دقت علمی در برابر سود تجاری در شبیه‌سازی‌های اقلیمی بیمه‌گران

تصور کنید در سال ۲۰۳۰، دقیق‌ترین ارزیابی‌های ریسک بر اساس ده‌ها هزار سال داده‌های آب‌وهوایی باشد که هرگز در واقعیت رخ نداده‌اند. شرکت Fathom، زیرمجموعهٔ Swiss Re، با استفاده از مدل‌های انتشار (Diffusion Models) — که شبیه نقاشی‌گری است که از یک صفحهٔ پر از نویز، تصویری دقیق را استخراج می‌کند — این امکان را فراهم کرده تا ریسک مناطق بدون دادهٔ تاریخی را پیش‌بینی کند.

مدل‌های سنتی فاجعه (Cat Models) که از دهه ۱۹۸۰ در بانک‌ها و شرکت‌های انرژی استفاده می‌شدند، بر معادلات فیزیکی گرانش و جریان تکیه داشتند. طبق گزارش Financial Times در ۲۵ ژوئن ۲۰۲۶، این مدل‌های قدیمی یک موازنه سخت ایجاد کرده بودند: شما یا باید جزئیات جغرافیایی بالا داشتید یا پوشش گسترده، اما هرگز هر دو را به‌دلیل هزینه‌های محاسباتی سنگین نمی‌توانستید داشته باشید.

همان‌طور که در تحلیل‌های پیشین ما درباره‌ی داده‌های مصنوعی در مدل‌های زبانی اشاره کردیم، تولید داده‌های ساختگی برای پر کردن شکاف‌های اطلاعاتی یک روند رو به رشد است. Fathom این مسئله را با آموزش ابزار انتشار خود روی ۱۰۰۰ سال شبیه‌سازی موجود حل کرد. این سیستم حجم عظیمی از داده‌های مصنوعی (Synthetic Data) تولید می‌کند و سپس با یک مدل افزایش وضوح (Super-resolution)، دقت تفکیک‌پذیری را از ۱۰۰ در ۱۰۰ کیلومتر به ۱۰ در ۱۰ کیلومتر می‌رساند.

دیگر پیشگامان این صنعت نیز مسیر مشابهی را در پیش گرفته‌اند:

• Verisk از هوش مصنوعی زاینده برای مدل‌سازی هم‌زمان بادهای شدید و بارش‌های سنگین استفاده می‌کند تا تغییرات مکانی را بهتر ثبت کند.
• Moody's RMS از هوش مصنوعی برای تحلیل تصاویر ماهواره‌ای پس از آتش‌سوزی‌ها و طوفان‌ها جهت تخمین خسارات بیمه‌ای بهره می‌برد.
• فراس صالحه از Moody's تأکید می‌کند که این ابزارها برای «رویدادهای ریسک دُم» (Tail-risk events) — یعنی بلایای نادری که تقریباً هیچ سابقه تاریخی ندارند — حیاتی هستند.

با این حال، این گذار بدون مشکل نیست. الیور وینگ، مدیر علمی Fathom، هشدار می‌دهد که این مدل‌ها ممکن است دچار توهم (Hallucination) — شبیه دوستی که خاطره‌ای را اشتباه تعریف می‌کند — شوند و الگوهای آب‌وهوایی بسازند که ظاهر معقولی دارند اما قوانین فیزیک را نقض می‌کنند. این چالش در مورد اتکا به مدل‌های تک‌گانه غریبه نیست؛ چرا که نقص‌های معماری در مدل‌های پیشرفته می‌تواند منجر به شکست‌های زنجیره‌ای در سیستم‌های خودکار شود.

علاوه بر چالش فنی، تضادی میان علم و فروش وجود دارد. مدل‌های دقیق‌تر می‌توانند بازارهای بیمه را در برزیل یا بنگلادش فعال کنند، اما ممکن است فاش کنند که خسارات احتمالی بسیار بیشتر از تصورات قبلی است. یکی از مدل‌سازان به FT گفت که کارگزاران اغلب مدل‌هایی را ترجیح می‌دهند که تخمین خسارت کمتری بدهند تا بتوانند قراردادهای بیشتری ببندند؛ در این شرایط، سودآوری تجاری مستقیماً با نقشه‌برداری علمی ریسک در تضاد است. این شکاف میان تخمین‌های مدل‌سازی شده و واقعیت، مشابه مواردی است که در بیش‌تخمینی‌های مربوط به ردپای کربنی هوش مصنوعی مشاهده شده و نشان‌دهنده ریسک سوگیری در مدل‌های تخمینی است.

گام بعدی شما

• اگر در حوزه مدیریت ریسک یا تحلیل داده فعال هستید، بررسی کنید که چگونه داده‌های مصنوعی می‌توانند سوگیری‌های ناشی از کمبود داده در مدل‌های پیش‌بینی شما را رفع کنند.
• دنبال کنید که رگولاتورهای مالی چگونه ذخایر سرمایه‌ای شرکت‌های بیمه را بر اساس این داده‌های جدید و «ترسناک‌تر» بازنگری می‌کنند.

اما تأثیر این رویکرد بر بازارهای نوظهور حتی پیچیده‌تر است؛ در گزارش بعدی بررسی می‌کنیم که چگونه هوش مصنوعی مدل‌های قیمت‌گذاری در کشورهای جنوب جهانی را تغییر می‌دهد.