बीमाकर्ता आपदा जोखिम के लिए जनरेटिव एआई का परीक्षण कर रहे हैं

जनरेटिव एआई आपदा मॉडलिंग में प्रवेश कर रहा है

बीमाकर्ता बाढ़, तूफान और अन्य आपदाओं को मॉडल करने के लिए जनरेटिव एआई का उपयोग करना शुरू कर रहे हैं जो ऐतिहासिक रिकॉर्ड में पारंपरिक जोखिम अनुमानों का समर्थन करने के लिए पर्याप्त बार नहीं आते हैं। अपील सीधी है: सिंथेटिक घटना निर्माण अंडरराइटर, पुनर्बीमाकर्ता, बैंक और बुनियादी ढांचा संचालकों को पारंपरिक दृष्टिकोणों की तुलना में बहुत अधिक मात्रा और विस्तार में चरम परिदृश्यों की जांच करने में मदद कर सकता है।

लेकिन यह तकनीक एक परिचित समस्या के साथ आ रही है। वही सिस्टम जो बड़ी संख्या में प्रशंसनीय परिदृश्य उत्पन्न कर सकते हैं, वे मतिभ्रम भी कर सकते हैं, ऐसे आउटपुट उत्पन्न कर सकते हैं जो यथार्थवादी दिखते हैं लेकिन उस भौतिक तर्क का उल्लंघन करते हैं जिस पर आपदा मॉडलिंग निर्भर करती है। यह तनाव जनरेटिव एआई को वित्त के सबसे महत्वपूर्ण पूर्वानुमान विषयों में से एक के लिए एक आशाजनक उपकरण और मॉडल जोखिम का एक नया स्रोत दोनों बना रहा है।

उद्योग अधिक सिंथेटिक आपदाएं क्यों चाहता है

आपदा मॉडल लंबे समय से भूकंप, तूफान, बाढ़ और इसी तरह की घटनाओं के जोखिम का अनुमान लगाने के लिए उपयोग किए जाते रहे हैं। आपूर्ति की गई स्रोत सामग्री के अनुसार, ये भौतिकी-आधारित सिस्टम दुनिया को ग्रिड कोशिकाओं में विभाजित करते हैं और गुरुत्वाकर्षण, घर्षण और प्रवाह जैसे कारकों से जुड़े समीकरणों को हल करते हैं। मॉडल जितना अधिक विस्तृत होगा, कम्प्यूटेशनल बोझ उतना ही अधिक होगा। यह स्थानिक रिज़ॉल्यूशन, यथार्थवाद और भौगोलिक कवरेज के बीच समझौता करने के लिए मजबूर करता है।

जनरेटिव एआई का उपयोग अब उन सीमाओं को बढ़ाने के लिए किया जा रहा है। लेख बताता है कि कैसे मॉडलर अकेले मौजूदा जलवायु सिमुलेशन की तुलना में कई अधिक मौसम घटनाएं उत्पन्न करने के लिए डिफ्यूजन मॉडल लागू कर रहे हैं। यह दुर्लभ, उच्च-प्रभाव वाली आपदाओं के लिए सबसे महत्वपूर्ण है, जिन्हें कभी-कभी टेल रिस्क कहा जाता है, जहां वास्तविक दुनिया के उदाहरण आत्मविश्वासपूर्ण मूल्य निर्धारण या पोर्टफोलियो विश्लेषण का समर्थन करने के लिए बहुत कम हैं।

इस संदर्भ में, सिंथेटिक घटनाएं केवल एक सुविधा नहीं हैं। वे भविष्य के जलवायु और आपदा जोखिम के "अज्ञात अज्ञात" को संभावित परिणामों के व्यापक वितरण से भरने का एक प्रयास हैं। यदि सिंथेटिक परिदृश्य विश्वसनीय हैं, तो बीमाकर्ता विरल ऐतिहासिक डेटा की तुलना में अधिक सूक्ष्मता के साथ पूंजी पर्याप्तता, अंडरराइटिंग रणनीति और क्षेत्रीय जोखिम का परीक्षण कर सकते हैं।

फर्म मॉडल के साथ क्या कर रही हैं

स्रोत पाठ कई उदाहरणों की ओर इशारा करता है। Swiss Re की सहायक कंपनी Fathom ने कथित तौर पर लगभग 1,000 वर्षों के मौजूदा जलवायु सिमुलेशन पर एक डिफ्यूजन मॉडल प्रशिक्षित किया और फिर इसका उपयोग अनुमानित 2030 जलवायु के लिए कहीं अधिक मौसम परिदृश्य उत्पन्न करने के लिए किया। एक दूसरे मॉडल ने मोटे 100-बाय-100 किलोमीटर रिज़ॉल्यूशन से प्रारंभिक आउटपुट को 10-बाय-10 किलोमीटर तक तेज किया, एक स्तर जो स्रोत के अनुसार वर्षा पैटर्न को पकड़ने के लिए पर्याप्त है।

यह वर्कफ़्लो एक हाइब्रिड आर्किटेक्चर का सुझाव देता है: एक मॉडल परिदृश्य ब्रह्मांड का विस्तार करता है, जबकि दूसरा उपयोगी स्थानीय विवरण में सुधार करता है। व्यावहारिक बीमा शर्तों में, यह बड़े पैमाने पर जलवायु अनुमानों और संपत्ति-स्तर या क्षेत्रीय जोखिम अनुमान के बीच की खाई को पाटने में मदद कर सकता है, जहां अंडरराइटिंग निर्णय लिए जाते हैं।

लेख यह भी कहता है कि Verisk चरम हवा और बारिश को एक साथ मॉडल करने के लिए जनरेटिव एआई का उपयोग कर रहा है, न कि क्रमिक रूप से। यह मायने रखता है क्योंकि सहसंबद्ध खतरे नुकसान को बढ़ा सकते हैं जिस तरह से सरल मॉडलिंग पाइपलाइन चूक सकती हैं। इस बीच, Moody's RMS को जंगल की आग और तूफान के बाद उपग्रह इमेजरी का विश्लेषण करने और बीमित नुकसान का अनुमान लगाने के लिए एआई का उपयोग करने के रूप में वर्णित किया गया है। कुल मिलाकर, ये उदाहरण दिखाते हैं कि एआई आपदा विश्लेषण के एक चरण तक सीमित नहीं है। यह परिदृश्य निर्माण, खतरे की बातचीत मॉडलिंग और घटना के बाद के नुकसान के आकलन में दिखाई दे रहा है।

मतिभ्रम की समस्या यहां अलग है

उपभोक्ता एआई उत्पादों में, मतिभ्रम को अक्सर एक झुंझलाहट या तथ्यात्मक त्रुटि के रूप में देखा जाता है। आपदा मॉडलिंग में, वे अधिक खतरनाक हो सकते हैं क्योंकि एक दोषपूर्ण आउटपुट अभी भी सांख्यिकीय या दृष्टिगत रूप से आश्वस्त करने वाला लग सकता है। एक सिंथेटिक बाढ़ पैटर्न, तूफान ट्रैक, या वर्षा क्षेत्र एक गैर-विशेषज्ञ को प्रशंसनीय लग सकता है जबकि बुनियादी भौतिक बाधाओं को तोड़ता है।

आपूर्ति किए गए पाठ में Fathom के वैज्ञानिक निदेशक ओलिवर विंग की चेतावनी शामिल है, जो कहते हैं कि ये सिस्टम "पूरी तरह से बकवास" का मतिभ्रम कर सकते हैं। भाषा कठोर है, लेकिन यह मुख्य चुनौती को पकड़ती है: उपस्थिति में यथार्थवाद जल विज्ञान, मौसम विज्ञान या जलवायु गतिशीलता के प्रति निष्ठा के समान नहीं है।

इसका मतलब है कि सत्यापन मानकों को असामान्य रूप से सख्त होना होगा। यदि कोई मॉडल सिंथेटिक घटनाओं का एक बड़ा सेट उत्पन्न करता है जो आंतरिक रूप से असंगत हैं, तो डेटा की स्पष्ट बहुतायत झूठा विश्वास पैदा कर सकती है। उपयोगकर्ता सोच सकते हैं कि वे जोखिम की एक समृद्ध तस्वीर देख रहे हैं जब वे वास्तव में मॉडल की कलाकृतियां देख रहे हैं।

संभावित लाभ, और एक संरचनात्मक प्रोत्साहन समस्या

चेतावनियों के बावजूद, यह तकनीक अभी भी महत्वपूर्ण हो सकती है। बेहतर आपदा मॉडल बीमाकर्ताओं को उन जगहों पर जोखिम का मूल्य निर्धारण करने की अनुमति दे सकते हैं जो ऐतिहासिक रूप से कम सेवा प्राप्त हैं क्योंकि उपयोगी डेटा इकट्ठा करने और गणना करने के लिए बहुत सीमित या बहुत महंगा था। सिद्धांत रूप में, यह कमजोर क्षेत्रों में कवरेज तक पहुंच में सुधार कर सकता है और बदलते जलवायु जोखिम के अधिक सूक्ष्म आकलन उत्पन्न कर सकता है।

लेकिन स्रोत पाठ तकनीकी सटीकता से परे एक और चिंता को उजागर करता है: प्रोत्साहन। यदि मॉडल आउटपुट अंडरराइटिंग लाभप्रदता को प्रभावित करते हैं, तो फर्म ऐसे सिस्टम पसंद कर सकती हैं जो कम अनुमानित नुकसान देते हैं या जोखिम को वास्तविकता से अधिक प्रबंधनीय बनाते हैं। इसका मतलब यह नहीं है कि कंपनियां जानबूझकर एआई का दुरुपयोग कर रही हैं, लेकिन यह एक संरचनात्मक दबाव को उजागर करता है जो पहले से ही जोखिम मॉडलिंग में मौजूद है और संभावित रूप से अपारदर्शी जनरेटिव सिस्टम द्वारा तेज किया गया है।

दूसरे शब्दों में, चुनौती केवल यह नहीं है कि क्या मॉडल आपदाओं का अच्छी तरह से अनुकरण कर सकते हैं। यह भी है कि क्या संगठन मूल्य निर्धारण और कवरेज निर्णयों को आकार देने से वाणिज्यिक रूप से आकर्षक लेकिन अपर्याप्त रूप से विश्वसनीय मॉडल को रोकने के लिए पर्याप्त मजबूत शासन अपनाएंगे।

आगे क्या होगा

उद्योग एक प्रयोगात्मक चरण में प्रवेश करता हुआ प्रतीत होता है जिसमें जनरेटिव एआई स्थापित आपदा मॉडलिंग दृष्टिकोणों को बदलने के बजाय पूरक करता है। निकट अवधि में यह संभवतः एकमात्र व्यवहार्य मार्ग है। भौतिकी-आधारित मॉडल अभी भी यह समझने के लिए वैचारिक आधार प्रदान करते हैं कि आपदाएं कैसे सामने आती हैं, जबकि जनरेटिव सिस्टम पैमाने, गति और अधिक काल्पनिक भविष्य का पता लगाने की क्षमता प्रदान करते हैं।

मुख्य प्रश्न यह है कि क्या इस संयोजन को विश्वसनीय बनाया जा सकता है। यदि शोधकर्ता और फर्म मतिभ्रम को नियंत्रित कर सकते हैं, भौतिक रूप से आधारित सत्यापन लागू कर सकते हैं, और प्रोत्साहन विकृतियों का प्रबंधन कर सकते हैं, तो जनरेटिव एआई आपदा विश्लेषण को सार्थक तरीकों से विस्तारित कर सकता है। यदि नहीं, तो क्षेत्र पुरानी अनिश्चितता को अधिक प्रेरक दिखने वाले आउटपुट में लपेटने का जोखिम उठाता है।

बढ़ती जलवायु अस्थिरता की दुनिया का सामना करने वाले बीमाकर्ताओं के लिए, यह अंतर मायने रखता है। आपदा मॉडलिंग हमेशा महंगी वास्तविकता बनने से पहले असंभावित का अनुमान लगाने के बारे में रहा है। जनरेटिव एआई उस पूर्वानुमान लेंस को चौड़ा कर सकता है, लेकिन केवल तभी जब उद्योग प्रशंसनीयता को प्रमाण के बजाय एक प्रारंभिक बिंदु मानता है।

यह लेख द डिकोडर की रिपोर्टिंग पर आधारित है। मूल लेख पढ़ें।