Titre de l'écran-titre (visionné le 26 février 2024) / Dans l'ère numérique actuelle, l'apprentissage automatique, une branche de l'intelligence artificielle, est en train de révolutionner de nombreux secteurs, y compris celui de l'assurance. L'importance d'une évaluation précise des risques est cruciale dans le secteur des assurances, où la détermination de l'admissibilité d'un client à un type d'assurance spécifique est au cœur du processus de souscription. Traditionnellement, cette évaluation s'appuie sur des informations fournies par les clients, telles que leur état de santé, leur consommation de tabac ou d'alcool, et peut même inclure des examens médicaux, comme des tests d'urine pour détecter la présence de substances spécifiques. Cependant, l'intégrité des réponses fournies pose souvent problème. Par exemple, certains clients peuvent sous-déclarer leur consommation de tabac, influençant ainsi les décisions de souscription et les tarifications. Dans ce contexte, les compagnies d'assurance sont souvent contraintes de réaliser des tests médicaux coûteux pour valider les déclarations des clients. Toutefois, grâce à l'apprentissage automatique, nous pouvons potentiellement réduire ces coûts. En développant des modèles prédictifs pour détecter les fumeurs basés sur d'autres informations fournies, il est possible de réduire considérablement sur les coûts. Avec l'apprentissage automatique, nous pouvons analyser de grandes quantités de données, identifier des modèles et faire des prédictions avec une précision élevée. Cette approche ouvre la voie à des processus d'assurance plus optimisés et axés sur les données. En utilisant l'apprentissage automatique, en particulier les algorithmes de classification, nous exploitons des données d'assurance-vie pour prédire si les individus falsifient leurs réponses concernant leur statut de fumeur. Nous mettons en œuvre de nouvelles approches pour traiter les valeurs manquantes, en prenant en compte les aspects humains des données. De plus, nous introduisons une modification de l'algorithme de classification *Set Covering Machine* pour répondre aux défis associés aux coûts des erreurs lors des demandes d'assurance-vie. / In today's digital age, machine learning, a branch of artificial intelligence, is revolutionizing numerous sectors, including insurance. Accurate risk assessment is crucial in the insurance industry, where determining a client's eligibility for a specific type of insurance is central to the underwriting process. Traditionally, this assessment relies on information provided by clients, such as their health status, tobacco or alcohol consumption, and can even include medical examinations, like urine tests to detect specific substances. However, the integrity of the responses provided often poses challenges. For instance, some clients might under-report their tobacco consumption, subsequently influencing underwriting decisions and pricing. In this context, insurance companies often find themselves compelled to conduct costly medical tests to validate client statements. Nevertheless, with the aid of machine learning, we can potentially reduce these costs. By developing predictive models to identify smokers based on other provided information, there's potential for significant savings on testing costs. Thanks to machine learning, we can analyze vast amounts of data, identify patterns, and make predictions with more precision. This approach not only improves the reliability of eligibility assessments but also paves the way for more optimized, data-driven insurance processes. Using machine learning, particularly classification algorithms, we utilized life insurance data to predict whether individuals falsify their responses regarding their smoking status. We implemented new approaches to handle missing values, taking into account the human aspects of the data. Furthermore, we introduced a modification to the *Set Covering Machine* classification algorithm to address the challenges associated with the costs of errors in life insurance applications.

Thèse en cotutelle : Université Laval, Québec, Canada et Université Toulouse 1 Capitole Toulouse, France / En plus des impératifs de l'ordre public et la morale, la technique et le fonctionnement de l'assurance ne permettent pas de garantir tous les risques susceptibles d'être présentés à l'assureur. En tant que technique de gestion des risques par mutualisation, il ne peut y avoir d'assurance sans exclusion de garantie et ce, aussi bien en droit français qu'en droit québécois. La fonction de cette exclusion de garantie est de fixer les limites de l'assurabilité du risque à travers les exclusions légales et délimiter l'étendue de la garantie à travers les exclusions conventionnelles. C'est pourquoi tout contrat d'assurance comporte nécessairement des clauses d'exclusion conventionnelle de garantie qui viennent s'ajouter aux exclusions prévues par la loi. Mais malgré sa nécessité pour la technique et bon fonctionnement de l'assurance, la notion d'exclusion n'est pas définie par les législateurs français et québécois. Ce qui dans la pratique, rend difficile la distinction entre exclusion de garantie et les notions voisines comme la condition de garantie et la clause définissant le risque couvert. En outre, malgré le fait que le régime juridique de l'exclusion de garantie résulte principalement de la loi, son caractère contraignant et son application généralisée fait qu'il se retrouve à son tour au cœur des débats sur la qualification d'exclusion de garantie. C'est à la lumière de ce constat et à contre-courant d'un mouvement général de confusion et d'incompréhension, qu'a été réalisée cette thèse. La première partie consacrée à la détermination de la raison d'être de l'exclusion de garantie, a permis de démontrer qu'elle est à la fois un effet de la technique d'assurance et une nécessité pour son bon fonctionnement. Quant à la seconde partie qui est consacrée aux difficultés et perspectives de solutions de l'exclusion de garantie, elle a permis de mettre en lumière ses lacunes pour lesquelles des solutions ont été envisagées. / In addition to the requirements of public order and morality, the technique and operation of insurance do not cover all the risks that may be presented to the insurer. As a technique of risk management by mutualisation, there can be no insurance without exclusion of guarantee, both in French law and in Quebec law. The function of this exclusion of cover is to set the limits of the insurability of the risk through the legal exclusions and to delimit the scope of the cover through the conventional exclusions. This is why any insurance contract necessarily includes contractual exclusion clauses in addition to the exclusions provided for by law. However, despite its need for the technical and proper functioning of insurance, French and Quebec legislators do not define the notion of exclusion. In practice, this makes it difficult to distinguish between exclusion of guarantee and related concepts such as the guarantee condition and the clause defining the risk covered. In addition, despite the fact that the legal regime governing the exclusion of warranty results mainly from the law, its binding nature and its generalized application means that it in turn finds itself at the heart of the debates on the qualification of exclusion of warranty. It is in the light of this observation and against a general trend of confusion and misunderstanding that this thesis was carried out. The first part devoted to determining the reason for the exclusion of warranty, demonstrated that it is both an effect of the insurance technique and a necessity for its proper functioning. As for the second part, which is devoted to the difficulties and prospects for solutions to the exclusion of warranty, it has made it possible to highlight its shortcomings for which solutions have been considered.