Migrer le modèle. Conserver les preuves.
Reconstruire des modèles Excel ou des plateformes existantes en Python tout en prouvant, étape par étape, que leur comportement a survécu. L'IA accélère la construction ; un harness déterministe juge l'équivalence.
Résultats de la démonstration publique du harness de migration.
Une réécriture propre peut modifier silencieusement le modèle
Une réécriture classique change simultanément le langage, la structure et la performance. Lorsqu'un résultat évolue, l'écart n'a plus de propriétaire clair.
Comparer quelques totaux ne suffit pas : des erreurs compensatoires peuvent aboutir au même total alors que la logique intermédiaire a dérivé.
Chaque écart a un propriétaire
Le harness transforme la migration en une suite de portes de compréhension, de construction et d'acceptation.
Recenser la source
Cartographier chaque formule et nœud de calcul, y compris les calculs inutilisés.
Figer l'oracle
Extraire mécaniquement les valeurs de référence avec moteur, scénario et période consignés.
Tester la compréhension
Rédiger une spécification sourcée puis demander à un agent neuf de prédire les valeurs intermédiaires à l'aveugle.
Construire fidèlement
Reproduire le comportement en Python portable avant toute restructuration ou optimisation.
Tester les branches
Exercer les limites, options, années partielles, taux négatifs et erreurs d'origine.
Bloquer l'acceptation
Empêcher l'achèvement tant que chaque comparaison n'a pas réussi et que chaque dérogation n'est pas consignée.
Un dossier de preuve, pas une note de réconciliation
Les preuves survivent à la session de construction et peuvent être revues indépendamment.
Traçabilité source-module
Spécifications et code renvoient aux cellules et règles qu'ils reproduisent.
Équivalence paire par paire
Chaque scénario et résultat intermédiaire est comparé à sa valeur oracle déclarée.
Fidélité des erreurs
Un #N/A d'origine reste un #N/A ; le remplacer par zéro constitue un échec.
Reconstruction reproductible
Une seconde implémentation peut être évaluée avec les mêmes spécifications et la même suite.
Équivalent ne signifie pas correct
Le processus prouve que le modèle Python est équivalent au modèle source tel qu'il calcule, selon le moteur, les scénarios et la tolérance déclarés. Il ne prouve pas que les hypothèses ou la logique actuarielle d'origine étaient appropriées.
Ce que cela ne prétend pasCe qui reste après la mission
Résultats de la missionCe que les parties prenantes veulent généralement clarifier
Questions & limitesPourquoi prouver l'équivalence avant d'améliorer le modèle ?
Modifier simultanément la logique et l'architecture rend les écarts difficiles à attribuer. Une base fidèle fournit une référence stable et permet de revoir ensuite chaque amélioration séparément.
La migration dépend-elle de l'IA ?
Non. L'IA peut accélérer l'inventaire, la spécification et l'implémentation, mais la décision d'acceptation repose sur des comparaisons déterministes, des tolérances déclarées et une revue actuarielle.
Que prouve réellement une suite d'équivalence réussie ?
Elle prouve que la cible reproduit les résultats de la source pour le moteur, les scénarios, les points de contrôle et la tolérance nommés. Elle ne valide pas les hypothèses du modèle source au-delà de cette frontière.
Que faut-il pour commencer ?
Un inventaire du modèle source, des entrées représentatives, des sorties autoritaires, l'environnement cible et l'accès aux personnes capables d'expliquer les comportements voulus, les défauts connus et les règles de jugement.
Schémas de contrôle associés
Le langage naturel en entrée. Un processus gouverné en sortie.
Offrir une interface naturelle aux équipes sans transformer la production en conversation. Les skills définissent la procédure, le harness l'exécute et la consigne, et le moteur approuvé effectue les calculs.
Explorer cette solutionSolution · Documentation & revue réglementaireDéfinir la qualité. Puis imposer son respect.
Transformer l'expertise actuarielle et réglementaire en règles de preuve, procédures, contrôles et conditions d'arrêt que l'IA doit suivre. Le rapport devient une interface de revue.
Explorer cette solutionVotre migration exige-t-elle de réellement prouver que rien n'a changé ?
Partons du modèle source, de la plateforme cible et des preuves attendues par vos réviseurs.