جنریٹو AI انشورنس میں کیٹاسٹروفی ماڈلنگ (آفت کے ماڈلنگ) کو کس طرح نئے سرے سے ترتیب دے رہا ہے

انشورنس کی صنعت ایک بڑے تکنیکی بدلاؤ سے گزر رہی ہے کیونکہ روایتی فزکس پر مبنی کیٹاسٹروفی ماڈلز کو جدید جنریٹو AI سے مقابلہ کرنا پڑ رہا ہے۔ شدید موسمی واقعات کی نقل کرنے کے لیے ڈیفیوژن ماڈلز (diffusion models) کا استعمال کرتے ہوئے، کمپنیاں تاریخی ریکارڈز اور مستقبل کی موسمیاتی حقیقتوں کے درمیان ڈیٹا کے فرق کو ختم کرنے کی کوشش کر رہی ہیں۔

ڈیفیوژن ماڈلز کے ذریعے ریزولوشن کی رکاوٹ کو توڑنا

دہائیوں سے، کیٹاسٹروفی (cat) ماڈلنگ جغرافیائی گرڈ سیلز میں کشش ثقل، رگڑ اور بہاؤ کی نقل کرنے کے لیے فزکس پر مبنی مساواتوں پر انحصار کرتی آئی ہے۔ تاہم، ان ماڈلز کو کمپیوٹیشنل لاگت اور ریزولوشن کے درمیان مسلسل جدوجہد کا سامنا ہے۔ بڑے علاقوں پر ہائی ریزولوشن ماڈلز چلانا انتہائی مہنگا ہے، جس کی وجہ سے تفصیل اور کوریج کے درمیان سمجھوتہ کرنا پڑتا ہے۔

جنریٹو AI بنیادی طور پر اس مساوات کو بدل رہا ہے۔ Swiss Re کی ذیلی کمپنی Fathom، ان حدود پر قابو پانے کے لیے ڈیفیوژن ماڈلز کے استعمال میں پیش رفت کر رہی ہے۔ موجودہ موسمیاتی سیمولیشنز کے تقریباً 1,000 سال کے ڈیٹا پر ڈیفیوژن ٹول کو تربیت دے کر، Fathom 2030 کے موسمیاتی حالات کے لیے پیش گوئی کیے گئے ہزاروں سالوں کے موسمی منظرنامے مصنوعی طور پر تیار کر سکتا ہے۔ ریزولوشن کے مسئلے کو حل کرنے کے لیے، وہ ایک ثانوی امیج شارپننگ ماڈل کا استعمال کرتے ہیں جو 100 × 100 کلومیٹر کے کھردے ڈیٹا کو 10 × 10 کلومیٹر کے درست ریزولوشن تک بہتر بناتا ہے، جس سے بارش کے پیٹرن کی زیادہ درست نقشہ سازی ممکن ہو جاتی ہے۔

اسپیشل ویری ایبلٹی اور ٹیل-رسک میں نئے افق

AI کا اطلاق محض موسم کی تیاری سے آگے بڑھ کر پیچیدہ ملٹی ہیزرڈ ماڈلنگ تک پھیل چکا ہے۔ صنعت کی معروف کمپنی Verisk اب شدید ہواؤں اور بارشوں کو باری باری کے بجائے بیک وقت ماڈل کرنے کے لیے جنریٹو AI کا استعمال کر رہی ہے۔ یہ طریقہ کار بہت زیادہ اسپیشل ویری ایبلٹی (spatial variability) کی اجازت دیتا ہے، جس سے یہ معلوم ہوتا ہے کہ مختلف موسمی عناصر حقیقی وقت میں ایک دوسرے کے ساتھ کیسے عمل کرتے ہیں۔

دیگر ادارے واقعے کے بعد کے تجزیے اور "ٹیل-رسک" (tail-risk) واقعات پر توجہ مرکوز کر رہے ہیں—یعنی وہ نایاب اور تباہ کن واقعات جن کے پاس روایتی ماڈلز کے پروسیس کرنے کے لیے کافی تاریخی ڈیٹا موجود نہیں ہوتا۔ مثال کے طور پر، Moody's RMS جنگلات کی آگ اور طوفانوں کے بعد انشور شدہ نقصانات کا اندازہ لگانے کے لیے سیٹلائٹ امیجری کا تجزیہ کرنے کے لیے AI کا استعمال کرتا ہے۔ موسمیاتی اتار چڑھاؤ کے بڑھتے ہوئے دور میں "ان دیکھے" واقعات کو ماڈل کرنے کی یہ صلاحیت انتہائی اہم ہے۔

خطرات: فزیکل ہیلو سینیشنز اور معاشی تعصبات

اس صلاحیت کے باوجود، رسک اسیسمنٹ (خطرہ کے جائزے) میں GenAI کا انضمام اہم خطرات سے خالی نہیں ہے۔ بنیادی تکنیکی رکاوٹ "ہیلو سینیشن" (hallucination) ہے۔ چونکہ ڈیفیوژن ماڈلز جسمانی درستگی کے بجائے محض معقولیت کو ترجیح دیتے ہیں، اس لیے وہ ایسے موسمی واقعات پیدا کر سکتے ہیں جو حقیقت پسندانہ لگتے ہیں لیکن فزکس کے بنیادی قوانین کی خلاف ورزی کرتے ہیں—ایک ایسا مظہر جسے Fathom کے سائنسی ڈائریکٹر اولیور ونگ "absolute slop" قرار دیتے ہیں۔

مزید برآں، سائنسی درستگی اور کارپوریٹ سیلز لاجک کے درمیان ایک ٹکراؤ کا خدشہ ہے۔ اگرچہ بہتر ماڈلز نظریاتی طور پر برازیل یا بنگلہ دیش جیسے زیادہ خطرے والے علاقوں تک کوریج کو بڑھا سکتے ہیں، لیکن انشوررز کے لیے ان ماڈلز کو ترجیح دینے کا ایک فطری رجحان ہوتا ہے جو نقصانات کا کم تخمینہ پیش کرتے ہیں۔ اگر کوئی AI ماڈل یہ ظاہر کرتا ہے کہ خطرات پہلے کے مقابلے میں کہیں زیادہ ہیں، تو اس کے لیے بڑے کیپیٹل بفرز کی ضرورت پڑ سکتی ہے، جو ممکنہ طور پر کاروباری ترقی کو سست کر سکتا ہے۔ یہ ایک ایسی کشیدگی پیدا کرتا ہے جہاں بہتر سائنس کی تلاش انڈر رائٹنگ (underwriting) کے اس مقصد سے ٹکرا سکتی ہے جس کا مقصد زیادہ کاروبار حاصل کرنا ہے۔

اہم نکات

• بہتر ریزولوشن: ڈیفیوژن ماڈلز اور شارپننگ تکنیکیں ماڈلرز کو 100 کلومیٹر سے 10 کلومیٹر ریزولوشن تک پہنچنے کی اجازت دے رہی ہیں، جس سے بارش اور ہوا کے پیٹرنز کے لیے بہت باریک تفصیلات فراہم ہوتی ہیں۔
• ڈیٹا کے فرق کو ختم کرنا: جنریٹو AI ہزاروں سال کا مصنوعی موسمیاتی ڈیٹا تیار کر سکتا ہے، جس سے انشوررز کو ان "ٹیل-رسک" واقعات کے لیے تیار ہونے میں مدد ملتی ہے جن کی کوئی تاریخی مثال موجود نہیں ہے۔
• اہم چیلنجز: صنعت کو "فزیکل ہیلو سینیشنز" کے تکنیکی خطرے اور سیلز کے ترغیبات کی وجہ سے ماڈل کے انتخاب میں پیدا ہونے والے معاشی تعصب کے خطرے سے نمٹنا ہوگا۔