జనరేటివ్ AI విపత్తు మోడలింగ్లోకి ప్రవేశిస్తోంది
బీమా సంస్థలు వరదలు, తుఫానులు మరియు ఇతర విపత్తులను మోడల్ చేయడానికి జనరేటివ్ AIని ఉపయోగించడం ప్రారంభించాయి, ఇవి సంప్రదాయ ప్రమాద అంచనాలకు మద్దతు ఇవ్వడానికి చారిత్రక రికార్డులో తరచుగా కనిపించవు. ఆకర్షణ సూటిగా ఉంటుంది: సింథటిక్ ఈవెంట్ జనరేషన్ అండర్ రైటర్లు, రీఇన్స్యూరర్లు, బ్యాంకులు మరియు మౌలిక సదుపాయాల ఆపరేటర్లు సంప్రదాయ పద్ధతులు అనుమతించే దానికంటే చాలా ఎక్కువ వాల్యూమ్ మరియు వివరాలతో తీవ్రమైన దృశ్యాలను పరిశీలించడంలో సహాయపడుతుంది.
కానీ సాంకేతికత ఒక తెలిసిన సమస్యతో వస్తోంది. ఆమోదయోగ్యమైన దృశ్యాలను భారీ సంఖ్యలో ఉత్పత్తి చేయగల అదే వ్యవస్థలు భ్రాంతి కలిగించగలవు, విపత్తు మోడలింగ్ ఆధారపడిన భౌతిక తర్కాన్ని ఉల్లంఘించే వాస్తవికంగా కనిపించే అవుట్పుట్లను ఉత్పత్తి చేస్తాయి. ఆ ఉద్రిక్తత జనరేటివ్ AIని ఫైనాన్స్ యొక్క అత్యంత పర్యవసానమైన అంచనా విభాగాలలో ఒకదానికి ఆశాజనకమైన సాధనంగా మరియు కొత్త మోడల్ రిస్క్ మూలంగా మారుస్తోంది.
పరిశ్రమకు ఎక్కువ సింథటిక్ విపత్తులు ఎందుకు కావాలి
భూకంపాలు, హరికేన్లు, వరదలు మరియు ఇలాంటి సంఘటనలకు గురికావడాన్ని అంచనా వేయడానికి విపత్తు నమూనాలు చాలా కాలంగా ఉపయోగించబడుతున్నాయి. సరఫరా చేయబడిన మూల పదార్థం ప్రకారం, ఈ భౌతిక శాస్త్ర-ఆధారిత వ్యవస్థలు ప్రపంచాన్ని గ్రిడ్ సెల్లుగా విభజించి, గురుత్వాకర్షణ, ఘర్షణ మరియు ప్రవాహం వంటి అంశాలను కలిగి ఉన్న సమీకరణాలను పరిష్కరిస్తాయి. మోడల్ ఎంత వివరంగా ఉంటే, గణన భారం అంత ఎక్కువగా ఉంటుంది. ఇది ప్రాదేశిక రిజల్యూషన్, వాస్తవికత మరియు భౌగోళిక కవరేజీ మధ్య ట్రేడాఫ్లను బలవంతం చేస్తుంది.
జనరేటివ్ AI ఇప్పుడు ఆ పరిమితులను విస్తరించడానికి ఉపయోగించబడుతోంది. వ్యాసం మోడలర్లు ఇప్పటికే ఉన్న క్లైమేట్ సిమ్యులేషన్లు మాత్రమే సరఫరా చేయగల దానికంటే చాలా ఎక్కువ వాతావరణ సంఘటనలను ఉత్పత్తి చేయడానికి డిఫ్యూజన్ మోడల్లను ఎలా ఉపయోగిస్తున్నారో వివరిస్తుంది. ఇది అరుదైన, అధిక-ప్రభావ విపత్తులకు, కొన్నిసార్లు టెయిల్ రిస్క్లు అని పిలుస్తారు, ఇక్కడ వాస్తవ-ప్రపంచ ఉదాహరణలు నమ్మకమైన ధర లేదా పోర్ట్ఫోలియో విశ్లేషణకు మద్దతు ఇవ్వడానికి చాలా తక్కువగా ఉంటాయి.
ఆ సందర్భంలో, సింథటిక్ సంఘటనలు కేవలం సౌలభ్యం మాత్రమే కాదు. అవి భవిష్యత్ వాతావరణం మరియు విపత్తు ఎక్స్పోజర్ యొక్క "తెలియని తెలియనివి"ను సాధ్యమయ్యే ఫలితాల విస్తృత పంపిణీతో నింపడానికి ఒక ప్రయత్నం. సింథటిక్ దృశ్యాలు నమ్మదగినవి అయితే, బీమా సంస్థలు మూలధన సమృద్ధి, అండర్ రైటింగ్ వ్యూహం మరియు ప్రాంతీయ ఎక్స్పోజర్ను స్పార్స్ హిస్టారికల్ డేటా అనుమతించే దానికంటే ఎక్కువ సూక్ష్మంగా పరీక్షించవచ్చు.
సంస్థలు మోడల్లతో ఏమి చేస్తున్నాయి
మూల వచనం అనేక ఉదాహరణలను సూచిస్తుంది. స్విస్ రీ యొక్క అనుబంధ సంస్థ అయిన ఫాథమ్, ఇప్పటికే ఉన్న క్లైమేట్ సిమ్యులేషన్లలో దాదాపు 1,000 సంవత్సరాలపై డిఫ్యూజన్ మోడల్కు శిక్షణ ఇచ్చింది మరియు తరువాత అంచనా వేసిన 2030 వాతావరణం కోసం చాలా ఎక్కువ వాతావరణ దృశ్యాలను రూపొందించడానికి ఉపయోగించింది. రెండవ మోడల్ 100-బై-100 కిలోమీటర్ల ముతక రిజల్యూషన్ నుండి 10-బై-10 కిలోమీటర్ల వరకు ప్రారంభ అవుట్పుట్లను మెరుగుపరిచింది, ఇది అవపాత నమూనాలను సంగ్రహించడానికి సరిపోతుందని మూలం చెబుతుంది.
ఆ వర్క్ఫ్లో ఒక హైబ్రిడ్ ఆర్కిటెక్చర్ను సూచిస్తుంది: ఒక మోడల్ దృశ్య విశ్వాన్ని విస్తరిస్తుంది, మరొకటి ఉపయోగించదగిన స్థానిక వివరాలను మెరుగుపరుస్తుంది. ఆచరణాత్మక బీమా పరంగా, ఇది పెద్ద-స్థాయి వాతావరణ అంచనాలు మరియు ఆస్తి-స్థాయి లేదా ప్రాంతీయ ప్రమాద అంచనా మధ్య అంతరాన్ని తగ్గించడంలో సహాయపడుతుంది, ఇక్కడ అండర్ రైటింగ్ నిర్ణయాలు తీసుకోబడతాయి.
వ్యాసం వెరిస్క్ తీవ్రమైన గాలి మరియు వర్షాన్ని ఒకేసారి మోడల్ చేయడానికి జనరేటివ్ AIని ఉపయోగిస్తోందని కూడా చెబుతుంది. ఇది ముఖ్యమైనది ఎందుకంటే సహసంబంధమైన ప్రమాదాలు సరళమైన మోడలింగ్ పైప్లైన్లు కోల్పోయే విధంగా నష్టాలను పెంచుతాయి. మూడీస్ RMS, అదే సమయంలో, అడవి మంటలు మరియు హరికేన్ల తర్వాత ఉపగ్రహ చిత్రాలను విశ్లేషించడానికి AIని ఉపయోగిస్తున్నట్లు వివరించబడింది. కలిపి తీసుకుంటే, ఆ ఉదాహరణలు AI విపత్తు విశ్లేషణల యొక్క ఒక దశకు మాత్రమే పరిమితం కాదని చూపిస్తున్నాయి. ఇది దృశ్య ఉత్పత్తి, ప్రమాద పరస్పర మోడలింగ్ మరియు సంఘటనానంతర నష్ట అంచనాలో కనిపిస్తోంది.
భ్రాంతి సమస్య ఇక్కడ భిన్నంగా ఉంది
వినియోగదారు AI ఉత్పత్తులలో, భ్రాంతులు తరచుగా చికాకు లేదా వాస్తవిక లోపంగా రూపొందించబడతాయి. విపత్తు మోడలింగ్లో, అవి మరింత ప్రమాదకరంగా ఉంటాయి ఎందుకంటే లోపభూయిష్ట అవుట్పుట్ ఇప్పటికీ గణాంకపరంగా లేదా దృశ్యపరంగా నమ్మదగినదిగా కనిపించవచ్చు. సింథటిక్ వరద నమూనా, తుఫాను ట్రాక్ లేదా అవపాత క్షేత్రం నాన్-స్పెషలిస్ట్కు ఆమోదయోగ్యంగా కనిపించవచ్చు, అయితే ప్రాథమిక భౌతిక పరిమితులను ఉల్లంఘించవచ్చు.
సరఫరా చేయబడిన వచనంలో ఫాథమ్ యొక్క సైంటిఫిక్ డైరెక్టర్ ఆలివర్ వింగ్ నుండి ఒక హెచ్చరిక ఉంది, ఈ వ్యవస్థలు "అబ్సల్యూట్ స్లాప్"ను భ్రాంతి కలిగించగలవని అన్నారు. భాష సూటిగా ఉంది, కానీ ఇది ప్రధాన సవాలును సంగ్రహిస్తుంది: ప్రదర్శనలో వాస్తవికత హైడ్రాలజీ, వాతావరణ శాస్త్రం లేదా వాతావరణ డైనమిక్స్కు విశ్వసనీయతతో సమానం కాదు.
దీని అర్థం ధ్రువీకరణ ప్రమాణాలు అసాధారణంగా కఠినంగా ఉండాలి. ఒక మోడల్ అంతర్గతంగా అస్థిరంగా ఉన్న పెద్ద సింథటిక్ ఈవెంట్ల సెట్ను ఉత్పత్తి చేస్తే, డేటా యొక్క స్పష్టమైన సమృద్ధి తప్పుడు విశ్వాసాన్ని సృష్టించవచ్చు. వినియోగదారులు వారు ప్రమాదం యొక్క గొప్ప చిత్రాన్ని చూస్తున్నారని నమ్మవచ్చు, కానీ వారు నిజానికి మోడల్ యొక్క కళాఖండాలను చూస్తున్నారు.
సంభావ్య లాభాలు మరియు నిర్మాణాత్మక ప్రోత్సాహక సమస్య
హెచ్చరికలు ఉన్నప్పటికీ, సాంకేతికత ఇప్పటికీ ముఖ్యమైనది. మెరుగైన విపత్తు నమూనాలు బీమా సంస్థలు చారిత్రాత్మకంగా తక్కువ సేవలు అందించిన ప్రదేశాలలో ప్రమాదాన్ని ధర నిర్ణయించడానికి అనుమతించవచ్చు, ఎందుకంటే ఉపయోగించదగిన డేటా చాలా పరిమితంగా లేదా సేకరించడానికి మరియు లెక్కించడానికి చాలా ఖరీదైనది. సిద్ధాంతపరంగా, ఇది హాని కలిగించే ప్రాంతాలలో కవరేజీకి ప్రాప్యతను మెరుగుపరుస్తుంది మరియు మారుతున్న వాతావరణ ఎక్స్పోజర్ యొక్క మరింత సూక్ష్మమైన అంచనాలను ఉత్పత్తి చేస్తుంది.
కానీ మూల వచనం సాంకేతిక ఖచ్చితత్వానికి మించి మరొక ఆందోళనను ఎత్తి చూపుతుంది: ప్రోత్సాహకాలు. మోడల్ అవుట్పుట్లు అండర్ రైటింగ్ లాభదాయకతను ప్రభావితం చేస్తే, సంస్థలు తక్కువ అంచనా నష్టాలను అందించే లేదా ప్రమాదాన్ని నిజంగా ఉన్నదానికంటే మరింత నిర్వహించదగినదిగా చేసే వ్యవస్థలను ఇష్టపడవచ్చు. సంస్థలు ఉద్దేశపూర్వకంగా AIని దుర్వినియోగం చేస్తున్నాయని దీని అర్థం కాదు, కానీ ఇది ప్రమాద మోడలింగ్లో ఇప్పటికే ఉన్న నిర్మాణాత్మక ఒత్తిడిని హైలైట్ చేస్తుంది మరియు అపారదర్శక జనరేటివ్ సిస్టమ్ల ద్వారా తీవ్రతరం చేయబడవచ్చు.
మరో మాటలో చెప్పాలంటే, సవాలు మోడల్లు విపత్తులను బాగా అనుకరించగలవా అనేది మాత్రమే కాదు. ఇది సంస్థలు ధర మరియు కవరేజీ నిర్ణయాలను రూపొందించడానికి వాణిజ్యపరంగా ఆకర్షణీయంగా ఉన్నప్పటికీ తగినంత నమ్మదగినవి కాని మోడల్లను నిరోధించడానికి తగినంత బలమైన పాలనను అవలంబిస్తాయా అనేది కూడా.
తర్వాత ఏమి జరుగుతుంది
పరిశ్రమ ఒక ప్రయోగాత్మక దశలోకి ప్రవేశిస్తున్నట్లు కనిపిస్తోంది, దీనిలో జనరేటివ్ AI స్థాపించబడిన విపత్తు మోడలింగ్ విధానాలను భర్తీ చేయడానికి బదులుగా పూర్తి చేస్తుంది. సమీప కాలంలో ఇది బహుశా ఏకైక ఆచరణీయ మార్గం. భౌతిక శాస్త్ర-ఆధారిత నమూనాలు ఇప్పటికీ విపత్తులు ఎలా జరుగుతాయనే దానికి సంభావిత ఆధారాన్ని అందిస్తాయి, అయితే జనరేటివ్ సిస్టమ్లు స్కేల్, వేగం మరియు మరిన్ని ఊహాత్మక భవిష్యత్తులను అన్వేషించే సామర్థ్యాన్ని అందిస్తాయి.
ప్రధాన ప్రశ్న ఏమిటంటే ఆ కలయికను నమ్మదగినదిగా చేయగలమా. పరిశోధకులు మరియు సంస్థలు భ్రాంతులను నియంత్రించగలిగితే, భౌతికంగా ఆధారిత ధ్రువీకరణను అమలు చేయగలిగితే మరియు ప్రోత్సాహక వక్రీకరణలను నిర్వహించగలిగితే, జనరేటివ్ AI విపత్తు విశ్లేషణను అర్థవంతమైన మార్గాల్లో విస్తరించవచ్చు. కాకపోతే, రంగం పాత అనిశ్చితిని మరింత ఒప్పించే అవుట్పుట్లలో చుట్టే ప్రమాదం ఉంది.
పెరుగుతున్న వాతావరణ అస్థిరత ప్రపంచాన్ని ఎదుర్కొంటున్న బీమా సంస్థలకు, ఆ వ్యత్యాసం ముఖ్యమైనది. విపత్తు మోడలింగ్ ఎల్లప్పుడూ ఖరీదైన వాస్తవంగా మారడానికి ముందు అసంభవమైన దానిని అంచనా వేయడం గురించి. జనరేటివ్ AI ఆ అంచనా లెన్స్ను విస్తృతం చేయవచ్చు, కానీ పరిశ్రమ ఆమోదయోగ్యతను ప్రారంభ స్థానంగా పరిగణించినట్లయితే మాత్రమే, రుజువుగా కాదు.
ఈ వ్యాసం ది డీకోడర్ నివేదిక ఆధారంగా రూపొందించబడింది. అసలు వ్యాసం చదవండి.
Originally published on the-decoder.com