Loss reserving in P&C insurance, is the common practice of estimating the insurer’sliability from future claims it will have to pay out on. In the recent years, it has beenpopulartoexploretheoptionsofforecastingthislosswiththehelpofmachinelearningmethods. This is mainly attributed to the increase in computational power, openingup opportunities for handling more complex computations with large datasets. ThemainfocusofthispaperistoimplementandevaluatearecurrentneuralnetworkcalledthedeeptrianglebyKuoformodellingpaymentsofindividualreportedbutnotsettledclaims. The results are compared with the traditional Chain Ladder method and abaseline model on a simulated dataset provided by Wüthrich’s simulation machine.The models were implemented in Python using Tensorflow’s functional API. Theresults show that the recurrent neural network does not outperform the Chain Laddermethod on the given data. The recurrent neural network is weak towards the sparseand chaotic nature of individual claim payments and is unable to detect a stablesequential pattern. Results also show that the neural network is prone to overfitting,whichcantheoreticallybecompensatedwithlargerdatasetbutcomesatacostintermsof feasibility. / Reservsättninginomskadeförsäkringhandlaromattberäknaframtidakostnaderavenförsäkringsgivare. Under de senaste åren har det blivit allt populärare att undersökatillämpningen av olika statistiska inlärningsmetoder inom reservsättning. Den häruppsatsensyftartillattimplementeraochutvärderaettåterkommandeneuraltnätverksom kallas för ”deeptriangle by Kuo” för att modellera utbetalningar av individuellarapporterade men icke­färdigbetalda försäkringsfordringar. Resultaten kommer attjämföras med den traditionella Chain Ladder metoden samt en grundmodell på ettsimulerat dataset som tillhandahålls av ”Wüthrichs simulation machine”. Modellernaimplementeras i Python med hjälp av Tensorflows Functional API. Resultatet är attdetåterkommandeneuralanätverketinteöverträffarChainLaddermetodenmeddengivna datan. Det återkommande neurala nätverket har svårigheter för att känna igenmönster i datamängder som individuella skadebetalningar eftersom datamängden tillsin natur är spridd och kaotisk. Resultaten visar också att det neurala nätverket ärbenäget att överanpassa, vilket teoretiskt kan kompenseras med en större datamängdmen som i sin tur bidrar till en risk för ogenomförbarhet.