כיצד בינה מלאכותית יוצרת (Generative AI) מגדירה מחדש את מידול האסונות בענף הביטוח

ענף הביטוח עובר תפנית טכנולוגית אדירה, כאשר מודלים מסורתיים של מידול אסונות המבוססים על פיזיקה מתמודדים עם תחרות מצד בינה מלאכותית יוצרת (Generative AI) מתקדמת. באמצעות שימוש במודלי דיפוזיה (diffusion models) לסימולציה של אירועי מזג אוויר קיצוניים, חברות מנסות לצמצם את פער הנתונים בין רשומות היסטוריות לבין מציאות אקלימית עתידית.

שבירת מחסום הרזולוציה באמצעות מודלי דיפוזיה

במשך עשורים, מידול אסונות (cat modeling) התבסס על משוואות מבוססות פיזיקה כדי לסמלץ כוח משיכה, חיכוך וזרימה על פני תאים ברשת גיאוגרפית. עם זאת, מודלים אלו מתמודדים עם מאבק מתמיד בין עלות חישובית לבין רזולוציה. הרצת מודלים ברזולוציה גבוהה על פני שטחים נרחבים היא יקרה מדי, מה שמאלץ פשרה בין רמת הפירוט לבין הכיסוי הגיאוגרפי.

הבינה המלאכותית היוצרת משנה מהיסוד את המשוואה הזו. Fathom, חברה בת של Swiss Re, חלוצה בשימוש במודלי דיפוזיה כדי להתגבר על מגבלות אלו. באמצעות אימון כלי דיפוזיה על כ-1,000 שנות סימולציות אקלימיות קיימות, Fathom יכולה לייצר באופן סינתטי עשרות אלפי שנות תרחישי מזג אוויר המתוכננים עבור אקלים של שנת 2030. כדי לפתור את בעיית הרזולוציה, הם משתמשים במודל משני לחדד תמונות (image-sharpening model) המזקק נתונים גסים של 100 × 100 קילומטר לרזולוציה מדויקת של 10 × 10 קילומטר, מה שמאפשר מיפוי מדויק הרבה יותר של דפוסי משקעים.

חזיתות חדשות במשתנה מרחבית ובסיכוני זנב (Tail-Risk)

יישום ה-AI חורג מעבר ליצירת מזג אוויר פשוטה ומגיע למידול מורכב של מספר סיכונים במקביל (multi-hazard modeling). Verisk, מובילה בתעשייה, משתמשת כעת בבינה מלאכותית יוצרת כדי למדל רוחות וגשמים קיצוניים בו-זמנית, במקום באופן סדרתי. גישה זו מאפשרת משתנה מרחבית גבוהה בהרבה, ותופסת כיצד אלמנטים שונים של מזג האוויר מקיימים אינטראקציה בזמן אמת.

שחקנים אחרים מתמקדים בניתוח שלאחר אירוע ובאירועי "סיכון זנב" (tail-risk) — אירועים קטסטרופליים נדירים שחסרים להם נתונים היסטוריים מספיקים לעיבוד על ידי מודלים מסורתיים. Moody's RMS, למשל, משתמשת ב-AI כדי לנתח תצלומי לוויין בעקבות שריפות יער וסופות הוריקן כדי להעריך הפסדים מבוטחים. היכולת הזו למדל את ה"בלתי נראה" היא קריטית בעידן של תנודתיות אקלימית גוברת.

הסיכונים: הזיות פיזיקליות והטיות כלכליות

למרות הפוטנציאל, שילוב ה-GenAI בהערכת סיכונים אינו נטול סכנות משמעותיות. המכשול הטכני העיקרי הוא "הזיה" (hallucination). מכיוון שמודלי דיפוזיה מתעדפים סבירות על פני דיוק פיזיקלי, הם עלולים לייצר אירועי מזג אוויר שנראים ריאליסטיים אך מפרים את חוקי הפיזיקה הבסיסיים — תופעה שמנהל המדעי של Fathom, אוליבר וינג (Oliver Wing), מתאר כ"בלגן מוחלט" (absolute slop).

יתרה מכך, קיים קונפליקט מתקרב בין דיוק מדעי לבין לוגיקת מכירות תאגידית. בעוד שמודלים טובים יותר יכולים תיאורטית להרחיב את הכיסוי לאזורים בסיכון גבוה כמו ברזיל או בנגלדש, קיים תמריץ מובנה עבור מבטחים להעדיף מודלים שמפיקים הערכות הפסד נמוכות יותר. אם מודל AI יחשוף שהסיכונים גבוהים משמעותית ממה שחשבו בעבר, הדבר עשוי להצריך רזרבות הון גדולות יותר, מה שעלול להאט את צמיחת העסק. זה יוצר מתח שבו המרדף אחר מדע טוב יותר עלול להתנגש עם יעד החיתום (underwriting) של כתיבת יותר עסקים.

נקודות מרכזיות

• רזולוציה משופרת: מודלי דיפוזיה וטכניקות חדות מאפשרים למדלנים לקפוץ מרזולוציה של 100 ק"מ לרזולוציה של 10 ק"מ, מה שמספק פירוט עדין הרבה יותר של דפוסי משקעים ורוחות.
• פתרון פער הנתונים: בינה מלאכותית יוצרת יכולה לסנתז אלפי שנים של נתוני אקלים סינתטיים, ובכך לסייע למבטחים להתכונן לאירועי "סיכון זנב" שאין להם תקדים היסטורי.
• אתגרים קריטיים: על התעשייה לנווט בין הסיכון הטכני של "הזיות פיזיקליות" לבין הסיכון הכלכלי של בחירת מודלים מוטה המונע מתמריצי מכירות.