Büyük modeller, nadir ve yüksek etkili olayların tahmininde hayati bir rol oynamaktadır. Bu tür olaylar, yalnızca tarihi verilere dayanarak tam olarak anlaşılamamaktadır. Potansiyel senaryoları simüle ederek, risklerin değerlendirilmesi, aşırılıklara hazırlık yapılması ve yüzyılda bir karşılaşılan felaketlere karşı dayanıklılık oluşturulması için gerekli istatistiksel derinliği sağlarlar.
Global sigorta grubu AXA, hurricane risk değerlendirmesi araştırmalarını geliştirmek için, NVIDIA’nın Earth-2 platformunu kullanarak yapay zeka hava durumu modelleri ve araçlarıyla simülasyonlar gerçekleştirmektedir. Bu çalışmalar, Milton gibi kasırgaları yeniden oluşturarak binlerce yıl süren hipotetik kasırga senaryoları üretmeyi hedefler. Bu yaklaşım, aşırılıkların istatistiksel olasılıklarını anlamayı artırarak sigorta endüstrisinin felaket riskine yaklaşımını dönüştürmektedir.
Nadir ve Yüksek Etkili Kasırga Olaylarını Anlamak
2024 kasırga sezonu, Kasırga Milton ve Helene gibi olaylarla işaretlenmiştir ve aşırı hava olaylarının topluma olan yıkıcı etkisini göstermiştir. Finans ve sigorta (FSI) sektörü için bu tür nadir fakat yıkıcı olaylar, özellikle Kuzey Atlantik’te sigortalaması en zor olan maliyetlerdendir. Ancak, bu tür olayların olasılığını doğru bir şekilde değerlendirmek, kendine özgü bir zorluktur. Tarihi hava kayıtlarında nadir, etkili aşırı olaylar yeterince mevcut değildir, bu da istatistiksel olarak sağlam risk değerlendirmelerine engele olur.
Geleneksel istatistiksel yöntemler, verisetlerindeki eksiklikleri telafi etmeye çalışırken, fiziksel olasılık bu yöntemlerin temel bir sınırlaması olmaya devam ediyor. Bu yöntemler, ardışık kasırga olaylarının olasılıklarını veya yoğunluk bağımlılıklarını yakalayamaz. Bunun yanı sıra, yalnızca tarihi olayların varyasyonlarını üretirler, tamamen yeni senaryolar değil. Öte yandan, fiziksel modellere dayanan sayısal simülasyonlar, doğru ve fiziksel olarak makul olsalar da, nadir olaylar hakkında sağlam istatistikler oluşturmak için gerekli olan binlerce yıl süren sentetik verinin üretilmesi için maliyetlidir.
Yapay zeka tabanlı hava durumu modellemesi, fizik tabanlı yöntemlerle karşılaştırıldığında simülasyonların daha hızlı bir şekilde gerçekleştirilmesini sağlar ve bu yöntemlerin doğruluğuna eşdeğer ya da daha iyi sonuçlar almayı mümkün kılar. Örneğin, Spherical Fourier Neural Operator (SFNO) ile bir yıllık bir simülasyon yalnızca 12.8 dakikada tamamlanırken, buna benzer bir simülasyon, Integrated Forecast System (IFS) kullanıldığında 1,000 çift soketli CPU düğümünde bir saatte tamamlanmaktadır.
AXA, AI kullanarak büyük ölçekte karşıt kasırga verileri üreterek, geçmişte olabilecekleri ve gelecekte olabilecek senaryoları keşfetmek için özel modeller kullanmaktadır. Bu, yalnızca bireysel fırtına senaryolarını değil, aynı zamanda tüm sentetik kasırga sezonlarını da içermekte olup, risk değerlendirmesi için zengin bir veri seti sağlamak amacı gütmektedir. AI’nin hava durumunun karmaşık doğasını yakalayabilme yeteneği, belirsizlikle başa çıkan sanayiler için değerli bir araç haline gelmektedir.
Kasırga Senaryolarını Simüle Etmek
Earth-2, HENS gibi gelişmiş AI modellerinin büyük kasırga kümeleri üretmesi için gerekli araçlar ve referans hatları sağlar. Öncelikle UC Berkeley’de sıcak hava dalgalarının tahmini için geliştirilen HENS, hava durumu aşırılıklarını yakalayacak ve bunların olasılıklarını ve belirsizliklerini ölçmek için optimize edilmiştir. Daha fazla bilgi için Huge Ensembles Part I: Design of Ensemble Weather Forecasts using Spherical Fourier Neural Operators başlıklı çalışmaya bakılabilir.
Özel FCN-SFNO mimarisi ve eğitim tarifleri, aşırı hava olaylarını daha iyi yakalamak için geliştirilmiştir.
- Model belirsizliği için çoklu kontrol noktaları: Geleneksel sayısal topluluk sistemleri modelin belirsizliklerini ele almak için, modelleme ile ilgili parametreleri değiştirebilir. HENS-SFNO, bu yaklaşımı benimseyerek, birden fazla, bireysel olarak eğitilmiş model kontrol noktalarını kullanır.
- Başlangıç koşulları için bred vektör perturbasyonu: Kasırga simülasyonlarının başlangıç koşullarında belirsizlikleri gidermek amacıyla, mevcut kontrol noktaları seti ile kombinasyon halinde kalibre edilmiş topluluklar üretmek için bir bred vektör perturbasyon yöntemi tasarlanmıştır.
Deney 1: Tarihi Kasırgaların Alternatif Sonuçlarını Keşfetmek
Bu deney, bireysel tarihi kasırgaların simülasyonuna odaklanmakta ve alternatif sonuçları keşfetmektedir. Oluşabileceklerin yanı sıra, bu veriler oluşturulan kasırga yollarının kalitesinin değerlendirilmesine ve üretilen kasırgaların yoğunluğundaki önyargıların araştırılmasına yardımcı olabilir. Büyük kasırga kümelemelerinin üretilmesi ve bu verilerin analiz edilmesi için, Earth-2 platformundaki Earth2Studio Python kütüphanesi kullanılarak şu adımlar gerçekleştirilmiştir:
Adım 1: Hazırlık
Çeşitlilik ve alaka sağlamak için eğitim döneminin dışındaki bir dizi kasırga seçin.
Adım 2: HENS’i Başlat
- Cyclogenesis’den önce: Topluluk oluşturmaya, kasırganın oluşumundan iki gün önce başlayın. Bu, olaydan önceki atmosfer koşullarını simüle etmek için yeterli zamanı sağlar.
- Cyclogenesis günü: Kasırga oluştuğu tam günde simülasyonu başlatın.
- Cyclogenesis sonrası: Cyclogenesis’den iki gün sonra simülasyonu başlatın ve tahminleri kesinleştirin.
- Karaya çıkmadan önce:
- Karaya çıkmadan iki gün önce: Simülasyonu karaya çıkmadan iki gün önce uzatın, böylece doğru tahminler için yeterli zaman elde edilir.
- Karaya çıkmadan bir gün önce: Karaya çıkmadan bir gün önce başka bir simülasyon seti yaparak tahminleri daha da kesinleştirin.
Adım 3: Simülasyonu Yayınla
Yaklaşık 15 gün boyunca simüle et: Kasırgayı karaya çıktıktan sonra yaklaşık 15 gün boyunca simüle edin veya karın dağıldığı ana kadar bu süreci sürdürün.
Adım 4: Yolları Analiz Et
- Kasırganın Yolunu Takip Et: Kasırga yollarını toplayın ve bunları tarihi verilerle karşılaştırarak doğruluğunu doğrulayın ve model performansını değerlendirin.
- Farklı Hastalıkları Karşılaştırın: Farklı takip modellerinin kasırganın hareketini nasıl yakaladığını değerlendirin ve AI tarafından üretilen yolların gözlemlenen verilerle nasıl örtüştüğünü inceleyin.
Adım 5: Yoğunluğu Analiz Et
- Yoğunluk desenlerini değerlendirin: Simüle edilen kasırgaların yoğunluğunu değerlendirerek, yaşam döngüsünde herhangi bir aşırı veya düşük tahmin olup olmadığını gözlemleyin.
- Sistematik önyargı: Modelin kasırga yoğunluğunu kasten düşük tahmin etme sorununu araştırın ve bunun için düzeltme yöntemlerini keşfedin.
Adım 6: Özel Analizler
Risk değerlendirmesi için özel ihtiyaçları karşılamak amacıyla coğrafi etkiler, fırtına dalgaları veya belli bölgelerdeki etkiler gibi daha fazla metrik toplayın.
Deney 1 Sonuçları: AXA’nın Analiz Akışı ile Kasırga Milton’un Yeniden İncelenmesi
Kasırga Milton, Ekim ayında güneybatı Meksika Körfezi‘nde gelişmiş ve Florida’ya doğru alışılmadık bir rotaya girmiştir. Bu, o havzanın ve sezonun geleneksel tropik siklon iklimolojisini devre dışı bırakmaktadır.
Şekil 1, cyclogenesis’a dair çoklu başlangıç tarihlerinde HENS-SFNO kullanarak yapılan Kasırga Milton simülasyonlarını göstermektedir. Model, fırtına yolunu yeniden üretmektedir; ancak yüzey rüzgar hızlarını biraz düşük tahmin etmektedir. Farklı model kontrol noktaları, Florida ve güney ABD kıyısında etkilenen çeşitli bölgeleri etkileyebilecek alternatif yol senaryolarını analiz etmeye olanak tanır.
HENS-SFNO’nun karşıt kasırga senaryolarını modelleme yeteneği, acil durum yöneticilerinin potansiyel etki senaryolarını değerlendirmesine yardımcı olduğu için risk önleme konusunda değerli bir araçtır ve daha kapsamlı hafifletme stratejileri geliştirmektedir.
Deney 2: Kasırga Sezonlarının Alternatif Sonuçlarını Keşfetmek
Bu deney, bireysel fırtınalara odaklanmak yerine, tam kasırga sezonlarını simüle ederek kasırga sıklığı, yoğunluğu ve sezondaki bireysel olaylar arasındaki ilişkileri incelemeyi amaçlamaktadır. Bu yaklaşım, yeni olası sezon senaryolarının oluşturulmasıyla mümkündür.
- Adım 1: Kasırga sezonunu, potansiyel model önyargılarını azaltmak için altı haftalık dilimlere ayırın.
- Adım 2: HENS’i her iki haftada bir başlatın, böylece çeşitli senaryolar sağlamak için başlangıç koşullarını (IC) farklı yıllardan alarak kullanın.
- Adım 3: Her simülasyona başlamadan önce yedi günlük bir “ısınma” dönemi çalıştırın.
- Adım 4: İzleyen dört hafta içinde cyclogenesis’in olduğu kasırgaları kaydedin.
- Adım 5: Farklı yoğunluk seviyelerinde kasırgaların yıl boyunca dağılım ve sıklığını değerlendirmek için yoğunluk analizi yapın.
Deney 2 Sonuçları: Karşıt Tropik Siklon İklimolojisini Keşfetmek
HENS-SFNO modeli, bozulmuş simülasyonlar üzerinde geniş bir gözlemlenmemiş trajektori yelpazesi simüle edebilir. Simüle edilen trajektori topluluğu, iklimsel referans çerçevesi ile güçlü bir şekilde örtüşmekte ve gözlemlenen yolları kapsayan değişkenlik aralığını genişletmektedir. Ancak, modelin risk değerlendirmesi çalışmaları için uygunluğunu artırmak amacıyla bir önyargı düzeltmesi ve yüzey rüzgar hızlarının mekansal düzeyde düşürülmesi gerekmektedir.
Bu metodolojinin önemli ve güçlü bir avantajı, iklim risk modelleme için kritik öneme sahip binlerce iklim olayı katalogunu hızla ve kolayca üretebilmesidir.
Demo: Kasırga Helene
Video 1, Eylül 2024’te ABD’de karaya inen 1,024 üyeden oluşan Helene kasırgasının sonuçlarını göstermektedir. İlk olarak dört ayrı örneği yan yana çizerken, ardından tüm topluluğun yollarını aynı anda çizer. Simülasyon, 23 Eylül 2024’te, tropik bir fırtına olarak kategorize edilmeden 39 saat önce başlatılmıştır. Sonuç, o zamanki olası sonuçların aralığını göstermektedir. Veriler, Earth2 Studio’daki HENS hattı ile üretilmiş ve görselleştirmesi NVIDIA Omniverse‘de gerçekleştirilmiştir.
Sonuç
Yapay zeka, doğal felakete ilişkin risk modellemesi alanında devrim yaratmaktadır. AXA ve NVIDIA, doğal felaket beklentilerini güçlendirmek için AI ile desteklenen hava tahminlerinin potansiyelini araştırmaktadır. Bu çalışmalar, daha sağlam risk yönetimi stratejileri ve doğal felaketler karşısında daha fazla dayanıklılık sağlamayı amaçlamaktadır.
AXA’nın çalışması, AI tabanlı simülasyonların tahminleri, risk yönetimini ve dayanıklılık planlamasını nasıl geliştirebileceğini göstermektedir. Hipotetik hava olaylarının büyük toplulukları üretilerek, nadir doğal felaketlerin sıklığı, şiddeti ve olası etkileri hakkında derinlemesine içgörüler sağlanmaktadır.
Bu yüksek kaliteli veriler, felaket olaylarını tahmin etme ve yönetme konusunda daha iyi bir anlayış sunarak, karar alma süreçlerini daha doğru ve proaktif hale getirmektedir.
Daha fazla bilgi almak için, AXA ile birlikte NVIDIA GTC 2025 oturumunu izleyin: Kapsamlı Doğal Felaket Risk Simülasyonlarını Gelişmiş Hesaplama Araçları ile Dönüştürerek.
Earth2Studio ile başlayın.
