Generatywna AI rewolucjonizuje modelowanie katastrof w ubezpieczeniach, ale z ryzykiem halucynacji

Firmy ubezpieczeniowe, banki i przedsiębiorstwa energetyczne od lat 80. XX wieku polegają na tzw. modelach katastroficznych (cat models) do szacowania ekspozycji na ryzyko związane z trzęsieniami ziemi, huraganami i powodziami. Tradycyjne modele fizyczne, choć skuteczne, wymagają kompromisów między szczegółowością a zasięgiem geograficznym ze względu na wysokie koszty obliczeniowe. Obecnie generatywna sztuczna inteligencja otwiera nowe możliwości w tej dziedzinie, pozwalając na znacznie precyzyjniejsze oceny ryzyka, ale jednocześnie stwarzając nowe wyzwania.

AI w służbie precyzyjnego modelowania

Raport „Financial Times” wskazuje, jak generatywna AI przesuwa granice możliwości w modelowaniu katastrof. Przykładowo, firma Fathom, będąca spółką zależną reasekuratora Swiss Re, wykorzystuje modele dyfuzyjne do syntetycznego generowania dziesiątek tysięcy lat zdarzeń pogodowych dla prognozowanego klimatu na rok 2030. Fathom najpierw trenował swoje narzędzie dyfuzyjne na około 1000 latach istniejących symulacji klimatycznych, a następnie wykorzystał je do stworzenia znacznie większej liczby scenariuszy, niż byłby w stanie wygenerować oryginalny model klimatyczny. Dodatkowo, drugi model, służący do wyostrzania obrazu, poprawia początkową rozdzielczość ze 100 × 100 kilometrów do 10 × 10 kilometrów, co jest wystarczające do uchwycenia wzorców opadów.

Oliver Wing, dyrektor naukowy Fathom, podkreśla, że „AI całkowicie zmieniła to, co jest możliwe”. Konkurencyjna firma Verisk używa generatywnej AI do jednoczesnego modelowania ekstremalnego wiatru i deszczu, zamiast analizować je oddzielnie. Jay Guin, szef badań w Verisk, twierdzi, że to podejście znacznie precyzyjniej oddaje zmienność przestrzenną niż tradycyjne uczenie maszynowe. Z kolei Moody's RMS wykorzystuje AI do analizy zdjęć satelitarnych po pożarach i huraganach, aby oszacować straty ubezpieczeniowe. Technologia ta jest szczególnie cenna w przypadku zdarzeń ogonowych (tail-risk events) – rzadkich katastrof, dla których brakuje danych historycznych, jak zauważa Firas Saleh, odpowiedzialny za modelowanie powodzi i pożarów w Ameryce Północnej w Moody's.

Wyzwania: halucynacje i logika sprzedażowa

Jak każda forma generatywnej AI, również w tym zastosowaniu problemem są halucynacje. Modele mogą generować zdarzenia, które wydają się wiarygodne, ale naruszają podstawowe prawa fizyki. Wing ostrzega, że „można wygenerować absolutne bzdury, używając tych technik”. Według Swiss Re, klęski żywiołowe spowodowały 220 miliardów dolarów szkód w 2025 roku, z czego tylko 107 miliardów dolarów było ubezpieczonych.

Bardziej precyzyjne modele mogłyby teoretycznie umożliwić ubezpieczycielom pokrycie regionów takich jak Bangladesz czy Brazylia, które były pomijane przez duże firmy modelujące ze względu na niską wartość aktywów. Pozostaje jednak otwarte pytanie, czy nowe narzędzia faktycznie przełożą się na wysokość składek. Lepsze modele mogą ujawnić, że potencjalne straty są wyższe niż wcześniej zakładano, co według „Financial Times” mogłoby wymagać większych buforów kapitałowych na wypadek najbardziej ekstremalnych strat.

Jeden z modelarzy powiedział gazecie, że ubezpieczyciele „zazwyczaj kupują model, który pozwala im prowadzić więcej działalności – który generuje niższe oszacowanie strat”. Dodał, że „ubezpieczyciele po prostu chcą zawierać więcej umów”. „Financial Times” argumentuje, że lepsza nauka może w końcu kolidować z logiką sprzedażową, nawet jeśli obiektywny obraz ryzyka wygląda gorzej.

Przyszłość ubezpieczeń w erze AI

Wprowadzenie generatywnej AI do modelowania katastrof stanowi znaczący krok naprzód w zdolnościach firm ubezpieczeniowych do oceny i zarządzania ryzykiem. Potencjał tworzenia syntetycznych danych dla rzadkich zdarzeń i zwiększania precyzji prognoz może zrewolucjonizować rynek ubezpieczeń, umożliwiając pokrycie obszarów dotychczas pomijanych. Jednakże, aby w pełni wykorzystać te możliwości, branża będzie musiała zmierzyć się z wyzwaniami związanymi z wiarygodnością danych generowanych przez AI oraz z potencjalnym konfliktem między naukową dokładnością a komercyjnymi celami. Balansowanie tych aspektów będzie kluczowe dla przyszłego rozwoju i stabilności sektora ubezpieczeniowego w obliczu rosnących zagrożeń klimatycznych.

Źródło: the-decoder.com