ஜெனரேட்டிவ் AI காப்பீட்டுத் துறையில் பேரழிவு மாதிரியாக்கத்தை (Catastrophe Modeling) எவ்வாறு மறுவரையறை செய்கிறது

பாரம்பரிய இயற்பியல் சார்ந்த பேரழிவு மாதிரிகள் (physics-based catastrophe models), மேம்பட்ட ஜெனரேட்டிவ் AI-இன் போட்டியைக் சந்தித்து வருவதால், காப்பீட்டுத் துறை ஒரு மிகப்பெரிய தொழில்நுட்ப மாற்றத்தை நோக்கி நகர்ந்து கொண்டிருக்கிறது. தீவிர வானிலை நிகழ்வுகளை உருவகப்படுத்த (simulate) டிஃப்யூஷன் மாடல்களைப் (diffusion models) பயன்படுத்துவதன் மூலம், வரலாற்றுப் பதிவுகளுக்கும் எதிர்கால காலநிலை யதார்த்தங்களுக்கும் இடையிலான தரவு இடைவெளியைக் குறைக்க நிறுவனங்கள் முயற்சி செய்து வருகின்றன.

டிஃப்யூஷன் மாடல்கள் மூலம் தெளிவுத்திறன் தடையை உடைத்தல்

பல தசாப்தங்களாக, பேரழிவு (cat) மாதிரியாக்கம் என்பது புவியியல் கட்டப் பிரிவுகளில் (geographic grid cells) ஈர்ப்பு விசை, உராய்வு மற்றும் ஓட்டம் போன்றவற்றை உருவகப்படுத்த இயற்பியல் சார்ந்த சமன்பாடுகளைச் சார்ந்தே இருந்து வருகிறது. இருப்பினும், இந்த மாதிரிகள் கணக்கீட்டுச் செலவு (computational cost) மற்றும் தெளிவுத்திறன் (resolution) ஆகியவற்றிற்கு இடையே ஒரு தொடர்ச்சியான போராட்டத்தை எதிர்கொள்கின்றன. அதிக தெளிவுத்திறன் கொண்ட மாதிரிகளைப் பெரிய பரப்பளவில் இயக்குவது மிகவும் செலவுமிக்கது என்பதால், விவரம் மற்றும் பரப்பளவு ஆகியவற்றுக்கு இடையே ஒரு சமரசத்திற்குத் தள்ளப்படுகிறது.

ஜெனரேட்டிவ் AI இந்தச் சமன்பாட்டை அடிப்படையாகவே மாற்றியமைத்து வருகிறது. Swiss Re நிறுவனத்தின் துணை நிறுவனமான Fathom, இந்த வரம்புகளைக் கடக்க டிஃப்யூஷன் மாடல்களைப் பயன்படுத்துவதில் முன்னோடியாக உள்ளது. சுமார் 1,000 ஆண்டுகால நிலவிருக்கும் காலநிலை உருவகப்படுத்துதல்களைக் கொண்டு ஒரு டிஃப்யூஷன் கருவியைப் பயிற்றுவிப்பதன் மூலம், 2030-ஆம் ஆண்டின் காலநிலைக்குத் திட்டமிடப்பட்ட பல்லாயிரக்கணக்கான ஆண்டுகால வானிலைச் சூழல்களை Fathom செயற்கையாக உருவாக்க முடியும். தெளிவுத்திறன் சிக்கலைத் தீர்க்க, அவர்கள் ஒரு இரண்டாம் நிலை இமேஜ்-ஷார்பனிங் (image-sharpening) மாதிரியைப் பயன்படுத்துகின்றனர். இது 100 × 100 கிலோமீட்டர் கொண்ட கரடுமுரடான தரவை 10 × 10 கிலோமீட்டர் துல்லியமான தெளிவுத்திறனாகச் செம்மைப்படுத்துகிறது, இது மழைப்பொழிவு முறைகளை மிகவும் துல்லியமாக வரைபடமாக்க அனுமதிக்கிறது.

இடஞ்சார்ந்த மாறுபாடு (Spatial Variability) மற்றும் டெயில்-ரிஸ்க் (Tail-Risk) ஆகியவற்றில் புதிய எல்லைகள்

AI-இன் பயன்பாடு சாதாரண வானிலை உருவாக்கத்தைத் தாண்டி, சிக்கலான பல-அபாய மாதிரியாக்கம் (multi-hazard modeling) வரை நீள்கிறது. தொழில்துறையின் முன்னணி நிறுவனமான Verisk, இப்போது தீவிரக் காற்று மற்றும் மழையைத் தொடர்ச்சியாக இல்லாமல், ஒரே நேரத்தில் மாதிரியாக்க ஜெனரேட்டிவ் AI-ஐப் பயன்படுத்துகிறது. இந்த அணுகுமுறை அதிகப்படியான இடஞ்சார்ந்த மாறுபாட்டை அனுமதிக்கிறது, மேலும் பல்வேறு வானிலை கூறுகள் நிகழ்நேரத்தில் எவ்வாறு ஒன்றோடொன்று வினைபுரிகின்றன என்பதையும் படம்பிடிக்கிறது.

மற்ற நிறுவனங்கள் நிகழ்வுக்குப் பிந்தைய பகுப்பாய்வு மற்றும் "டெயில்-ரிஸ்க்" (tail-risk) நிகழ்வுகளில் கவனம் செலுத்துகின்றன—அதாவது பாரம்பரிய மாதிரிகளால் செயலாக்க போதுமான வரலாற்றுத் தரவுகள் இல்லாத அரிய, பேரழிவு நிகழ்வுகள். உதாரணமாக, Moody's RMS நிறுவனம் காட்டுத்தீ மற்றும் சூறாவளிகளுக்குப் பிறகு காப்பீடு செய்யப்பட்ட இழப்புகளை மதிப்பிடுவதற்கு செயற்கைக்கோள் படங்களை ஆய்வு செய்ய AI-ஐப் பயன்படுத்துகிறது. அதிகரித்து வரும் காலநிலை மாற்றங்களின் சூழலில், "பார்க்கப்படாதவற்றை" மாதிரியாக்கும் இந்தத் திறன் மிகவும் முக்கியமானது.

அபாயங்கள்: இயற்பியல் மாயத்தோற்றங்கள் (Physical Hallucinations) மற்றும் பொருளாதாரப் பாகுபாடுகள்

இத்தகைய சாத்தியக்கூறுகள் இருந்தபோதிலும், இடர் மதிப்பீட்டில் (risk assessment) GenAI-ஐ ஒருங்கிணைப்பது குறிப்பிடத்தக்க ஆபத்துகளற்றது அல்ல. முதன்மையான தொழில்நுட்பத் தடை "மாயத்தோற்றம்" (hallucination) ஆகும். டிஃப்யூஷன் மாடல்கள் இயற்பியல் துல்லியத்தை விட நம்பகத்தன்மைக்கே (plausibility) முன்னுரிமை அளிப்பதால், அவை பார்ப்பதற்கு யதார்த்தமாகத் தோன்றும் ஆனால் இயற்பியலின் அடிப்படை விதிகளுக்குப் புறம்பான வானிலை நிகழ்வுகளை உருவாக்கக்கூடும்—இந்த நிகழ்வை Fathom நிறுவனத்தின் அறிவியல் இயக்குனர் Oliver Wing "முழுமையான குப்பை" (absolute slop) என்று விவரிக்கிறார்.

மேலும், அறிவியல் துல்லியம் மற்றும் நிறுவன விற்பனை தர்க்கத்திற்கு (corporate sales logic) இடையே ஒரு மோதல் உருவாகும் அபாயம் உள்ளது. சிறந்த மாதிரிகள் கோட்பாட்டளவில் பிரேசில் அல்லது வங்கதேசம் போன்ற அதிக ஆபத்துள்ள பகுதிகளுக்குக் காப்பீட்டுப் பரப்பளவை விரிவுபடுத்தக்கூடும் என்றாலும், குறைந்த இழப்பு மதிப்பீடுகளைத் தரும் மாதிரிகளையே காப்பீட்டாளர்கள் ஆதரிக்கும் ஒரு உள்ளார்ந்த ஊக்கம் உள்ளது. ஒரு AI மாதிரி, இடர்கள் முன்பை விட கணிசமாக அதிகமாக இருப்பதாகக் காட்டினால், அது பெரிய மூலதனத் தேவையை (capital buffers) ஏற்படுத்தக்கூடும், இது வணிக வளர்ச்சியைத் தற்காலிகமாகத் தாமதப்படுத்தலாம். இது சிறந்த அறிவியலைத் தேடும் முயற்சியும், அதிக வணிகத்தைப் பெறும் காப்பீட்டு இலக்கும் (underwriting goal) மோதிக்கொள்ளும் ஒரு பதற்றமான சூழலை உருவாக்குகிறது.

முக்கியக் குறிப்புகள்

• மேம்படுத்தப்பட்ட தெளிவுத்திறன்: டிஃப்யூஷன் மாடல்கள் மற்றும் ஷார்பனிங் நுட்பங்கள் மாதிரியியலாளர்களை 100 கிமீ-லிருந்து 10 கிமீ தெளிவுத்திறனுக்குக் குதிக்க அனுமதிக்கின்றன, இது மழைப்பொழிவு மற்றும் காற்றின் முறைகளுக்கு மிகவும் நுணுக்கமான விவரங்களை வழங்குகிறது.
• தரவு இடைவெளியைத் தீர்த்தல்: ஜெனரேட்டிவ் AI ஆயிரக்கணக்கான ஆண்டுகால செயற்கை காலநிலைத் தரவை உருவாக்க முடியும், இது வரலாற்று முன்னுதாரணம் இல்லாத "டெயில்-ரிஸ்க்" நிகழ்வுகளுக்குத் தயாராக காப்பீட்டாளர்களுக்கு உதவுகிறது.
• முக்கிய சவால்கள்: தொழில்துறை "இயற்பியல் மாயத்தோற்றங்கள்" சார்ந்த தொழில்நுட்ப அபாயங்களையும், விற்பனை ஊக்கங்களால் தூண்டப்படும் சார்புநிலை கொண்ட மாதிரித் தேர்வுகளின் பொருளாதார அபாயங்களையும் கையாள வேண்டும்.