Gobiernos y empresas, desde seguros y bancos hasta eléctricas, desde hace décadas dependen de modelos de catástrofes para estudiar su exposición a fenómenos meteorológicos extremos.
Los modelos “Cat” (de catástrofes), como se les conoce, generan predicciones fundamentadas sobre desastres que van desde grandes terremotos hasta eventos climáticos específicos, como huracanes.
Este proceso es lento y costoso. Los modelos basados en la física introducen enormes cantidades de datos en fórmulas que describen fuerzas como la gravedad y la fricción, en un proceso que consume mucha capacidad de computación. A medida que da más detalles, más energía consumen, lo que suele obligar a los modeladores a ceder en escala o en resolución.
Sin embargo, la inteligencia artificial (IA) generativa ahora impulsa una serie de avances en la creación de modelos de catástrofes, según afirman los científicos especializados en desastres, mejorando la granularidad y el alcance de sus simulaciones de fenómenos meteorológicos extremos.
“La IA llegó a redefinir por completo lo que es posible” en la creación de escenarios de desastres, dice Oliver Wing, director científico de Fathom, una empresa de pronósticos y escenarios de riesgos propiedad de la reaseguradora Swiss Re. Cuando se utiliza “con escepticismo y criterio”, explica, “proporciona un enorme atajo computacional para generar la gran cantidad de escenarios que necesitamos para comprender los extremos”.
¿Cómo impulsa la IA los procesos?
Los modeladores de desastres utilizan la IA para crear sintéticamente decenas de miles de eventos meteorológicos, como tormentas para las que carecen de datos históricos, pero que son físicamente verosímiles. También la utilizan para mejorar la nitidez de las imágenes: introducen mapas de baja resolución y piden a las computadoras que generen imágenes más detalladas.
Estas herramientas demuestran ser útiles para estudiar los llamados riesgos extremos: eventos atípicos que, por su naturaleza, carecen de muchos datos históricos y puede volverse más costosos a medida que el cambio climático impulsa un aumento de los fenómenos extremos.
Las aseguradoras y otras empresas que utilizan estos modelos mejorados con IA esperan que proporcionen proyecciones más precisas y detalladas de posibles desastres y sus costos financieros esperados. Esto puede permitirles la creación de escenarios de desastres de forma más económica, calcular el riesgo con mayor precisión y, potencialmente, ofrecer seguros de menor costo a las zonas más pobres del mundo que hoy pasan por alto las mayores empresas de proyección de escenarios.
¿Cómo ha evolucionado la tecnología?
Los científicos utilizan la ciencia de datos y el aprendizaje automático para modelar desastres naturales desde que se desarrollaron los modelos de catástrofes en la década de 1980. Sin embargo, estos están limitados por la inmensidad y complejidad de los patrones climáticos mundiales, incluso antes de considerar el cambio climático, que está aumentando la frecuencia de eventos extremos.
Los modelos de riesgo de catástrofes basados en la física dividen el mundo en celdas y luego resuelven ecuaciones sobre cómo se mueven los fluidos o el aire entre esas celdas. Mientras más celdas tenga un modelo, más ecuaciones debe resolver y más costoso computacionalmente se vuelve. Como resultado, generalmente existe una compensación entre el área física y el espacio de tiempo que abarcan estos modelos y su nivel de detalle.
Los científicos que buscan utilizar registros de tormentas reales están limitados a aproximadamente un siglo de datos estudiados. La modelización climática puede extender este periodo a miles de años de datos simulados por computadora, pero esto conlleva un costo enorme, tanto financiero como en términos de poder de procesamiento.
La IA generativa puede ofrecer una solución a estas limitaciones. Empresas de proyección de escenarios como Fathom utilizan la tecnología para simular sintéticamente decenas de miles de años adicionales de posibles fenómenos meteorológicos en un clima previsto a corto plazo, generando representaciones detalladas de posibles tormentas.
Para mejorar su comprensión acerca de inundaciones que pueden ser devastadoras, Fathom depende de difusión, una tecnología de IA en la que los investigadores añaden ruido a una imagen y luego entrenan modelos de IA para revertir ese proceso, reconstruyendo los detalles a partir de una imagen granulada.
Fathom entrenó una herramienta de IA de difusión en un modelo climático, familiarizando primero a la IA con aproximadamente mil años de datos meteorológicos de modelos computacionales existentes. El modelo simula entonces miles de años más de eventos meteorológicos en un clima previsto para 2030, muchos más datos de los que el modelo climático original pudo generar.
Estos escenarios —que utilizan áreas de cuadrícula de alrededor de 100 x 100 kilómetros— seguirán siendo demasiado imprecisos para capturar los detalles de los desastres meteorológicos. Fathom entrenó un segundo modelo de difusión para mejorar la nitidez de las imágenes, con una resolución aproximada de 10 x 10, con el fin de capturar con mayor precisión patrones meteorológicos como las precipitaciones.
Esto crea un catálogo de eventos de inundación, que combinado con los datos disponibles sobre edificios y vulnerabilidad, permite a Fathom estimar la magnitud de las pérdidas catastróficas que se puede esperar para una probabilidad determinada, como una tormenta con una probabilidad de que ocurra una vez cada cien años.
Modelos más precisos y mejor comprensión de los desastres potenciales más graves deben ayudar a las aseguradoras a valorar el riesgo con mayor exactitud. Esto les permitirá aumentar el precio de la cobertura en zonas de riesgo y reducirlo en zonas seguras.
La IA también puede contribuir a que se disponga de mejores modelos de catástrofes para las regiones más pobres y altamente expuestas a desastres, como Bangladés, propenso a inundaciones, o Brasil, vulnerable a la sequía. Históricamente, los principales modeladores del mundo no han invertido en la creación de modelos físicos para estos lugares debido al valor relativamente bajo de los activos en riesgo.
Sin embargo, no está claro si las mejoras en la creación de modelos —que pueden demostrar que las aseguradoras se enfrentan a daños potenciales mayores de lo que se creía— se reflejarán en los modelos internos de las aseguradoras o se trasladarán a los consumidores en las primas, ya que pueden exigir a las empresas reservas de capital más grandes para hacer frente a sus mayores pérdidas potenciales.
Según un modelador, las compañías de seguros “generalmente adquirirán el modelo que les permita aumentar su volumen de negocio, es decir, el que produzca una estimación de pérdidas menor. Los suscriptores simplemente quieren suscribir más pólizas (para tener más negocios)”.
¿Cómo analizan los modelos los riesgos múltiples?
Verisk, una de las empresas de escenarios de riesgos más grandes del mundo, afirma que utiliza IA para combinar múltiples peligros y analizarlos conjuntamente.
El nuevo modelo de riesgo europeo de alta resolución de la firma modela simultáneamente lluvias y vientos extremos. Antes, la empresa hacía modelos de estas amenazas por separado y luego las combinaba, pero ahora puede estudiar cómo interactúan ambos peligros a medida que se desarrollan.
“Nuestras simulaciones son cada vez más realistas”, dice Jay Guin, director de investigación de soluciones para eventos extremos en Verisk. Según explica, el modelo GenAI es más preciso que el aprendizaje automático tradicional, ya que puede capturar la variabilidad espacial de peligros como el viento y la lluvia con mucho mayor detalle, en lugar de limitarse a predecir resultados promedio.
Los modeladores también utilizan la IA para detectar la destrucción causada por catástrofes. Por ejemplo, Moody’s RMS, filial de Moody’s, utiliza la tecnología para mejorar su análisis de imágenes satelitales de incendios forestales y huracanes, con el fin de evaluar la extensión y la gravedad de los daños, y estimar el valor asegurado de las pérdidas.
¿Cuáles son las limitaciones?
Los modeladores enfatizan que estas proyecciones son probabilísticas y no hay una certeza de que ocurran, y advierten que, como en otros ámbitos, la IA es propensa a la alucinación o a inventar información. Esto hace aún más importante tratar los modelos como conjeturas fundamentadas.
“Se puede alucinar y generar resultados erróneos con estas técnicas”, advierte Wing. Sin embargo, con la supervisión rigurosa de científicos humanos, afirma, la IA generativa le permite a Fathom trazar “escenarios (de desastre) verosímiles que tal vez nunca se hayan experimentado antes, que van mucho más allá del rango medido de lo que hemos visto en el pasado”.
GenAI introduce una nueva capa de incertidumbre en un negocio que ya es probabilístico. Los modelos de riesgo catastrófico existentes tienen deficiencias inherentes, derivadas, por ejemplo, de lagunas en los datos brutos sobre reclamaciones y características de las propiedades. Estas incertidumbres pueden codificarse en los modelos, pero nunca eliminarse por completo.
Además, según Guin, los modelos que dependen sólo de la IA generativa introducen una nueva incertidumbre, ya que “pueden generar eventos que parecen verosímiles, pero que en realidad no cumplen con las leyes fundamentales de la física”.
¿Por qué introducir esta incertidumbre?
La IA puede ayudar a refinar los resultados preliminares de los modelos existentes y mejorar la creación de otros para las catástrofes más raras y extremas, dice Firas Saleh, director de los esquemas de inundaciones e incendios forestales de Norteamérica en Moody’s, “donde los enfoques basados sólo en datos pueden presentar dificultades”.
Este tipo de eventos —sobre los que los datos son escasos— también son algunos de los más importantes para hacer modelos, ya que pueden provocar las mayores pérdidas.
Los científicos que supervisan los modelos mejorados con IA, explica Wing, deben recurrir a su experiencia y criterio para limitar los modelos a emular los escenarios “verosímiles”, incluso a medida que los eventos más extremos, antes no creíbles, se vuelven más frecuentes.
El reto, según él, consiste en “asegurarse de que sus resultados sean realistas, pero sin aferrarse a lo que ya vimos”.
