Prédiction de la sinistralité ultime via modèles ML/DL appliqués aux séries temporelles
Dernière modification: 23 mars 2026
Le projet porte sur la prédiction de la sinistralité ultime à l’aide de modèles de Machine Learning et Deep Learning appliqués aux séries temporelles, afin de renforcer la robustesse et l’explicabilité des estimations. Il inclut le développement et le benchmark de modèles tels que Gradient Boosting, LSTM et TFT, la mise en place du suivi du cycle de vie via MLflow, l’analyse et la documentation des modèles développés, ainsi que la participation à la mise en production.
Mars 2026 → En cours
Vous ciblez ce type de projet pour placer un consultant ?
Identifiez les entreprises sur des projets similaires.
14 mars 2026
23 mars 2026
Projets similaires
D'autres projets de cette entreprise qui pourraient vous intéresser
Refonte du produit Auto et industrialisation des outils de livraison. Mise en place d’une plateforme d’intégration continue TeamCity, développement d’interfaces ASP.NET et Oracle 11g. Stack : .NET 3.5, C#, ADO.NET, JavaScript, XML, XSLT.
Le projet consiste à développer et à intégrer des solutions de Machine Learning et de Data Science dans le secteur de l'assurance, afin d'améliorer les processus métiers et d'optimiser la prise de décision. L'objectif est de tirer parti des données pour automatiser et fiabiliser l'analyse des risques, la tarification, ou encore la détection de fraude. Le poste est basé à Suresnes et s'effectue en mode hybride.
Le projet vise à optimiser et industrialiser les modèles de pricing differential (écart entre le tarif mensuel et annuel) pour le produit Multirisques Habitation. Il comprend la création et la structuration des bases de données nécessaires au développement des modèles, l'amélioration du modèle de conversion pour calculer la probabilité de souscription, ainsi que le perfectionnement du modèle de prédiction de fréquence de paiement afin d'estimer la probabilité qu'un client opte pour le paiement mensuel. Des techniques d'optimisation mathématique sont mobilisées pour proposer des tarifs optimaux, tout en respectant les contraintes métier. L'industrialisation des solutions est assurée grâce à l'automatisation des pipelines avec Databricks et la mise en production via un protocole d'A/B testing. La performance des modèles est suivie dans le temps par la mesure de la dérive à partir des données collectées quotidiennement. Les pratiques de MLOps sont appliquées tout au long du projet, incluant la qualité du code et des données (Kedro, Pydantic, Pandera), la gestion des pipelines sur Git, la traçabilité avec MLFlow et le modèle registry.