Projet de Statistiques Appliquées en partenariat avec Milliman France, cabinet de conseil en actuariat, réalisé dans le cadre du cycle ingénieur de l'ENSAE Paris.
Ce projet explore l'application du Federated Learning (Apprentissage Fédéré) dans le domaine assurantiel, en réponse aux contraintes de confidentialité des données et à l'hétérogénéité entre compagnies d’assurance.
Le projet vise à prédire la survenue d’un sinistre automobile tout en respectant les contraintes de confidentialité imposées par des réglementations comme le RGPD. Trois algorithmes d'apprentissage fédéré ont été testés : FedAvg, FedProx, et FedOpt.
- freMTPL (France)
- beMTPL (Belgique)
- euMTPL (Europe/Italie)
Sources : CASDatasets
git clone https://github.com/nayelsdk/Federated_Learning_Milliman.git
cd Federated_Learning_Milliman
pip install -r requirements.txtL'organisation du projet est la suivante :
FEDERATED_LEARNING_MILLIMAN/
│ └── raw_data/... # Données brutes récupérées sur CASDatasets
├── clean_data_final/ # Scripts Jupyter et fichiers bruts pour nettoyage
│ ├── beMTPL.ipynb
│ ├── euMTPL.ipynb
│ ├── freMTPL.ipynb
│ ├── code-postaux-belge.csv
│ ├── provinces_italie.csv
│ └── wiki_scraping.csv
├── Stat_desc # Scripts Jupyter qui réalise l'ensemble des statistiques descriptives de nos données
│ ├── Stat_desc.ipynb
│ └── test_Stat_desc_image.ipynb
├── fl_insurance/
│ └── code/ # Code source du projet
│ ├── clients.py # Modélisation côté client
│ ├── data.py # Chargement et traitement des données
│ ├── evaluation.py # Outils d’évaluation des modèles
│ ├── main.py # Script principal d'entraînement
│ ├── servers.py # Comportement du serveur fédéré selon FedAvg et FedOpt
├── requirements.txt # Ensemble des installations nécessaires pour que le projet tourne
├── rapport.pdf # Rapport final du projet avec tous les résultats
├── slides.pdf # Support visuel de la soutenance du 05/06/2025
├── note_de_synthèse.pdf # Note de synthèse du projet
Il est nécessaire de lancer les fichiers notebook de clean_data_final afin de faire apparaitre le dossier data puis le notebook data_augmentation.ipynbpour créer le dossier data_augmentation.
├── data/ # Données nettoyées par clean_data_final
│ ├── belgium_data.csv
│ ├── french_data.csv
│ ├── european_data.csv
├── data_augmentation/... # Données issues de data_augmentation.ipynb (comporte le même contenu que le dossier data)
Nous remercions François HU, Head of AI Lab chez Milliman, ainsi que Fallou NIAKH, encadrant de la voie Actuariat à l’ENSAE Paris, pour leur accompagnement tout au long de ce projet.
Nous tenions également à remercier notre référente Mme. Caroline HILLAIRET, responsable de la voie Actuariat à l'ENSAE Paris, pour ses conseils et son cadrage de projet.