विमा कंपन्या आपत्ती जोखमीसाठी जनरेटिव्ह एआयची चाचणी घेत आहेत

जनरेटिव्ह एआय आपत्ती मॉडेलिंगमध्ये प्रवेश करत आहे

विमा कंपन्या पूर, वादळे आणि इतर आपत्तींचे मॉडेलिंग करण्यासाठी जनरेटिव्ह एआय वापरण्यास सुरुवात करत आहेत ज्या ऐतिहासिक नोंदींमध्ये पुरेशा प्रमाणात आढळत नाहीत ज्यामुळे पारंपारिक जोखीम अंदाजांना आधार मिळू शकेल. आकर्षण सरळ आहे: सिंथेटिक घटना निर्मिती अंडररायटर्स, पुनर्विमा कंपन्या, बँका आणि पायाभूत सुविधा ऑपरेटर्सना पारंपारिक पद्धतींपेक्षा अधिक प्रमाणात आणि तपशीलात अत्यंत परिस्थितीचे परीक्षण करण्यास मदत करू शकते.

परंतु हे तंत्रज्ञान एका परिचित समस्येसह येत आहे. समान प्रणाली ज्या मोठ्या प्रमाणात विश्वासार्ह परिस्थिती निर्माण करू शकतात त्या भ्रमित देखील होऊ शकतात, असे आउटपुट तयार करतात जे वास्तविक दिसतात परंतु आपत्ती मॉडेलिंग अवलंबून असलेल्या भौतिक तर्काचे उल्लंघन करतात. हा ताण जनरेटिव्ह एआयला एक आशादायक साधन आणि वित्त क्षेत्रातील सर्वात महत्त्वपूर्ण अंदाज शाखांपैकी एकासाठी मॉडेल जोखमीचा नवीन स्रोत बनवत आहे.

उद्योगाला अधिक सिंथेटिक आपत्तींची का आवश्यकता आहे

भूकंप, चक्रीवादळ, पूर आणि तत्सम घटनांच्या संपर्काचा अंदाज लावण्यासाठी आपत्ती मॉडेल्सचा वापर बराच काळ केला जात आहे. पुरवलेल्या स्रोत सामग्रीनुसार, ही भौतिकशास्त्र-आधारित प्रणाली जगाला ग्रिड पेशींमध्ये विभाजित करतात आणि गुरुत्वाकर्षण, घर्षण आणि प्रवाह यासारख्या घटकांचा समावेश असलेली समीकरणे सोडवतात. मॉडेल जितके अधिक तपशीलवार असेल तितका संगणकीय भार जास्त. यामुळे स्थानिक रिझोल्यूशन, वास्तववाद आणि भौगोलिक कव्हरेज यांच्यात तडजोड करावी लागते.

जनरेटिव्ह एआय आता त्या मर्यादा वाढवण्यासाठी वापरला जात आहे. लेख वर्णन करतो की मॉडेलर्स विद्यमान हवामान सिम्युलेशनपेक्षा अधिक हवामान घटना निर्माण करण्यासाठी डिफ्यूजन मॉडेल्स कसे लागू करत आहेत. हे दुर्मिळ, उच्च-प्रभाव आपत्तींसाठी सर्वात महत्त्वाचे आहे, ज्यांना कधीकधी टेल रिस्क म्हणतात, जेथे वास्तविक-जगातील उदाहरणे आत्मविश्वासपूर्ण किंमत किंवा पोर्टफोलिओ विश्लेषणासाठी खूपच कमी असतात.

त्या संदर्भात, सिंथेटिक घटना केवळ सोयीच्या नाहीत. त्या भविष्यातील हवामान आणि आपत्ती जोखमीच्या 'अज्ञात अज्ञात' गोष्टींना संभाव्य परिणामांच्या व्यापक वितरणासह भरण्याचा प्रयत्न आहेत. जर सिंथेटिक परिस्थिती विश्वासार्ह असेल तर, विमा कंपन्या कमी ऐतिहासिक डेटा परवानगी देईल त्यापेक्षा अधिक सूक्ष्मतेने भांडवली पुरेसा, अंडररायटिंग धोरण आणि प्रादेशिक जोखीम तपासू शकतात.

कंपन्या मॉडेल्ससह काय करत आहेत

स्रोत मजकूर अनेक उदाहरणे दर्शवितो. Fathom, Swiss Re ची उपकंपनी, कथितपणे अंदाजे 1,000 वर्षांच्या विद्यमान हवामान सिम्युलेशनवर डिफ्यूजन मॉडेल प्रशिक्षित केले आणि नंतर अंदाजित 2030 हवामानासाठी अधिक हवामान परिस्थिती निर्माण करण्यासाठी वापरले. दुसऱ्या मॉडेलने प्रारंभिक आउटपुट 100x100 किलोमीटरच्या खडबडीत रिझोल्यूशनवरून 10x10 किलोमीटरपर्यंत तीक्ष्ण केले, एक स्तर जो स्रोत म्हणतो की पर्जन्य पद्धती कॅप्चर करण्यासाठी पुरेसा आहे.

हा वर्कफ्लो एक हायब्रिड आर्किटेक्चर सुचवितो: एक मॉडेल परिस्थिती विश्व विस्तृत करते, तर दुसरे वापरण्यायोग्य स्थानिक तपशील सुधारते. व्यावहारिक विमा अटींमध्ये, हे मोठ्या प्रमाणातील हवामान अंदाज आणि मालमत्ता-स्तरीय किंवा प्रादेशिक जोखीम अंदाज यांच्यातील अंतर भरून काढण्यास मदत करू शकते, जेथे अंडररायटिंग निर्णय घेतले जातात.

लेख असेही म्हणतो की Verisk अत्यंत वारा आणि पाऊस एकत्रितपणे मॉडेल करण्यासाठी जनरेटिव्ह एआय वापरत आहे, अनुक्रमे नव्हे. हे महत्त्वाचे आहे कारण सहसंबंधित धोके सोप्या मॉडेलिंग पाइपलाइन चुकवू शकतील अशा प्रकारे नुकसान वाढवू शकतात. दरम्यान, Moody's RMS जंगलातील आग आणि चक्रीवादळानंतर उपग्रह प्रतिमांचे विश्लेषण करण्यासाठी आणि विमा नुकसान अंदाज करण्यासाठी एआय वापरत असल्याचे वर्णन केले आहे. एकत्रितपणे, ही उदाहरणे दर्शवितात की एआय आपत्ती विश्लेषणाच्या एका टप्प्यापुरता मर्यादित नाही. ते परिस्थिती निर्मिती, धोका परस्परसंवाद मॉडेलिंग आणि घटनेनंतरच्या नुकसान मूल्यांकनात दिसत आहे.

भ्रम समस्या येथे वेगळी आहे

ग्राहक एआय उत्पादनांमध्ये, भ्रम सहसा त्रासदायक किंवा तथ्यात्मक त्रुटी म्हणून फ्रेम केले जातात. आपत्ती मॉडेलिंगमध्ये, ते अधिक धोकादायक असू शकतात कारण सदोष आउटपुट अजूनही सांख्यिकीय किंवा दृश्यदृष्ट्या खात्रीशीर दिसू शकते. एक सिंथेटिक पूर नमुना, वादळ मार्ग किंवा पर्जन्य क्षेत्र गैर-तज्ञांना विश्वासार्ह दिसू शकते तर मूलभूत भौतिक मर्यादा मोडते.

पुरवलेल्या मजकुरात Fathom च्या वैज्ञानिक संचालक ऑलिव्हर विंगचा इशारा समाविष्ट आहे, जे म्हणतात की या प्रणाली 'पूर्णपणे बकवास' भ्रमित करू शकतात. भाषा स्पष्ट आहे, परंतु ती मुख्य आव्हान कॅप्चर करते: दिसण्यातील वास्तववाद हा जलविज्ञान, हवामानशास्त्र किंवा हवामान गतिशीलतेशी निष्ठा सारखा नाही.

याचा अर्थ प्रमाणीकरण मानके असामान्यपणे कठोर असणे आवश्यक आहे. जर एखादे मॉडेल मोठ्या प्रमाणात सिंथेटिक घटना निर्माण करते ज्या अंतर्गत विसंगत आहेत, तर डेटाची स्पष्ट विपुलता खोटा आत्मविश्वास निर्माण करू शकते. वापरकर्त्यांना वाटू शकते की ते जोखमीचे अधिक समृद्ध चित्र पाहत आहेत जेव्हा ते प्रत्यक्षात मॉडेलचे कलाकृती पाहत आहेत.

संभाव्य फायदे आणि एक संरचनात्मक प्रोत्साहन समस्या

इशाऱ्यांनंतरही, तंत्रज्ञान अजूनही महत्त्वाचे असू शकते. चांगली आपत्ती मॉडेल्स विमा कंपन्यांना ऐतिहासिकदृष्ट्या कमी सेवा असलेल्या ठिकाणी जोखीम किंमत करण्यास अनुमती देऊ शकतात कारण वापरण्यायोग्य डेटा गोळा करणे आणि गणना करणे खूप मर्यादित किंवा खूप महाग होते. सिद्धांतानुसार, हे असुरक्षित प्रदेशात कव्हरेजमध्ये प्रवेश सुधारू शकते आणि बदलत्या हवामान जोखमीचे अधिक तपशीलवार मूल्यांकन तयार करू शकते.

परंतु स्रोत मजकूर तांत्रिक अचूकतेच्या पलीकडे आणखी एक चिंता उपस्थित करतो: प्रोत्साहन. जर मॉडेल आउटपुट अंडररायटिंग नफाक्षमतेवर प्रभाव टाकतात, तर कंपन्या कमी अंदाजित नुकसान देणाऱ्या किंवा जोखीम प्रत्यक्षात आहे त्यापेक्षा अधिक व्यवस्थापित करण्यायोग्य दिसणाऱ्या प्रणालींना प्राधान्य देऊ शकतात. याचा अर्थ कंपन्या जाणूनबुजून एआयचा गैरवापर करत आहेत असा नाही, परंतु हे जोखीम मॉडेलिंगमध्ये आधीपासून उपस्थित असलेला आणि अपारदर्शक जनरेटिव्ह सिस्टमद्वारे संभाव्यतः तीव्र केलेला संरचनात्मक दबाव अधोरेखित करते.

दुसऱ्या शब्दांत, आव्हान केवळ मॉडेल्स आपत्तींचे चांगले अनुकरण करू शकतात की नाही हे नाही. तर संस्था किंमत आणि कव्हरेज निर्णयांना आकार देण्यापासून व्यावसायिकदृष्ट्या आकर्षक परंतु अपुरे विश्वासार्ह मॉडेल्स रोखण्यासाठी पुरेसे मजबूत प्रशासन स्वीकारतील की नाही हे देखील आहे.

पुढे काय

उद्योग एका प्रायोगिक टप्प्यात प्रवेश करत असल्याचे दिसते ज्यामध्ये जनरेटिव्ह एआय स्थापित आपत्ती मॉडेलिंग पद्धतींना बदलण्याऐवजी पूरक आहे. अल्प कालावधीत हा एकमेव व्यवहार्य मार्ग असण्याची शक्यता आहे. भौतिकशास्त्र-आधारित मॉडेल्स अजूनही आपत्ती कशा उलगडतात यासाठी वैचारिक आधार प्रदान करतात, तर जनरेटिव्ह सिस्टम स्केल, गती आणि अधिक काल्पनिक भविष्य शोधण्याची क्षमता देतात.

मुख्य प्रश्न असा आहे की हे संयोजन विश्वासार्ह बनवले जाऊ शकते का. जर संशोधक आणि कंपन्या भ्रम नियंत्रित करू शकतात, भौतिकदृष्ट्या आधारित प्रमाणीकरण लागू करू शकतात आणि प्रोत्साहन विकृती व्यवस्थापित करू शकतात, तर जनरेटिव्ह एआय आपत्ती विश्लेषण अर्थपूर्ण मार्गांनी विस्तृत करू शकते. नसल्यास, क्षेत्र जुनी अनिश्चितता अधिक खात्रीशीर दिसणाऱ्या आउटपुटमध्ये गुंडाळण्याचा धोका पत्करते.

वाढत्या हवामान अस्थिरतेच्या जगाचा सामना करणाऱ्या विमा कंपन्यांसाठी, हा फरक महत्त्वाचा आहे. आपत्ती मॉडेलिंग नेहमीच अशक्य गोष्टीचा अंदाज लावण्याबद्दल आहे ती महाग वास्तव बनण्यापूर्वी. जनरेटिव्ह एआय ते अंदाज लेन्स विस्तृत करू शकते, परंतु केवळ जर उद्योग विश्वासार्हतेला पुराव्याऐवजी प्रारंभ बिंदू म्हणून वागवेल.

हा लेख The Decoder च्या रिपोर्टिंगवर आधारित आहे. मूळ लेख वाचा.