Skip to content
selyassinePublic

About

Plateforme d'analyse en assurance non-vie : tarification GLM + LightGBM, fraude, IBNR (Chain Ladder, Mack, Bootstrap), vision YOLOv8, complément Excel

Topics

Resources

Stars

2 stars

Watchers

0 watching

Forks

Repository files navigation

SIAP — Smart Insurance Analytics Platform

Plateforme d'analyse pour l'assurance non-vie (automobile) : tarification GLM + LightGBM, détection de fraude, provisionnement IBNR, expertise de dommages par vision par ordinateur, pilotage des risques, audit d'équité, rapports automatisés et assistant IA. Elle comprend une API FastAPI, une interface Next.js et un complément Excel.

In English. SIAP is an analytics platform for non-life (motor) insurance: GLM and LightGBM pricing on freMTPL2 (about 678,000 policies), fraud detection (XGBoost with SMOTE, Isolation Forest; AUC ≈ 0.82), IBNR reserving (Chain Ladder, Mack, Bornhuetter-Ferguson, ODP bootstrap), vehicle damage assessment with YOLOv8, a SHAP fairness audit of the tariff and Monte Carlo stress tests. It ships a FastAPI backend, a Next.js interface and an Excel add-in. Personal project on public data; documentation is in French.

Tests backend Python FastAPI LightGBM XGBoost YOLOv8 Next.js Licence MIT

Détection des dommages par YOLOv8, sévérité et coût estimé

Projet personnel. Les données sont publiques (freMTPL2, CAS Loss Reserve Database, jeux Kaggle) ; aucun résultat ne constitue un avis actuariel.

En bref

  • Rigueur actuarielle et ML moderne : GLM Gamma et Poisson à côté de LightGBM pour la tarification, Chain Ladder, Mack, Bornhuetter-Ferguson et Bootstrap ODP pour les réserves.
  • Chaque modèle suit le même chemin : notebook validé, artefacts exportés, service backend, endpoint d'API, page de l'interface.
  • Au-delà des modèles : audit de biais du tarif par SHAP, système d'alerte précoce sur les réserves, stress-tests Monte-Carlo, suivi de la dérive des modèles.
  • Les actuaires gardent Excel : le complément « SIAP Actuarial Bridge » expose le tarif et le score de fraude comme formules natives (=SIAP.PRIME(…), =SIAP.FRAUDE(…)).

Résultats clés

Module Méthode Résultat
Tarification GLM Gamma + LightGBM sur freMTPL2 (≈ 678 000 polices) fréquence observée 10,07 %, coût moyen 2 278,54 €
Détection de fraude XGBoost + SMOTE, Isolation Forest AUC ≈ 0,82, rappel ≈ 84 %
Provisionnement IBNR Chain Ladder / Mack, Bootstrap ODP, Bornhuetter-Ferguson réserve centrale ≈ 494 113 ; Bootstrap à moins de 0,3 % ; BF ≈ +20 % (loss ratio a priori 91,34 %)
Vision par ordinateur YOLOv8n affiné sur plus de 8 800 images détection des dommages et contrôle de cohérence avec le score de fraude
Pilotage des risques KPI par région, par année, réserves, fraude 10/10 contrôles actuariels de cohérence

Aperçu

L'application :

Tarification (Smart Pricing) Provisionnement IBNR Expertise des dommages par vision
Page de tarification : prime recommandée pour un profil de conducteur Page de provisionnement IBNR : triangle cumulé et réserves Page de vision par ordinateur : dommages détectés et coût estimé

Les analyses des notebooks :

Stress-tests Monte-Carlo des réserves (100 000 simulations) Ce qui pèse dans le score de fraude (SHAP)
Stress-tests Monte-Carlo SHAP fraude
Audit d'équité du tarif : test contrefactuel par région Analyse exploratoire de freMTPL2 (678 000 polices)
Audit d'équité Analyse exploratoire

Figures issues des notebooks du projet (module2, module8, module10, module1) ; en tête de page, le pipeline de vision (module4) sur des images du jeu de test.

Architecture

┌────────────────────┐   ┌──────────────────────────┐   ┌──────────────────────────────┐
│  siap-frontend      │   │  siap-backend             │   │  Modèles et artefacts          │
│  Next.js, React,    │◄─►│  FastAPI, SQLAlchemy, JWT │◄─►│  LightGBM, XGBoost, GLM,       │
│  Tailwind, Recharts │   │  SQLite ou PostgreSQL     │   │  YOLOv8n, Chain Ladder, SHAP   │
└────────────────────┘   └────────────┬─────────────┘   └──────────────────────────────┘
┌────────────────────┐                │
│  siap-excel-addin   │◄───────────────┤           Groq (Llama 3.3 70B) : assistant et rapports
│  formules Excel     │                │           WeasyPrint : rapports PDF
└────────────────────┘                ▼
                                 module1 … module11 : notebooks de modélisation et artefacts

Modules

Domaine Ce qu'il fait Notebook Endpoint
Tarification Prime pure, calcul unitaire ou par lot module1/ /api/v1/pricing
Fraude Score de fraude, détection par lot module2/ /api/v1/fraud
Provisionnement Triangles, IBNR, distribution Bootstrap module3/ /api/v1/reserving
Vision Détection des dommages sur photo module4/ /api/v1/vision
Pilotage Tableau de bord des KPI module5/ /api/v1/monitoring
Sinistres Création, suivi, scoring automatique — /api/v1/claims
Détecteur de biais Audit SHAP du tarif (variables proxy) module8/ /api/v1/audit/bias-report
Alerte précoce Dérive des réserves module9/ /api/v1/early-warning
Stress-tests Monte-Carlo sur le portefeuille module10/ /api/v1/monte-carlo
Dérive des modèles Suivi de la dérive des données et des scores module11/ /api/v1/drift
Rapports Rapports actuariels PDF — /api/v1/reports
Assistant IA Questions sur les données et les modèles — /api/v1/assistant

La documentation interactive de l'API est disponible sur http://localhost:8000/docs.

Installation

Backend (Python 3.11) :

git clone https://github.com/selyassine/SIAP.git
cd SIAP/siap-backend
python -m venv venv
source venv/bin/activate              # Windows : venv\Scripts\activate
pip install -r requirements.txt
cp .env.example .env                  # renseigner GROQ_API_KEY et SECRET_KEY
uvicorn app.main:app --reload         # les tables sont créées au démarrage (SQLite par défaut)
pytest                                # 68 tests de l'API (ceux de l'assistant demandent GROQ_API_KEY)

Ou avec Docker : docker compose up --build depuis siap-backend/.

Frontend :

cd ../siap-frontend
npm install
npm run dev                           # http://localhost:3000 ; API attendue sur http://127.0.0.1:8000

Le complément Excel se lance depuis siap-excel-addin/ (voir setup-https.md pour le certificat local).

Structure du dépôt

SIAP/
├── module1/ … module11/   # notebooks (EDA, GLM, ML, IBNR, vision, biais, alerte, stress, dérive) et artefacts exportés
├── siap-backend/
│   ├── app/
│   │   ├── api/v1/        # endpoints : auth, pricing, fraud, claims, audit d'équité, drift, monte-carlo…
│   │   ├── routers/       # endpoints : reserving, monitoring, vision
│   │   ├── services/      # logique métier
│   │   ├── ml_models/     # modèles servis par l'API
│   │   ├── models/ crud/ schemas/ db/
│   │   └── main.py
│   ├── tests/             # tests par module
│   └── requirements.txt
├── siap-frontend/         # Next.js : tableau de bord, tarification, fraude, sinistres, réserves, vision…
└── siap-excel-addin/      # complément Office : =SIAP.PRIME, =SIAP.FRAUDE

Démarche

  • Un module n'est terminé que lorsqu'il a été exécuté, résultats à l'appui (métriques, captures), pas sur simple relecture du code.
  • Les bugs n'apparaissaient qu'à l'exécution et ont été corrigés : valeurs codées en dur dans l'interface au lieu des saisies, noms de colonnes incohérents entre entraînement et déploiement, NaN sur variance nulle.
  • Données solides plutôt que fragiles : échantillons intégrés de chainladder plutôt que des URL instables, date de souscription plutôt que date d'incident pour un étalement temporel correct.

Licence

Distribué sous licence MIT : voir LICENSE.


Réalisé par Yassine Selmi — github.com/selyassine

About

Plateforme d'analyse en assurance non-vie : tarification GLM + LightGBM, fraude, IBNR (Chain Ladder, Mack, Bootstrap), vision YOLOv8, complément Excel

Topics

Resources

Stars

2 stars

Watchers

0 watching

Forks

Releases

Packages

Contributors

Languages