ஜெனரேட்டிவ் AI பேரிடர் மாடலிங்கில் நுழைகிறது
காப்பீட்டு நிறுவனங்கள் வெள்ளம், புயல்கள் மற்றும் பிற பேரிடர்களை மாதிரியாக்க ஜெனரேட்டிவ் AI ஐப் பயன்படுத்தத் தொடங்கியுள்ளன, இவை வழக்கமான இடர் மதிப்பீடுகளை ஆதரிக்கும் அளவுக்கு வரலாற்றுப் பதிவுகளில் அடிக்கடி தோன்றுவதில்லை. கவர்ச்சிகரமான விஷயம் என்னவென்றால், செயற்கை நிகழ்வு உருவாக்கம் அண்டர்ரைட்டர்கள், மறுகாப்பீட்டாளர்கள், வங்கிகள் மற்றும் உள்கட்டமைப்பு ஆபரேட்டர்கள் பாரம்பரிய அணுகுமுறைகள் அனுமதிப்பதை விட மிகப் பெரிய அளவிலும் விவரத்திலும் தீவிர சூழ்நிலைகளை ஆராய உதவும்.
ஆனால் தொழில்நுட்பம் ஒரு பழக்கமான பிரச்சினையுடன் வருகிறது. ஏராளமான நம்பத்தகுந்த சூழ்நிலைகளை உருவாக்கக்கூடிய அதே அமைப்புகள் மாயத்தோற்றத்தையும் உருவாக்கலாம், யதார்த்தமாகத் தோன்றும் ஆனால் பேரிடர் மாடலிங் சார்ந்த இயற்பியல் தர்க்கத்தை மீறும் வெளியீடுகளை உருவாக்கலாம். அந்த பதற்றம் ஜெனரேட்டிவ் AI ஐ நிதியின் மிக முக்கியமான முன்கணிப்புத் துறைகளில் ஒன்றிற்கு நம்பிக்கைக்குரிய கருவியாகவும் புதிய மாதிரி இடர் மூலமாகவும் மாற்றுகிறது.
தொழில்துறை ஏன் அதிக செயற்கை பேரிடர்களை விரும்புகிறது
பேரிடர் மாதிரிகள் நீண்ட காலமாக பூகம்பங்கள், சூறாவளிகள், வெள்ளங்கள் மற்றும் ஒத்த நிகழ்வுகளுக்கான வெளிப்பாட்டை மதிப்பிடப் பயன்படுத்தப்படுகின்றன. வழங்கப்பட்ட மூலப் பொருளின் படி, இந்த இயற்பியல் அடிப்படையிலான அமைப்புகள் உலகத்தை கட்ட செல்களாகப் பிரித்து ஈர்ப்பு, உராய்வு மற்றும் ஓட்டம் போன்ற காரணிகளை உள்ளடக்கிய சமன்பாடுகளைத் தீர்க்கின்றன. மாதிரி எவ்வளவு விரிவாக இருக்கிறதோ, அவ்வளவு அதிகமாக கணக்கீட்டு சுமை இருக்கும். இது இடஞ்சார்ந்த தீர்மானம், யதார்த்தம் மற்றும் புவியியல் கவரேஜ் இடையே வர்த்தகத்தை கட்டாயப்படுத்துகிறது.
ஜெனரேட்டிவ் AI இப்போது அந்த வரம்புகளை நீட்டிக்கப் பயன்படுத்தப்படுகிறது. கட்டுரை, ஏற்கனவே உள்ள காலநிலை உருவகப்படுத்துதல்கள் மட்டும் வழங்கக்கூடியதை விட அதிக வானிலை நிகழ்வுகளை உருவாக்க மாடலர்கள் டிஃப்யூஷன் மாதிரிகளை எவ்வாறு பயன்படுத்துகிறார்கள் என்பதை விவரிக்கிறது. இது அரிதான, அதிக தாக்கம் கொண்ட பேரிடர்களுக்கு மிகவும் முக்கியமானது, சில நேரங்களில் டெயில் ரிஸ்க் என்று அழைக்கப்படுகிறது, அங்கு நிஜ உலக எடுத்துக்காட்டுகள் நம்பிக்கையான விலை நிர்ணயம் அல்லது போர்ட்ஃபோலியோ பகுப்பாய்வை ஆதரிக்க மிகவும் குறைவாக உள்ளன.
அந்த சூழலில், செயற்கை நிகழ்வுகள் ஒரு வசதி மட்டுமல்ல. அவை எதிர்கால காலநிலை மற்றும் பேரிடர் வெளிப்பாட்டின் "தெரியாத தெரியாதவற்றை" சாத்தியமான விளைவுகளின் பரந்த விநியோகத்துடன் நிரப்பும் முயற்சியாகும். செயற்கை சூழ்நிலைகள் நம்பகமானதாக இருந்தால், காப்பீட்டாளர்கள் மூலதன போதுமான தன்மை, அண்டர்ரைட்டிங் மூலோபாயம் மற்றும் பிராந்திய வெளிப்பாட்டை குறைந்த வரலாற்றுத் தரவு அனுமதிப்பதை விட அதிக நுணுக்கத்துடன் சோதிக்க முடியும்.
நிறுவனங்கள் மாதிரிகளுடன் என்ன செய்கின்றன
மூல உரை பல எடுத்துக்காட்டுகளை சுட்டிக்காட்டுகிறது. ஸ்விஸ் ரீயின் துணை நிறுவனமான Fathom, தற்போதுள்ள சுமார் 1,000 ஆண்டுகால காலநிலை உருவகப்படுத்துதல்களில் ஒரு டிஃப்யூஷன் மாதிரியைப் பயிற்றுவித்ததாகவும், பின்னர் 2030 ஆம் ஆண்டுக்கான திட்டமிடப்பட்ட காலநிலைக்கு அதிக வானிலை சூழ்நிலைகளை உருவாக்கப் பயன்படுத்தியதாகவும் தெரிவிக்கப்பட்டது. இரண்டாவது மாதிரி ஆரம்ப வெளியீடுகளை 100-பை-100 கிலோமீட்டர் தீர்மானத்திலிருந்து 10-பை-10 கிலோமீட்டராகக் கூர்மைப்படுத்தியது, இது மழைப்பொழிவு முறைகளைப் பிடிக்க போதுமானது என்று மூலம் கூறுகிறது.
அந்த பணிப்பாய்வு ஒரு கலப்பின கட்டமைப்பை பரிந்துரைக்கிறது: ஒரு மாதிரி சூழ்நிலை பிரபஞ்சத்தை விரிவுபடுத்துகிறது, மற்றொன்று பயன்படுத்தக்கூடிய உள்ளூர் விவரங்களை மேம்படுத்துகிறது. நடைமுறை காப்பீட்டு அடிப்படையில், இது பெரிய அளவிலான காலநிலை கணிப்புகளுக்கும் அண்டர்ரைட்டிங் முடிவுகள் எடுக்கப்படும் சொத்து மட்ட அல்லது பிராந்திய இடர் மதிப்பீட்டிற்கும் இடையிலான இடைவெளியைக் குறைக்க உதவும்.
Verisk தீவிர காற்று மற்றும் மழையை தொடர்ச்சியாக அல்லாமல் ஒன்றாக மாதிரியாக்க ஜெனரேட்டிவ் AI ஐப் பயன்படுத்துவதாகவும் கட்டுரை கூறுகிறது. இது முக்கியமானது, ஏனெனில் தொடர்புடைய அபாயங்கள் எளிமையான மாடலிங் குழாய்கள் தவறவிடக்கூடிய வகையில் இழப்புகளை பெருக்கலாம். மூடிஸ் ஆர்எம்எஸ், காட்டுத்தீ மற்றும் சூறாவளிகளுக்குப் பிறகு செயற்கைக்கோள் படங்களை பகுப்பாய்வு செய்து காப்பீடு செய்யப்பட்ட இழப்புகளை மதிப்பிட AI ஐப் பயன்படுத்துவதாக விவரிக்கப்பட்டுள்ளது. ஒட்டுமொத்தமாக, இந்த எடுத்துக்காட்டுகள் AI பேரிடர் பகுப்பாய்வின் ஒரு கட்டத்தில் மட்டும் நிற்கவில்லை என்பதைக் காட்டுகின்றன. இது சூழ்நிலை உருவாக்கம், அபாய தொடர்பு மாடலிங் மற்றும் நிகழ்வுக்குப் பிந்தைய இழப்பு மதிப்பீடு ஆகியவற்றில் தோன்றுகிறது.
மாயத்தோற்ற பிரச்சினை இங்கே வேறுபட்டது
நுகர்வோர் AI தயாரிப்புகளில், மாயத்தோற்றங்கள் பெரும்பாலும் ஒரு எரிச்சல் அல்லது உண்மைப் பிழையாக கருதப்படுகின்றன. பேரிடர் மாடலிங்கில், அவை மிகவும் ஆபத்தானவை, ஏனெனில் ஒரு குறைபாடுள்ள வெளியீடு இன்னும் புள்ளிவிவர ரீதியாக அல்லது பார்வைக்கு நம்பத்தகுந்ததாக இருக்கலாம். ஒரு செயற்கை வெள்ள முறை, புயல் பாதை அல்லது மழைப்பொழிவு புலம் ஒரு நிபுணர் அல்லாதவருக்கு நம்பத்தகுந்ததாகத் தோன்றலாம், ஆனால் அடிப்படை இயற்பியல் கட்டுப்பாடுகளை மீறலாம்.
வழங்கப்பட்ட உரை Fathom இன் அறிவியல் இயக்குனர் ஆலிவர் விங்கின் எச்சரிக்கையை உள்ளடக்கியது, இந்த அமைப்புகள் "முழுமையான குப்பையை" மாயத்தோற்றமாகக் காணலாம் என்று கூறுகிறது. மொழி நேரடியானது, ஆனால் இது முக்கிய சவாலைப் பிடிக்கிறது: தோற்றத்தில் யதார்த்தம் என்பது நீரியல், வானிலை அல்லது காலநிலை இயக்கவியலுக்கான நம்பகத்தன்மை அல்ல.
அதாவது சரிபார்ப்பு தரநிலைகள் வழக்கத்திற்கு மாறாக கடுமையாக இருக்க வேண்டும். ஒரு மாதிரி உள் முரண்பாடான செயற்கை நிகழ்வுகளின் பெரிய தொகுப்பை உருவாக்கினால், தரவுகளின் வெளிப்படையான மிகுதி தவறான நம்பிக்கையை உருவாக்கலாம். பயனர்கள் அவர்கள் உண்மையில் மாதிரியின் கலைப்பொருட்களைப் பார்க்கும்போது இடர் பற்றிய வளமான படத்தைப் பார்ப்பதாக நம்பலாம்.
சாத்தியமான ஆதாயங்கள் மற்றும் ஒரு கட்டமைப்பு ஊக்கப் பிரச்சினை
எச்சரிக்கைகள் இருந்தபோதிலும், தொழில்நுட்பம் இன்னும் முக்கியமானதாக இருக்கலாம். சிறந்த பேரிடர் மாதிரிகள் காப்பீட்டாளர்கள் பயன்படுத்தக்கூடிய தரவு மிகவும் குறைவாக அல்லது சேகரிக்க மற்றும் கணக்கிட மிகவும் விலை உயர்ந்ததாக இருந்த இடங்களில் இடர் விலையை நிர்ணயிக்க அனுமதிக்கலாம். கோட்பாட்டளவில், இது பாதிக்கப்படக்கூடிய பகுதிகளில் கவரேஜுக்கான அணுகலை மேம்படுத்தலாம் மற்றும் மாறிவரும் காலநிலை வெளிப்பாட்டின் மிகவும் நுணுக்கமான மதிப்பீடுகளை உருவாக்கலாம்.
ஆனால் மூல உரை தொழில்நுட்ப துல்லியத்திற்கு அப்பால் மற்றொரு கவலையை சுட்டிக்காட்டுகிறது: ஊக்கங்கள். மாதிரி வெளியீடுகள் அண்டர்ரைட்டிங் இலாபத்தை பாதித்தால், நிறுவனங்கள் குறைந்த திட்டமிடப்பட்ட இழப்புகளை வழங்கும் அல்லது இடர் உண்மையில் இருப்பதை விட நிர்வகிக்கக்கூடியதாக தோற்றமளிக்கும் அமைப்புகளை விரும்பலாம். நிறுவனங்கள் வேண்டுமென்றே AI ஐ தவறாகப் பயன்படுத்துகின்றன என்று இது அர்த்தப்படுத்தவில்லை, ஆனால் இது ஏற்கனவே இடர் மாடலிங்கில் இருக்கும் மற்றும் ஒளிபுகா ஜெனரேட்டிவ் அமைப்புகளால் தீவிரமடையக்கூடிய ஒரு கட்டமைப்பு அழுத்தத்தை எடுத்துக்காட்டுகிறது.
வேறு வார்த்தைகளில் கூறுவதானால், மாதிரிகள் பேரிடர்களை நன்கு உருவகப்படுத்த முடியுமா என்பது மட்டுமல்ல சவால். வணிக ரீதியாக கவர்ச்சிகரமான ஆனால் போதுமான நம்பகத்தன்மை இல்லாத மாதிரிகள் விலை நிர்ணயம் மற்றும் கவரேஜ் முடிவுகளை வடிவமைப்பதைத் தடுக்கும் அளவுக்கு வலுவான நிர்வாகத்தை நிறுவனங்கள் ஏற்றுக்கொள்ளுமா என்பதும் ஆகும்.
அடுத்து என்ன நடக்கும்
தொழில்துறை ஒரு சோதனை கட்டத்தில் நுழைவதாகத் தெரிகிறது, அதில் ஜெனரேட்டிவ் AI நிறுவப்பட்ட பேரிடர் மாடலிங் அணுகுமுறைகளை மாற்றுவதற்குப் பதிலாக நிரப்புகிறது. அருகில் உள்ள காலத்தில் இது மட்டுமே சாத்தியமான பாதையாக இருக்கலாம். இயற்பியல் அடிப்படையிலான மாதிரிகள் பேரிடர்கள் எவ்வாறு வெளிப்படுகின்றன என்பதற்கான கருத்தியல் அடிப்படையை இன்னும் வழங்குகின்றன, அதே நேரத்தில் ஜெனரேட்டிவ் அமைப்புகள் அளவு, வேகம் மற்றும் அதிக கற்பனையான எதிர்காலங்களை ஆராயும் திறனை வழங்குகின்றன.
முக்கிய கேள்வி என்னவென்றால், அந்த கலவையை நம்பகமானதாக மாற்ற முடியுமா என்பதுதான். ஆராய்ச்சியாளர்கள் மற்றும் நிறுவனங்கள் மாயத்தோற்றங்களைக் கட்டுப்படுத்தவும், இயற்பியல் ரீதியாக அடிப்படையான சரிபார்ப்பை அமல்படுத்தவும், ஊக்க சிதைவுகளை நிர்வகிக்கவும் முடிந்தால், ஜெனரேட்டிவ் AI பேரிடர் பகுப்பாய்வை அர்த்தமுள்ள வழிகளில் விரிவுபடுத்த முடியும். இல்லையெனில், துறை பழைய நிச்சயமற்ற தன்மையை மிகவும் வற்புறுத்தும் தோற்றமுடைய வெளியீடுகளில் மூடும் அபாயம் உள்ளது.
அதிகரித்து வரும் காலநிலை மாறுபாட்டின் உலகத்தை எதிர்கொள்ளும் காப்பீட்டாளர்களுக்கு, அந்த வேறுபாடு முக்கியமானது. பேரிடர் மாடலிங் எப்போதும் சாத்தியமற்றதை மதிப்பிடுவதைப் பற்றியதாகும், அது விலை உயர்ந்த யதார்த்தமாக மாறும் முன். ஜெனரேட்டிவ் AI அந்த முன்கணிப்பு லென்ஸை விரிவுபடுத்தலாம், ஆனால் தொழில் நம்பத்தகுந்த தன்மையை ஆதாரமாக அல்லாமல் ஒரு தொடக்க புள்ளியாக கருதினால் மட்டுமே.
இந்த கட்டுரை தி டிகோடரின் அறிக்கையை அடிப்படையாகக் கொண்டது. அசல் கட்டுரையைப் படிக்கவும்.
Originally published on the-decoder.com