كيف يعيد الذكاء الاصطناعي التوليدي تعريف نمذجة الكوارث في قطاع التأمين

يشهد قطاع التأمين تحولاً تكنولوجياً هائلاً، حيث تواجه نماذج الكوارث التقليدية القائمة على الفيزياء منافسة من الذكاء الاصطناعي التوليدي المتقدم. ومن خلال استخدام نماذج الانتشار (diffusion models) لمحاكاة الظواهر الجوية المتطرفة، تحاول الشركات سد الفجوة في البيانات بين السجلات التاريخية والواقع المناخي المستقبلي.

كسر حاجز الدقة باستخدام نماذج الانتشار

لعقود من الزمن، اعتمدت نمذجة الكوارث على معادلات قائمة على الفيزياء لمحاكاة الجاذبية والاحتكاك والتدفق عبر خلايا الشبكة الجغرافية. ومع ذلك، تواجه هذه النماذج صراعاً مستمراً بين التكلفة الحسابية والدقة. فتشغيل النماذج عالية الدقة على مساحات شاسعة مكلف للغاية، مما يفرض تسوية بين مستوى التفاصيل ونطاق التغطية.

يعمل الذكاء الاصطناعي التوليدي على تغيير هذه المعادلة بشكل جذري. وتقود Fathom، وهي شركة تابعة لـ Swiss Re، الطريق في استخدام نماذج الانتشار للتغلب على هذه القيود. ومن خلال تدريب أداة انتشار على ما يقرب من 1000 عام من عمليات محاكاة المناخ الحالية، يمكن لـ Fathom توليد عشرات الآلاف من السنين من سيناريوهات الطقس المتوقعة لمناخ عام 2030 بشكل اصطناعي. ولحل مشكلة الدقة، يستخدمون نموذجاً ثانوياً لزيادة حدة الصور يعمل على تحسين البيانات الخشنة التي تبلغ مساحتها 100 × 100 كيلومتر لتصل إلى دقة دقيقة تبلغ 10 × 10 كيلومتر، مما يسمح برسم خرائط لأنماط هطول الأمطار بدقة أكبر بكثير.

آفاق جديدة في التباين المكاني ومخاطر الذيل (Tail-Risk)

يمتد تطبيق الذكاء الاصطناعي إلى ما هو أبعد من مجرد توليد الطقس البسيط ليصل إلى النمذجة المعقدة للمخاطر المتعددة. وتستخدم Verisk، الرائدة في هذا المجال، الذكاء الاصطناعي التوليدي الآن لنمذجة الرياح والأمطار الغزيرة في وقت واحد، بدلاً من نمذجتها بشكل متتابع. ويسمح هذا النهج بتباين مكاني أعلى بكثير، مما يلتقط كيفية تفاعل العناصر الجوية المختلفة في الوقت الفعلي.

ويركز لاعبون آخرون على تحليل ما بعد الحدث وأحداث "مخاطر الذيل" (tail-risk)—وهي حوادث كارثية نادرة تفتقر إلى البيانات التاريخية الكافية لمعالجتها بواسطة النماذج التقليدية. فعلى سبيل المثال، تستخدم Moody's RMS الذكاء الاصطناعي لتحليل صور الأقمار الصناعية في أعقاب حرائق الغابات والأعاصير لتقدير الخسائر المؤمن عليها. وتعد هذه القدرة على نمذجة "غير المرئي" أمراً بالغ الأهمية في عصر يتسم بزيادة التقلبات المناخية.

المخاطر: الهلوسة الفيزيائية والتحيزات الاقتصادية

على الرغم من الإمكانات المتاحة، فإن دمج GenAI في تقييم المخاطر لا يخلو من مخاطر جسيمة. وتتمثل العقبة التقنية الرئيسية في "الهلوسة". ولأن نماذج الانتشار تعطي الأولوية للمنطقية على حساب الدقة الفيزيائية، فقد تولد أحداثاً جوية تبدو واقعية ولكنها تنتهك القوانين الأساسية للفيزياء—وهي ظاهرة وصفها المدير العلمي في Fathom، Oliver Wing، بأنها "هراء مطلق" (absolute slop).

علاوة على ذلك، هناك صراع يلوح في الأفق بين الدقة العلمية ومنطق المبيعات في الشركات. فبينما يمكن للنماذج الأفضل نظرياً أن توسع نطاق التغطية لتشمل مناطق عالية المخاطر مثل البرازيل أو بنغلاديش، إلا أن هناك حافزاً متأصلاً لشركات التأمين لتفضيل النماذج التي تنتج تقديرات خسائر أقل. فإذا كشف نموذج الذكاء الاصطناعي أن المخاطر أعلى بكثير مما كان يعتقد سابقاً، فقد يتطلب ذلك احتياطيات رأسمالية أكبر، مما قد يؤدي إلى إبطاء نمو الأعمال. وهذا يخلق توتراً حيث قد يصطدم السعي وراء علم أفضل مع هدف الاكتتاب المتمثل في زيادة حجم الأعمال.

النقاط الرئيسية

• تحسين الدقة: تسمح نماذج الانتشار وتقنيات زيادة الحدة للمنمذجين بالانتقال من دقة 100 كم إلى 10 كم، مما يوفر تفاصيل أدق بكثير لأنماط هطول الأمطار والرياح.
• سد فجوة البيانات: يمكن للذكاء الاصطناعي التوليدي تخليق آلاف السنين من البيانات المناخية الاصطناعية، مما يساعد شركات التأمين على الاستعداد لأحداث "مخاطر الذيل" التي ليس لها سابقة تاريخية.
• تحديات حرجة: يجب على الصناعة التعامل مع المخاطر التقنية المتمثلة في "الهلوسة الفيزيائية" والمخاطر الاقتصادية المتمثلة في الاختيار المتحيز للنماذج المدفوع بحوافز المبيعات.