जनरेटिव्ह एआय (Generative AI) विमा क्षेत्रातील आपत्ती मॉडेलिंगला (Catastrophe Modeling) कशा प्रकारे पुनर्रचित करत आहे

विमा उद्योग एका मोठ्या तांत्रिक परिवर्तनातून जात आहे, कारण पारंपारिक भौतिकशास्त्रावर आधारित (physics-based) आपत्ती मॉडेल्सना आता प्रगत जनरेटिव्ह एआयकडून स्पर्धा मिळत आहे. टोकाच्या हवामान घटनांचे अनुकरण करण्यासाठी 'डिफ्यूजन मॉडेल्स'चा (diffusion models) वापर करून, कंपन्या ऐतिहासिक नोंदी आणि भविष्यातील हवामान वास्तव यांच्यातील डेटातील तफावत भरून काढण्याचा प्रयत्न करत आहेत.

डिफ्यूजन मॉडेल्सद्वारे रिझोल्यूशनमधील अडथळे दूर करणे

अनेक दशकांपासून, आपत्ती (cat) मॉडेलिंग भौगोलिक ग्रिड सेल्समधील गुरुत्वाकर्षण, घर्षण आणि प्रवाहाचे अनुकरण करण्यासाठी भौतिकशास्त्रावर आधारित समीकरणांवर अवलंबून आहे. तथापि, या मॉडेल्सना संगणकीय खर्च (computational cost) आणि रिझोल्यूशन (resolution) यांच्यातील सतत संघर्षाचा सामना करावा लागतो. मोठ्या क्षेत्रांवर उच्च-रिझोल्यूशन मॉडेल्स चालवणे अत्यंत खर्चिक असते, ज्यामुळे तपशील (detail) आणि व्याप्ती (coverage) यामध्ये तडजोड करावी लागते.

जनरेटिव्ह एआय या समीकरणाला मूलभूतपणे बदलत आहे. Swiss Re ची उपकंपनी असलेल्या Fathom ने या मर्यादांवर मात करण्यासाठी डिफ्यूजन मॉडेल्सच्या वापराचे नेतृत्व केले आहे. सुमारे १,००० वर्षांच्या विद्यमान हवामान सिम्युलेशनवर डिफ्यूजन टूल प्रशिक्षित करून, Fathom २०३० च्या हवामानासाठी अंदाजित असलेल्या हजारो वर्षांच्या हवामान परिस्थितींचे कृत्रिमरित्या (synthetically) निर्माण करू शकते. रिझोल्यूशनची समस्या सोडवण्यासाठी, ते एक दुय्यम 'इमेज-शार्पनिंग' मॉडेल वापरतात जे १०० × १०० किलोमीटरच्या ढोबळ डेटाला १० × १० किलोमीटरच्या अचूक रिझोल्यूशनपर्यंत सुधारते, ज्यामुळे पर्जन्यमानाचा (precipitation) अधिक अचूक नकाशा तयार करणे शक्य होते.

स्पेशियल व्हेरिएबिलिटी (Spatial Variability) आणि टेल-रिस्क (Tail-Risk) मधील नवीन क्षितिजे

एआयचा वापर केवळ साध्या हवामान निर्मितीपुरता मर्यादित नसून तो जटिल 'मल्टी-हॅझार्ड मॉडेलिंग'पर्यंत विस्तारला आहे. उद्योगातील आघाडीची कंपनी Verisk आता अतिवृष्टी आणि वादळाचे अनुकरण करण्यासाठी क्रमाने करण्याऐवजी जनरेटिव्ह एआयचा वापर करून एकाच वेळी (simultaneously) मॉडेलिंग करत आहे. हा दृष्टिकोन अधिक उच्च स्पेशियल व्हेरिएबिलिटी (spatial variability) प्रदान करतो, ज्यामुळे विविध हवामान घटक रिअल-टाइममध्ये एकमेकांशी कसे संवाद साधतात हे समजण्यास मदत होते.

इतर कंपन्या घटनांनंतरचे विश्लेषण आणि "टेल-रिस्क" (tail-risk) घटनांवर लक्ष केंद्रित करत आहेत—या अशा दुर्मिळ आणि विनाशकारी घटना आहेत ज्यांच्याकडे पारंपारिक मॉडेल्सना प्रक्रिया करण्यासाठी पुरेसा ऐतिहासिक डेटा उपलब्ध नाही. उदाहरणार्थ, Moody's RMS वणवा (wildfires) आणि चक्रीवादळांनंतर विमा नुकसान मोजण्यासाठी सॅटेलाइट इमेजरीचे विश्लेषण करण्यासाठी एआयचा वापर करते. हवामानातील वाढत्या अस्थिरतेच्या युगात, या "अदृश्य" गोष्टींचे मॉडेलिंग करण्याची क्षमता अत्यंत महत्त्वाची आहे.

धोके: फिजिकल हॅल्युसिनेशन्स (Physical Hallucinations) आणि आर्थिक पूर्वग्रह (Economic Biases)

क्षमता असूनही, जोखीम मूल्यांकनामध्ये GenAI चा समावेश करणे धोक्याशिवाय नाही. मुख्य तांत्रिक अडथळा म्हणजे "हॅल्युसिनेशन" (hallucination). डिफ्यूजन मॉडेल्स भौतिक अचूकतेपेक्षा केवळ विश्वासार्हतेला (plausibility) प्राधान्य देत असल्याने, ते अशा हवामान घटना तयार करू शकतात ज्या वास्तववादी दिसतात परंतु भौतिकशास्त्राच्या मूलभूत नियमांचे उल्लंघन करतात—ही अशी घटना आहे ज्याचे वर्णन Fathom चे वैज्ञानिक संचालक Oliver Wing यांनी "absolute slop" असे केले आहे.

शिवाय, वैज्ञानिक अचूकता आणि कॉर्पोरेट विक्रीचे तर्क (sales logic) यांच्यात संघर्ष निर्माण होत आहे. जरी चांगले मॉडेल्स सैद्धांतिकदृष्ट्या ब्राझील किंवा बांगलादेश सारख्या उच्च-जोखीम असलेल्या प्रदेशांपर्यंत विमा व्याप्ती वाढवू शकत असले, तरी विमा कंपन्यांना कमी नुकसान अंदाज देणाऱ्या मॉडेल्सना प्राधान्य देण्याची उपजत प्रवृत्ती असते. जर एआय मॉडेलने असे दर्शवले की जोखीम पूर्वीच्या तुलनेत लक्षणीयरीत्या जास्त आहे, तर त्यासाठी मोठ्या भांडवली बफरची (capital buffers) आवश्यकता भासू शकते, ज्यामुळे व्यवसायाच्या वाढीचा वेग मंदावू शकतो. यामुळे एक तणाव निर्माण होतो जिथे उत्तम विज्ञानाचा शोध घेणे आणि अधिक व्यवसाय मिळवण्याचे अंडररायटिंग (underwriting) ध्येय यांच्यात संघर्ष होऊ शकतो.

मुख्य निष्कर्ष

• वाढलेले रिझोल्यूशन: डिफ्यूजन मॉडेल्स आणि शार्पनिंग तंत्रांमुळे मॉडेलर्सना १०० किमी वरून १० किमी रिझोल्यूशनपर्यंत पोहोचणे शक्य झाले आहे, ज्यामुळे पर्जन्यमान आणि वाऱ्याच्या पद्धतींचा अधिक सूक्ष्म तपशील मिळतो.
• डेटातील तफावत दूर करणे: जनरेटिव्ह एआय हजारो वर्षांचा कृत्रिम हवामान डेटा तयार करू शकते, ज्यामुळे विमा कंपन्यांना अशा "टेल-रिस्क" घटनांसाठी तयार होण्यास मदत होते ज्यांना कोणताही ऐतिहासिक आधार नाही.
• महत्त्वाची आव्हाने: उद्योगाला "फिजिकल हॅल्युसिनेशन्स"चा तांत्रिक धोका आणि विक्रीच्या प्रोत्साहनामुळे निर्माण होणाऱ्या पक्षपाती मॉडेल निवडीचा आर्थिक धोका या दोन्ही गोष्टींचा विचार करावा लागेल.