ജനറേറ്റീവ് AI ഇൻഷുറൻസിലെ കാറ്റാസ്ട്രോഫി മോഡലിംഗിനെ എങ്ങനെ പുനർനിർവചിക്കുന്നു

പരമ്പരാഗതമായ ഫിസിക്സ് അധിഷ്ഠിത കാറ്റാസ്ട്രോഫി മോഡലുകൾക്ക് (catastrophe models) ആധുനിക ജനറേറ്റീവ് AI-യിൽ നിന്നുള്ള മത്സരം നേരിടേണ്ടി വരുന്നതോടെ ഇൻഷുറൻസ് മേഖല വലിയൊരു സാങ്കേതിക മാറ്റത്തിന് സാക്ഷ്യം വഹിക്കുകയാണ്. കഠിനമായ കാലാവസ്ഥാ വ്യതിയാനങ്ങൾ അനുകരിക്കാൻ ഡിഫ്യൂഷൻ മോഡലുകൾ (diffusion models) ഉപയോഗിക്കുന്നതിലൂടെ, ചരിത്രപരമായ രേഖകളും ഭാവിയിലെ കാലാവസ്ഥാ യാഥാർത്ഥ്യങ്ങളും തമ്മിലുള്ള ഡാറ്റാ വിടവ് നികത്താൻ കമ്പനികൾ ശ്രമിക്കുന്നു.

ഡിഫ്യൂഷൻ മോഡലുകളിലൂടെ റെസല്യൂഷൻ തടസ്സങ്ങൾ മറികടക്കുന്നു

പതിറ്റാണ്ടുകളായി, ഭൂമിശാസ്ത്രപരമായ ഗ്രിഡ് സെല്ലുകളിലൂടെയുള്ള ഗുരുത്വാകർഷണം, ഘർഷണം, ഒഴുക്ക് എന്നിവ അനുകരിക്കാൻ കാറ്റാസ്ട്രോഫി (cat) മോഡലിംഗ് ഫിസിക്സ് അധിഷ്ഠിത സമവാക്യങ്ങളെയാണ് ആശ്രയിച്ചിരുന്നത്. എന്നിരുന്നാലും, ഈ മോഡലുകൾ കമ്പ്യൂട്ടേഷണൽ ചിലവും റെസല്യൂഷനും (resolution) തമ്മിലുള്ള നിരന്തരമായ പോരാട്ടമാണ് നേരിടുന്നത്. ഉയർന്ന റെസല്യൂഷനുള്ള മോഡലുകൾ വലിയ പ്രദേശങ്ങളിൽ പ്രവർത്തിപ്പിക്കുന്നത് അമിത ചിലവേറിയതാണ്, ഇത് കൃത്യതയും വ്യാപ്തിയും തമ്മിൽ വിട്ടുവീഴ്ച ചെയ്യേണ്ടി വരുന്ന സാഹചര്യം ഉണ്ടാക്കുന്നു.

ജനറേറ്റീവ് AI ഈ സമവാക്യത്തെ അടിസ്ഥാനപരമായി മാറ്റിക്കൊണ്ടിരിക്കുകയാണ്. Swiss Re-യുടെ ഉപകമ്പനിയായ Fathom, ഈ പരിമിതികൾ മറികടക്കാൻ ഡിഫ്യൂഷൻ മോഡലുകളുടെ ഉപയോഗത്തിൽ മുന്നിട്ടുനിൽക്കുന്നു. ഏകദേശം 1,000 വർഷത്തെ നിലവിലുള്ള കാലാവസ്ഥാ സിമുലേഷനുകൾ ഉപയോഗിച്ച് ഒരു ഡിഫ്യൂഷൻ ടൂൾ പരിശീലിപ്പിക്കുന്നതിലൂടെ, 2030-ലെ കാലാവസ്ഥാ സാഹചര്യങ്ങൾക്കായി പതിനായിരക്കണക്കിന് വർഷത്തെ കാലാവസ്ഥാ സാഹചര്യങ്ങൾ കൃത്രിമമായി നിർമ്മിക്കാൻ Fathom-ന് സാധിക്കും. റെസല്യൂഷൻ പ്രശ്നം പരിഹരിക്കുന്നതിനായി, അവർ ഒരു സെക്കൻഡറി ഇമേജ് ഷാർപ്പനിംഗ് മോഡൽ ഉപയോഗിക്കുന്നു. ഇത് 100 × 100 കിലോമീറ്റർ എന്ന വലിയ ഡാറ്റയെ 10 × 10 കിലോമീറ്റർ എന്ന കൃത്യമായ റെസല്യൂഷനിലേക്ക് മാറ്റുന്നു, ഇത് മഴയുടെ പാറ്റേണുകൾ കൂടുതൽ കൃത്യമായി മാപ്പ് ചെയ്യാൻ സഹായിക്കുന്നു.

സ്പേഷ്യൽ വേരിയബിലിറ്റിയിലും ടെയിൽ-റിസ്കിലും പുതിയ അതിരുകൾ

കാലാവസ്ഥാ നിർമ്മാണം എന്നതിലുപരി സങ്കീർണ്ണമായ മൾട്ടി-ഹാസാർഡ് (multi-hazard) മോഡലിംഗിലേക്കും AI-യുടെ പ്രയോഗം വ്യാപിക്കുന്നു. ഇൻഡസ്ട്രി ലീഡറായ Verisk ഇപ്പോൾ കഠിനമായ കാറ്റും മഴയും ക്രമമായിട്ടല്ല, മറിച്ച് ഒരേസമയം മോഡൽ ചെയ്യാൻ ജനറേറ്റീവ് AI ഉപയോഗിക്കുന്നു. ഈ സമീപനം ഉയർന്ന സ്പേഷ്യൽ വേരിയബിലിറ്റി (spatial variability) അനുവദിക്കുകയും, വിവിധ കാലാവസ്ഥാ ഘടകങ്ങൾ തത്സമയം എങ്ങനെ പരസ്പരം പ്രതിപ്രവർത്തിക്കുന്നു എന്ന് മനസ്സിലാക്കാൻ സഹായിക്കുകയും ചെയ്യുന്നു.

മറ്റ് കമ്പനികൾ സംഭവാനന്തര വിശകലനത്തിലും (post-event analysis) "ടെയിൽ-റിസ്ക്" (tail-risk) സംഭവങ്ങളിലും ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു—അതായത് പരമ്പരാഗത മോഡലുകൾക്ക് പ്രോസസ്സ് ചെയ്യാൻ ആവശ്യമായ ചരിത്രപരമായ ഡാറ്റ ഇല്ലാത്ത അപൂർവ്വവും വിനാശകരവുമായ സംഭവങ്ങൾ. ഉദാഹരണത്തിന്, കാട്ടുതീയും ചുഴലിക്കാറ്റും ഉണ്ടാകുമ്പോൾ ഇൻഷുർ ചെയ്ത നഷ്ടം കണക്കാക്കുന്നതിനായി Moody's RMS സാറ്റലൈറ്റ് ചിത്രങ്ങൾ വിശകലനം ചെയ്യാൻ AI ഉപയോഗിക്കുന്നു. വർദ്ധിച്ചുവരുന്ന കാലാവസ്ഥാ വ്യതിയാനങ്ങളുടെ ഈ കാലഘട്ടത്തിൽ, കാണപ്പെടാത്ത കാര്യങ്ങൾ (unseen) മോഡൽ ചെയ്യാനുള്ള ഈ കഴിവ് വളരെ നിർണ്ണായകമാണ്.

അപകടസാധ്യതകൾ: ഫിസിക്കൽ ഹാളുസിനേഷനുകളും സാമ്പത്തിക പക്ഷപാതങ്ങളും

വലിയ സാധ്യതകൾ ഉണ്ടെങ്കിലും, റിസ്ക് അസസ്‌മെന്റിൽ GenAI ഉൾപ്പെടുത്തുന്നത് വലിയ അപകടസാധ്യതകളില്ലാത്തതല്ല. പ്രധാന സാങ്കേതിക തടസ്സം "ഹാളുസിനേഷൻ" (hallucination) ആണ്. ഡിഫ്യൂഷൻ മോഡലുകൾ ഭൗതിക കൃത്യതയേക്കാൾ (physical accuracy) വിശ്വാസ്യതയ്ക്കാണ് മുൻഗണന നൽകുന്നത് എന്നതിനാൽ, അവ യഥാർത്ഥമെന്ന് തോന്നിക്കുന്നതും എന്നാൽ ഭൗതികശാസ്ത്ര നിയമങ്ങളെ ലംഘിക്കുന്നതുമായ കാലാവസ്ഥാ സാഹചര്യങ്ങൾ സൃഷ്ടിച്ചേക്കാം—Fathom-ന്റെ സയന്റിഫിക് ഡയറക്ടർ ഒലിവർ വിംഗ് ഇതിനെ "അബ്സല്യൂട്ട് സ്ലോപ്പ്" (absolute slop) എന്നാണ് വിശേഷിപ്പിക്കുന്നത്.

കൂടാതെ, ശാസ്ത്രീയ കൃത്യതയും കോർപ്പറേറ്റ് സെയിൽസ് ലോജിക്കും തമ്മിൽ ഒരു സംഘർഷം നിലനിൽക്കുന്നുണ്ട്. മെച്ചപ്പെട്ട മോഡലുകൾ സിദ്ധാന്തപരമായി ബ്രസീൽ അല്ലെങ്കിൽ ബംഗ്ലാദേശ് പോലുള്ള ഉയർന്ന റിസ്ക് മേഖലകളിലേക്ക് ഇൻഷുറൻസ് പരിരക്ഷ വ്യാപിപ്പിക്കാൻ സഹായിച്ചേക്കാം എങ്കിലും, കുറഞ്ഞ നഷ്ടം കണക്കാക്കുന്ന മോഡലുകളെ അനുകൂലിക്കാൻ ഇൻഷുറർമാർക്ക് സ്വാഭാവികമായ പ്രവണതയുണ്ട്. ഒരു AI മോഡൽ റിസ്ക് മുമ്പത്തേക്കാൾ വളരെ കൂടുതലാണെന്ന് വെളിപ്പെടുത്തിയാൽ, അത് വലിയ മൂലധന ശേഖരം (capital buffers) ആവശ്യമായി വന്നേക്കാം, ഇത് ബിസിനസ് വളർച്ചയെ തടഞ്ഞേക്കാം. മികച്ച ശാസ്ത്രീയമായ കണ്ടെത്തലുകളും കൂടുതൽ ബിസിനസ്സ് നേടുക എന്ന അണ്ടർറൈറ്റിംഗ് (underwriting) ലക്ഷ്യവും തമ്മിലുള്ള ഒരു സംഘർഷം ഇത് സൃഷ്ടിക്കുന്നു.

പ്രധാന കാര്യങ്ങൾ

  • മെച്ചപ്പെട്ട റെസല്യൂഷൻ: ഡിഫ്യൂഷൻ മോഡലുകളും ഷാർപ്പനിംഗ് സാങ്കേതികവിദ്യകളും ഉപയോഗിച്ച് 100 കിലോമീറ്ററിൽ നിന്ന് 10 കിലോമീറ്റർ റെസല്യൂഷനിലേക്ക് മാറാൻ മോഡലർമാർക്ക് സാധിക്കുന്നു, ഇത് മഴയുടെയും കാറ്റിന്റെയും പാറ്റേണുകൾ കൂടുതൽ സൂക്ഷ്മമായി മനസ്സിലാക്കാൻ സഹായിക്കുന്നു.
  • ഡാറ്റാ വിടവ് പരിഹരിക്കുന്നു: ജനറേറ്റീവ് AI ആയിരക്കണക്കിന് വർഷത്തെ കൃത്രിമ കാലാവസ്ഥാ ഡാറ്റ നിർമ്മിക്കാൻ സഹായിക്കുന്നു, ഇത് ചരിത്രപരമായ മുൻഗണനകളില്ലാത്ത "ടെയിൽ-റിസ്ക്" സംഭവങ്ങൾക്കായി ഇൻഷുറർമാരെ സജ്ജരാക്കാൻ സഹായിക്കുന്നു.
  • പ്രധാന വെല്ലുവിളികൾ: "ഫിസിക്കൽ ഹാളുസിനേഷൻ" എന്ന സാങ്കേതിക റിസ്കും, സെയിൽസ് ഇൻസെന്റീവുകൾ മൂലം മോഡലുകൾ തിരഞ്ഞെടുക്കുന്നതിലെ സാമ്പത്തിക പക്ഷപാതവും ഈ മേഖല നേരിടേണ്ടതുണ്ട്.