Generative AI กำลังปฏิวัติการสร้างแบบจำลองภัยพิบัติในอุตสาหกรรมประกันภัยอย่างไร

อุตสาหกรรมประกันภัยกำลังเผชิญกับการเปลี่ยนแปลงทางเทคโนโลยีครั้งใหญ่ เมื่อแบบจำลองภัยพิบัติ (catastrophe models) แบบดั้งเดิมที่อิงตามหลักฟิสิกส์ต้องเผชิญกับการแข่งขันจาก Generative AI ที่ล้ำสมัย การใช้ diffusion models เพื่อจำลองเหตุการณ์สภาพอากาศสุดขั้ว ช่วยให้บริษัทต่างๆ พยายามปิดช่องว่างของข้อมูลระหว่างบันทึกในอดีตกับความเป็นจริงของสภาพภูมิอากาศในอนาคต

ทลายขีดจำกัดด้านความละเอียดด้วย Diffusion Models

เป็นเวลาหลายทศวรรษที่การสร้างแบบจำลองภัยพิบัติ (cat modeling) ต้องพึ่งพาสมการทางฟิสิกส์เพื่อจำลองแรงโน้มถ่วง แรงเสียดทาน และการไหลผ่านตารางกริดทางภูมิศาสตร์ อย่างไรก็ตาม แบบจำลองเหล่านี้ต้องเผชิญกับความท้าทายอย่างต่อเนื่องระหว่างต้นทุนในการประมวลผลและความละเอียดของข้อมูล แบบจำลองที่มีความละเอียดสูงนั้นมีค่าใช้จ่ายในการรันข้อมูลในพื้นที่ขนาดใหญ่สูงจนเกินไป ทำให้ต้องมีการประนีประนอมระหว่างความละเอียดของรายละเอียดและขอบเขตความครอบคลุม

Generative AI กำลังเปลี่ยนสมการนี้ไปอย่างสิ้นเชิง Fathom ซึ่งเป็นบริษัทในเครือของ Swiss Re กำลังบุกเบิกการใช้ diffusion models เพื่อก้าวข้ามข้อจำกัดเหล่านี้ ด้วยการฝึกฝนเครื่องมือ diffusion จากการจำลองสภาพภูมิอากาศที่มีอยู่ประมาณ 1,000 ปี Fathom จึงสามารถสร้างสถานการณ์สภาพอากาศแบบสังเคราะห์ได้หลายหมื่นปีซึ่งคาดการณ์สำหรับสภาพภูมิอากาศในปี 2030 และเพื่อแก้ปัญหาเรื่องความละเอียด พวกเขาได้ใช้แบบจำลองการเพิ่มความคมชัดของภาพ (image-sharpening model) เป็นขั้นตอนที่สอง เพื่อปรับปรุงข้อมูลที่หยาบระดับ 100 × 100 กิโลเมตร ให้มีความละเอียดแม่นยำถึงระดับ 10 × 10 กิโลเมตร ซึ่งช่วยให้การทำแผนที่รูปแบบหยาดน้ำฟ้า (precipitation pattern) มีความแม่นยำมากขึ้นอย่างมาก

พรมแดนใหม่ในด้านความแปรปรวนเชิงพื้นที่และความเสี่ยงส่วนปลาย (Tail-Risk)

การประยุกต์ใช้ AI นั้นขยายขอบเขตไปไกลกว่าแค่การสร้างสภาพอากาศแบบง่ายๆ ไปสู่การสร้างแบบจำลองภัยพิบัติที่ซับซ้อนและหลากหลาย (multi-hazard modeling) Verisk ผู้นำในอุตสาหกรรม กำลังใช้ generative AI เพื่อจำลองเหตุการณ์ลมแรงและฝนตกหนักไปพร้อมๆ กัน แทนที่จะทำทีละอย่าง แนวทางนี้ช่วยให้เกิดความแปรปรวนเชิงพื้นที่ (spatial variability) ที่สูงขึ้นมาก โดยสามารถจับภาพการปฏิสัมพันธ์ขององค์ประกอบสภาพอากาศต่างๆ ได้แบบเรียลไทม์

ผู้เล่นรายอื่นๆ กำลังมุ่งเน้นไปที่การวิเคราะห์หลังเกิดเหตุการณ์และเหตุการณ์ "ความเสี่ยงส่วนปลาย" (tail-risk) ซึ่งเป็นเหตุการณ์ภัยพิบัติที่เกิดขึ้นได้ยากและขาดข้อมูลทางประวัติศาสตร์ที่เพียงพอสำหรับแบบจำลองแบบดั้งเดิมในการประมวลผล ตัวอย่างเช่น Moody's RMS ใช้ AI ในการวิเคราะห์ภาพถ่ายดาวเทียมหลังเกิดไฟป่าและพายุเฮอริเคนเพื่อประมาณการความสูญเสียที่ได้รับความคุ้มครอง ความสามารถในการจำลองสิ่งที่ "มองไม่เห็น" นี้มีความสำคัญอย่างยิ่งในยุคที่ความผันผวนของสภาพภูมิอากาศเพิ่มสูงขึ้น

ความเสี่ยง: การหลอนทางฟิสิกส์ (Physical Hallucinations) และอคติทางเศรษฐกิจ

แม้จะมีศักยภาพสูง แต่การรวม GenAI เข้ากับการประเมินความเสี่ยงก็ไม่ได้ปราศจากอันตรายที่สำคัญ อุปสรรคทางเทคนิคหลักคือ "การหลอน" (hallucination) เนื่องจาก diffusion models ให้ความสำคัญกับความสมจริง (plausibility) มากกว่าความถูกต้องทางฟิสิกส์ พวกมันจึงสามารถสร้างเหตุการณ์สภาพอากาศที่ดูเหมือนจริงแต่ขัดต่อกฎพื้นฐานทางฟิสิกส์ ซึ่งเป็นปรากฏการณ์ที่ Oliver Wing ผู้อำนวยการฝ่ายวิทยาศาสตร์ของ Fathom อธิบายว่าเป็น "ความมั่วซั่วอย่างสิ้นเชิง" (absolute slop)

นอกจากนี้ ยังมีความขัดแย้งที่กำลังก่อตัวขึ้นระหว่างความถูกต้องทางวิทยาศาสตร์และตรรกะการขายขององค์กร แม้ว่าในทางทฤษฎี แบบจำลองที่ดีขึ้นอาจช่วยขยายความคุ้มครองไปยังภูมิภาคที่มีความเสี่ยงสูง เช่น บราซิลหรือบังกลาเทศ แต่บริษัทประกันภัยก็มีแรงจูงใจโดยธรรมชาติที่จะเลือกใช้แบบจำลองที่ให้ค่าประมาณการความสูญเสียที่ต่ำกว่า หากแบบจำลอง AI เผยให้เห็นว่าความเสี่ยงสูงกว่าที่เคยคิดไว้มาก มันอาจส่งผลให้ต้องมีการสำรองเงินทุนที่มากขึ้น ซึ่งอาจทำให้การเติบโตของธุรกิจช้าลง สิ่งนี้สร้างความตึงเครียดที่การแสวงหาความก้าวหน้าทางวิทยาศาสตร์อาจขัดแย้งกับเป้าหมายด้านการรับประกันภัย (underwriting) ที่ต้องการขยายฐานธุรกิจให้มากขึ้น

สรุปประเด็นสำคัญ

• ความละเอียดที่เพิ่มขึ้น: Diffusion models และเทคนิคการเพิ่มความคมชัดช่วยให้ผู้สร้างแบบจำลองสามารถก้าวกระโดดจากความละเอียด 100 กม. เป็น 10 กม. ซึ่งให้รายละเอียดที่ละเอียดขึ้นมากสำหรับรูปแบบหยาดน้ำฟ้าและลม
• การปิดช่องว่างของข้อมูล: Generative AI สามารถสังเคราะห์ข้อมูลสภาพภูมิอากาศแบบสังเคราะห์ได้หลายพันปี ช่วยให้บริษัทประกันภัยเตรียมพร้อมสำหรับเหตุการณ์ "ความเสี่ยงส่วนปลาย" (tail-risk) ที่ไม่มีข้อมูลในอดีตมาก่อน
• ความท้าทายที่สำคัญ: อุตสาหกรรมต้องรับมือกับความเสี่ยงทางเทคนิคของการ "หลอนทางฟิสิกส์" (physical hallucinations) และความเสี่ยงทางเศรษฐกิจจากการเลือกแบบจำลองที่มีอคติซึ่งขับเคลื่อนโดยแรงจูงใจด้านการขาย