چگونه هوش مصنوعی مولد در حال بازتعریف مدل‌سازی فاجعه در صنعت بیمه است

صنعت بیمه در حال تجربه یک تحول تکنولوژیک عظیم است، چرا که مدل‌های سنتی مدل‌سازی فاجعه (catastrophe models) مبتنی بر فیزیک، با رقابت هوش مصنوعی مولد پیشرفته روبرو شده‌اند. شرکت‌ها با بهره‌گیری از مدل‌های انتشار (diffusion models) برای شبیه‌سازی رویدادهای جوی شدید، در تلاش‌اند تا شکاف داده‌ای میان سوابق تاریخی و واقعیت‌های اقلیمی آینده را پر کنند.

شکستن سد قدرت تفکیک با مدل‌های انتشار

برای دهه‌ها، مدل‌سازی فاجعه (cat modeling) برای شبیه‌سازی جاذبه، اصطکاک و جریان در سلول‌های شبکه جغرافیایی، بر معادلات مبتنی بر فیزیک متکی بوده است. با این حال، این مدل‌ها همواره با چالشی میان هزینه محاسباتی و قدرت تفکیک (resolution) روبرو هستند. اجرای مدل‌های با قدرت تفکیک بالا در مناطق وسیع بسیار هزینه‌بر است و این امر باعث می‌شود میان جزئیات و پوشش منطقه‌ای، نوعی مصالحه صورت گیرد.

هوش مصنوعی مولد به طور بنیادین در حال تغییر این معادله است. Fathom، از شرکت‌های تابعه Swiss Re، در استفاده از مدل‌های انتشار برای غلبه بر این محدودیت‌ها پیشگام است. Fathom با آموزش یک ابزار انتشار بر روی تقریباً ۱۰۰۰ سال شبیه‌سازی اقلیمی موجود، می‌تواند ده‌ها هزار سال سناریوی آب‌وهوایی پیش‌بینی‌شده برای اقلیم سال ۲۰۳۰ را به صورت مصنوعی تولید کند. برای حل مشکل قدرت تفکیک، آن‌ها از یک مدل ثانویه «تیزکننده تصویر» استفاده می‌کنند که داده‌های کلی و بی‌دقت ۱۰۰ × ۱۰۰ کیلومتری را به قدرت تفکیک دقیق ۱۰ × ۱۰ کیلومتری تبدیل می‌کند و امکان نقشه‌برداری بسیار دقیق‌تر از الگوهای بارش را فراهم می‌سازد.

مرزهای جدید در تغییرپذیری مکانی و ریسک‌های فرین (Tail-Risk)

کاربرد هوش مصنوعی فراتر از تولید ساده وضعیت آب‌وهوا، به مدل‌سازی پیچیده چندخطر (multi-hazard) گسترش یافته است. Verisk، از پیشگامان این صنعت، اکنون از هوش مصنوعی مولد برای مدل‌سازی همزمان باد و باران شدید استفاده می‌کند، به جای آنکه این کار را به صورت متوالی انجام دهد. این رویکرد اجازه می‌دهد تغییرپذیری مکانی بسیار بالاتری حاصل شود و نحوه تعامل عناصر مختلف جوی را در لحظه (real-time) ثبت کند.

سایر بازیگران بازار بر تحلیل‌های پس از حادثه و رویدادهای «ریسک فرین» (tail-risk) تمرکز کرده‌اند؛ یعنی وقوع حوادث نادر و فاجعه‌باری که فاقد داده‌های تاریخی کافی برای پردازش توسط مدل‌های سنتی هستند. برای مثال، Moody's RMS از هوش مصنوعی برای تحلیل تصاویر ماهواره‌ای پس از آتش‌سوزی‌های جنگلی و طوفان‌ها جهت تخمین خسارات بیمه‌شده استفاده می‌کند. این توانایی در مدل‌سازی موارد «دیده‌نشده»، در عصر افزایش بی‌ثباتی اقلیمی، حیاتی است.

ریسک‌ها: توهمات فیزیکی و سوگیری‌های اقتصادی

علی‌رغم پتانسیل‌های موجود، ادغام GenAI در ارزیابی ریسک بدون خطرات جدی نیست. مانع فنی اصلی، «توهم» (hallucination) است. از آنجایی که مدل‌های انتشار، «باورپذیری» را بر «دقت فیزیکی» اولویت می‌دهند، می‌توانند رویدادهای جوی تولید کنند که واقع‌گرایانه به نظر می‌رسند اما قوانین بنیادی فیزیک را نقض می‌کنند؛ پدیده‌ای که Oliver Wing، مدیر علمی Fathom، آن را «آشفتگی مطلق» (absolute slop) توصیف می‌کند.

علاوه بر این، تضاد آشکاری میان دقت علمی و منطق فروش شرکت‌ها در حال شکل‌گیری است. در حالی که مدل‌های بهتر از نظر تئوری می‌توانند پوشش بیمه‌ای را به مناطق پرخطر مانند برزیل یا بنگلادش گسترش دهند، اما یک انگیزه ذاتی برای بیمه‌گران وجود دارد تا مدل‌هایی را ترجیح دهند که تخمین خسارت کمتری ارائه می‌دهند. اگر یک مدل هوش مصنوعی نشان دهد که ریسک‌ها به طور قابل توجهی بالاتر از حد تصور قبلی است، ممکن است نیاز به ذخایر سرمایه بزرگتری داشته باشد که پتانسیل کند کردن رشد کسب‌وکار را دارد. این امر تنشی ایجاد می‌کند که در آن، تلاش برای علم بهتر ممکن است با هدف پذیرش ریسک (underwriting) برای جذب مشتری بیشتر، در تضاد قرار گیرد.

نکات کلیدی

• ارتقای قدرت تفکیک: مدل‌های انتشار و تکنیک‌های تیزسازی به مدل‌سازان اجازه می‌دهند قدرت تفکیک را از ۱۰۰ کیلومتر به ۱۰ کیلومتر برسانند و جزئیات بسیار دقیق‌تری از الگوهای بارش و باد ارائه دهند.
• حل شکاف داده‌ای: هوش مصنوعی مولد می‌تواند هزاران سال داده‌های اقلیمی مصنوعی را سنتز کند و به بیمه‌گران در آماده‌سازی برای رویدادهای «ریسک فرین» که هیچ سابقه تاریخی ندارند، کمک کند.
• چالش‌های حیاتی: این صنعت باید از میان ریسک‌های فنیِ «توهمات فیزیکی» و ریسک‌های اقتصادیِ «انتخاب سوگیرانه مدل‌ها» که ناشی از انگیزه‌های فروش است، عبور کند.