Remarque : Une partie du financement devrait servir à couvrir les frais de déplacement habituels et courants liés à la présentation de l'article lors d'un séminaire ou d'une réunion parrainée par la CAS, si une telle présentation est prévue.) 

Présentation, propriété et publication du rapport

En cas de sélection, tous les droits, titres et intérêts relatifs au produit final seront cédés à l'Académie chinoise des sciences (CAS). Les auteurs seront dûment crédités comme auteurs dans toute publication. La CAS pourra publier l'œuvre, en tout ou en partie, dans ses publications et sur ses plateformes numériques. Toute publication en dehors de la CAS requiert une autorisation préalable et la mention de la publication originale.

Pour faciliter l'adoption, le code et les données seront hébergés sur le dépôt GitHub de CAS sous licence MPL 2.0. Les auteurs doivent soumettre la version finale de l'article via le dépôt GitHub. Système CAS ScholarOne et faire des efforts raisonnables pour présenter le travail lors d'une réunion ou d'un séminaire de la CAS.

Calendrier et délais

• Date limite de proposition : Lundi, le 27 avril 2026
• Avis aux chercheurs : vendredi 12 juin 2026
• Rapport d'étape et résumé : Vendredi 28 août 2026
• Document final et livrables : vendredi 2 octobre 2026

À propos de la Casualty Actuarial Society et du groupe de travail sur l'intelligence artificielle

La Casualty Actuarial Society (CAS) est une organisation internationale de premier plan en matière d'accréditation et de formation professionnelle. Fondée en 1914, la CAS est la seule organisation actuarielle au monde exclusivement axée sur les risques de dommages et regroupe plus de 11,000 membres dans le monde. Les membres de la CAS sont des experts en assurance de dommages, en réassurance, en finance, en gestion des risques et en gestion des risques d'entreprise. Les professionnels formés par la CAS permettent aux entreprises et aux gouvernements de prendre des décisions stratégiques, financières et opérationnelles éclairées. 

Le Groupe de travail sur l'intelligence artificielle de la CAS a été créé pour remplir la mission de la CAS, qui consiste à « faire progresser les connaissances » sur une technologie qui transforme la pratique actuarielle. Son objectif est d'encourager l'exploration de l'intelligence artificielle dans la pratique actuarielle par la recherche afin de contribuer à la formation des membres, d'approfondir les connaissances, de fournir des perspectives pratiques et de positionner la CAS comme leader d'opinion.