Как генеративный ИИ меняет подход к моделированию катастрофических рисков в страховании

Страховая отрасль переживает масштабный технологический сдвиг: традиционные физические модели катастроф сталкиваются с конкуренцией со стороны продвинутого генеративного ИИ. Используя диффузионные модели для симуляции экстремальных погодных явлений, компании пытаются восполнить пробел в данных между историческими записями и будущими климатическими реалиями.

Преодоление барьера разрешения с помощью диффузионных моделей

Десятилетиями моделирование катастрофических рисков (cat modeling) опиралось на физические уравнения для симуляции гравитации, трения и потоков в географических ячейках сетки. Однако эти модели постоянно сталкиваются с дилеммой между вычислительной стоимостью и разрешением. Запуск моделей высокого разрешения для больших территорий обходится непомерно дорого, что вынуждает идти на компромисс между детализацией и охватом.

Генеративный ИИ коренным образом меняет это уравнение. Fathom, дочерняя компания Swiss Re, внедряет использование диффузионных моделей для преодоления этих ограничений. Обучив диффузионный инструмент на данных примерно 1000 лет существующих климатических симуляций, Fathom может синтетически генерировать десятки тысяч лет погодных сценариев, прогнозируемых для климата 2030 года. Чтобы решить проблему разрешения, они используют вторичную модель повышения резкости изображений, которая уточняет грубые данные с сеткой 100 × 100 км до точного разрешения 10 × 10 км, что позволяет гораздо точнее картировать структуру осадков.

Новые горизонты пространственной изменчивости и хвостовых рисков

Применение ИИ выходит за рамки простого моделирования погоды и охватывает сложное многофакторное моделирование опасностей. Лидер отрасли Verisk теперь использует генеративный ИИ для одновременного моделирования экстремального ветра и дождя, а не последовательного. Такой подход обеспечивает гораздо более высокую пространственную изменчивость, фиксируя то, как различные погодные элементы взаимодействуют в режиме реального времени.

Другие игроки сосредотачиваются на анализе последствий событий и «хвостовых рисках» (tail-risk) — редких катастрофических явлениях, для которых в традиционных моделях недостаточно исторических данных. Например, Moody's RMS использует ИИ для анализа спутниковых снимков после лесных пожаров и ураганов, чтобы оценить страховые убытки. Эта способность моделировать «невидимое» критически важна в эпоху растущей климатической волатильности.

Риски: физические галлюцинации и экономическая предвзятость

Несмотря на потенциал, интеграция GenAI в оценку рисков сопряжена со значительными опасностями. Основным техническим препятствием являются «галлюцинации». Поскольку диффузионные модели отдают приоритет правдоподобности, а не физической точности, они могут генерировать погодные явления, которые выглядят реалистично, но нарушают фундаментальные законы физики — явление, которое научный директор Fathom Оливер Уинг (Oliver Wing) называет «абсолютным мусором» (absolute slop).

Более того, существует назревающий конфликт между научной точностью и корпоративной логикой продаж. Хотя более совершенные модели теоретически могли бы расширить покрытие на регионы с высоким риском, такие как Бразилия или Бангладеш, у страховщиков есть внутренний стимул отдавать предпочтение моделям, которые выдают более низкие оценки убытков. Если модель ИИ покажет, что риски значительно выше, чем считалось ранее, это может потребовать создания более крупных резервов капитала, что потенциально замедлит рост бизнеса. Это создает напряженность, при которой стремление к более точной науке может войти в противоречие с андеррайтинговой целью — увеличением объема продаж.

Основные выводы

• Повышенное разрешение: Диффузионные модели и методы повышения резкости позволяют моделерам перейти от разрешения 100 км к 10 км, обеспечивая гораздо более высокую детализацию моделей осадков и ветровых потоков.
• Устранение пробела в данных: Генеративный ИИ может синтезировать тысячи лет синтетических климатических данных, помогая страховщикам подготовиться к «хвостовым рискам», не имеющим исторических прецедентов.
• Критические вызовы: Отрасли необходимо преодолевать технический риск «физических галлюцинаций» и экономический риск предвзятого выбора моделей, продиктованного стимулами продаж.