Objectifs pédagogiques / Compétences visées
- Définir la notion de blockchain
- Présenter la notion de Machine et Deep Learning
- Démontrer le rôle de la blockchain dans les secteurs de l'assurance
- Identifier les apports de la blockchain et du Deep Learning dans le secteur des assurances
- Présenter quelques exemples d'application de la blockchain et du Deep Learning dans le secteur des assurances.
Niveau requis
Aucun.
Public concerné
Toute personne travaillant dans le secteur de l'assurance.
Programme
Introduction
- Introduction générale sur la révolution de la blockchain
- Les bénéfices de la blockchain
- Concepts de bases
- Systèmes distribués vs systèmes décentralisés
- Notions cryptographiques
- La notion de token
- Le Bitcoin et la (re)naissance de la blockchain
- Mise en situation
- La sécurité au niveau de la blockchain
- Domaines d'application de la blockchain
- Les acteurs principaux de la blockchain
- Terminologie
- Perspectives
Ethereum et Smart Contracts
- Introduction générale
- Ethereum
- Les Smart Contracts
Les blockchains
- Introduction
- Exemple de blockchain
- Les outils de la blockchain
- Les modes de déploiement de la blockchain
- Cas d'étude
Les DApp (Decentralized Application)
- Introduction
- Notions et développement d'applications distribuées
Blockchain dans le secteur de l'assurance
- Assurer la traçabilité et certification de documents
- Automatiser les processus de gestion des dossiers clients
- Réaliser une architecture fonctionnelle pour le secteur de l'assurance
- Effectuer une transaction de token (cryptomonnaie)
- Réaliser des transactions entre objets connectés
Blockchain dans le secteur de l'assurance
- Développer des assurances indicielles ou paramétriques associées à des objets connectés
- Notion et mise en place d'un système de détection de fraudes
- Mettre en oeuvre des assurances peer to peer et/ou communautaires
- Découvrir la notion de l'économie du partage et son calcage sur la blockchain
- Implication et préparation d'une transition vers la blockchain pour le secteur de l'assurance
Machine Learning
- Le Machine Learning
- Types de tâches : Supervised Learning, Unsupervised Learning et Reinforcement Learning
- Types d'actions : classification, régression, clustering, estimation de densité et réduction de dimensionalité
- Exemples d'algorithmes Machine Learning : régression linéaire, Naive Bayes et Random Tree
Convolutional Neural Networks (CNN)
- Présentation des CNN : principes fondamentaux et applications
- Fonctionnement fondamental d'un CNN : couche convolutionnelle, utilisation d'un kernel, padding et stride...
- Architectures CNN ayant porté l'état de l'art en classification d'images : LeNet, VGG Networks, Network in Network...
- Application à un cas de figure de classification dans un contexte d'assurance
Modèles générationnels : VAE et GAN
- Présentation des modèles générationnels Variational Auto-Encoder (VAE) et Generative Adversarial Networks (GAN)
- Auto-encoder : réduction de dimensionnalité et génération limitée
- VAE : modèle générationnel et approximation de la distribution d'une donnée
- Fondamentaux, convergence et difficultés rencontrées au niveau d'un GAN
- Application dans un contexte d'assurances
Deep Reinforcement Learning (DRL)
- Reinforcement Learning
- Utilisation d'un réseau de neurones pour approximer la fonction d'état
- Deep Q-Learning
- Mini projet
Modalités d’évaluation des acquis
- En cours de formation, par des études de cas ou des travaux pratiques
- Et, en fin de formation, par un questionnaire d'auto-évaluation ou une certification (M2i ou éditeur)