Diss.--Potsdam, 2000. / Bibliogr. p. 567-595. Index.

Texte remanié de: Doctoral th. / Bibliogr. p. [301]-311. Index.

Texte remanié de: Th.--Calgary. / Bibliogr. p. 165-175. Index.

Texte remanié de: Doct. diss. / Organigrammes du renseignement militaire français. Bibliogr. p. 403-434. Index.

Texte remanié de: Diss. / Glossaire. Bibliogr. p. 245-257. Index.

Texte remanié de: Thèse de doctorat--Histoire--Caen, 1996. / En appendice, choix de textes et documents. Bibliogr. p. 521-549. Index. Résumés en français, espagnol et anglais.

Dissertation--Universität Braunschweig, 2006. / Bibliogr. p. 279-303.

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.

No description available.

Mémoire présenté en cotutelle : Université Laval, Québec et Université Paris-Saclay, Cachan, France. / Le sujet de la gestion des données personnelles fait l'actualité depuis quelques années déjà mais la pandémie de covid-19 a rappelé à quel point une gestion responsable, c'est-à-dire respectueuse de la réglementation était importante. Elle est importante d'un point de vue légal, afin que les traitements de données personnelles puissent être mis en place, sans risquer d'être interdits par les juges ou les instances de protection des données personnelles. Mais la gestion responsable des renseignements personnels est également importante d'un point de vue sociétal car les citoyens sont de plus en plus conscients des risques que leur vie privée encourt dès lors que certains organismes lui portent atteinte. D'ailleurs, ces organismes ne sont pas nécessairement malveillants et luttent parfois pour d'autres intérêts, notamment celui de la santé publique. Nous avons pu le constater avec les différents outils technologiques qui ont été mis en place lors de la pandémie de covid-19 afin de lutter contre la propagation du virus. Les citoyens français et canadiens ont alors utilisé des outils de notification d'exposition au virus du covid-19 car ces deux États ont eu à cœur, dès le début de la pandémie, de développer des outils techniques afin de mettre en place une politique de traçage des cas-contacts. Tout l'enjeu de ces outils a été de mettre en balance la protection de la vie privée et la lutte pour la santé publique, dans un contexte sans précédent. Afin de mettre en place un équilibre entre ces deux notions, des atteintes ont été portées, tantôt sur la protection de la vie privée, tantôt sur l'efficacité du dispositif, impactant l'effet positif sur la santé publique. Contrairement à d'autres États ayant fait le choix d'une efficacité totale des dispositifs de notification d'exposition, afin de privilégier la santé publique, la France et le Canada ont décidé de mener une politique de traçage des cas-contacts qui est respectueuses de la vie privée. Les deux modèles connaissent des limites, et le choix s'est opéré en fonction des valeurs de la société en question. On pourrait penser qu'il existe une opposition entre vie privée et santé publique, mais il est possible de préserver les deux, malgré le contexte pandémique.