سعر تأمينك ضد الفيضانات مبني على خريطة من عام 1987. إليك ما ينبغي أن يحلّ محلها.

في العام الماضي، جلست قبالة مكتتب أول في شركة تأمين متوسطة الحجم للممتلكات والحوادث في الجنوب الشرقي. كان لديه خريطة مثبّتة على الجدار خلفه — مثبّتة حرفيًا بمسامير دبوس — تُظهر مناطق الفيضان التابعة لـ FEMA لمقاطعة ساحلية كان فريقه يكتتب فيها بكثافة. سألته متى جرى تحديث الخريطة آخر مرة.

ضحك. "تلك الخريطة أقدم من معظم محلّليّ."

لم يكن يبالغ. كانت الخريطة من عام 1992. وكان يستخدمها — إلى جانب بعض حسابات المتوسطات البسيطة حسب الرمز البريدي — لتسعير مخاطر الفيضان لآلاف المنازل في منطقة أعادت فيها ثلاثة أعاصير كبرى تشكيل الخط الساحلي، وحيث غطّت أحياء سكنية جديدة الأراضي الرطبة، وحيث صُمّمت بنية الصرف تحتية لشدة هطول مطري لم تعد تمثّل الواقع.

لازمني ذلك الحديث. ليس لأن المكتتب كان غير كفء — فقد كان حادّ الذهن، ذا خبرة، ومدركًا للمشكلة إدراكًا عميقًا. بل لأن الأدوات المتاحة له كانت من حقبة مناخية مختلفة، ولم يكن لدى القطاع مسار واضح لاستبدالها.

هذا ما دفع فريقي في VeriPrajna إلى قضاء أشهر في البحث فيما نسمّيه الآن "الذكاء الاصطناعي العميق" لاكتتاب الفيضانات — تقارب بين الرؤية الحاسوبية، ورادار الأقمار الصناعية، والتعلّم الآلي المستنير بالفيزياء، قادر على تقييم مخاطر الفيضان على مستوى المبنى الفردي، لا الرمز البريدي. كتبت نظرة تفاعلية عامة على البحث الكامل هنا، وكلما تعمّقت فيه، ازداد اقتناعي بأن هذا ليس ترقية "من الأفضل امتلاكها". إنه مسألة ملاءة مالية.

الخريطة التي تكذب عليك

إليك ما لا يدركه تمامًا معظم الناس — بمن فيهم كثير من المتخصصين في التأمين — بشأن خرائط فيضانات FEMA: لم تُصمَّم أبدًا لتكون أدوات اكتتاب.

مفهوم "فيضان المئة عام"، الذي يرتكز عليه بالكامل البرنامج الوطني للتأمين ضد الفيضانات، يمثّل احتمالًا سنويًا نسبته 1% لحدوث فيضان. يبدو نادرًا. لكن طبّق ذلك الاحتمال على مدى رهن عقاري لثلاثين عامًا وستحصل على احتمال 26% للتعرّض لـ"فيضان المئة عام" خلال مدة القرض. هذه ليست مخاطرة ذيلية. إنها رمي عملة باحتمالات أفضل قليلًا.

الخرائط نفسها أسوأ من المفهوم. نحو 75% من خرائط فيضانات FEMA يزيد عمرها على خمس سنوات. بعضها يعود إلى سبعينيات وثمانينيات القرن الماضي. لا تأخذ في الحسبان الإنشاءات الجديدة التي غيّرت أنماط الصرف. ولا تأخذ في الحسبان تغيّر المناخ الذي يكثّف هطول الأمطار. وهي تخلق ما بدأت أسمّيه "تأثير الجُرف" — خط ثنائي حيث يدفع منزل يبعد قدمًا واحدة داخل منطقة خطر الفيضان الخاصة آلاف الدولارات مقابل تأمين إلزامي، بينما يُصنَّف منزل يبعد قدمًا واحدة خارجها على أنه ذو خطر ضئيل.

الماء لا يبالي بالخطوط المرسومة على خريطة.

نحو 68% من بلاغات أضرار الفيضانات تقع خارج مناطق الفيضان عالية الخطورة التي حدّدتها FEMA. الخرائط ليست قديمة فحسب — بل مضلِّلة بصورة منهجية.

والنتيجة سوق مبني على معلومات سيئة. أقل من 4% من أصحاب المنازل الأمريكيين يحملون تأمينًا ضد الفيضانات. ليس لأنهم متهورون، بل لأن الخرائط أخبرتهم أنهم في أمان.

لماذا تقع 68% من أضرار الفيضانات خارج "مناطق الفيضان"؟

كان هذا هو الإحصاء الذي أوقفني مذهولًا حين صادفته أول مرة في البحث. لو طُلب مني التخمين قبل أن أرى البيانات، لربما قلت 20%، ربما 30%. لكن 68%؟ هذا يعني أن غالبية خسائر الفيضانات غير مرئية للنظام الذي يُفترض أن يتنبأ بها.

الجواب كلمة لم يسمع بها معظم من هم خارج علم المياه (الهيدرولوجيا) قط: الفيضان المطري.

خرائط FEMA تنمذج الأنهار التي تفيض عن ضفافها (الفيضان النهري) والعرام العاصف الساحلي. لكنها لا تنمذج ما يحدث حين تهطل ست بوصات من المطر في ساعتين على حي يكون فيه كل ممر سيارات وموقف وسطح غير منفذ للماء. لا يجد الماء مكانًا يذهب إليه. فيتجمّع. ويجد أخفض نقطة — التي قد تكون غرفة معيشة منخفضة لأحدهم على بعد ثلاثة أميال من أقرب نهر.

أتذكّر فريقي وهو يتجادل حول هذا في مكالمة متأخرة. أحد باحثينا، الذي كان قد تعمّق في أدبيات الهيدرولوجيا الحضرية، ظل يصرّ على أن الطوبوغرافيا الدقيقة — الميل الطفيف للشارع، وما إذا كان ممر السيارات ينحدر نحو المرآب أم بعيدًا عنه — تهمّ في الأحداث المطرية أكثر من القرب من نهر. اعترضت. بدا الأمر أدقّ من أن يكون ذا معنى على مستوى المحفظة.

أخرج بيانات الأضرار من هيوستن بعد إعصار هارفي. مربعًا سكنيًا تلو الآخر، كانت الخسائر متفاوتة بشدة. منازل في الشارع نفسه، وفي الرمز البريدي نفسه، وبتصنيف FEMA نفسه — أحدها غمرته المياه، والآخر لا. كان الفارق في الغالب بضع بوصات من الارتفاع أو جدار استنادي لجار.

عندها فهمت: حساب المتوسطات حسب الرمز البريدي ليس غير دقيق فحسب. إنه وحدة تحليل خاطئة جوهريًا لمخاطر الفيضان.

ثورة الثماني بوصات

إن كان هناك متغيّر واحد يحدّد ما إذا كان الفيضان مصدر إزعاج أم كارثة، فهو ارتفاع الطابق الأول — المسافة العمودية بين الأرض وأخفض طابق صالح للسكن في المبنى.

الأرقام هنا مذهلة. رفع الطابق الأول لمنزل بمقدار قدم واحدة فقط فوق منسوب الفيضان الأساسي يمكن أن يخفّض متوسط الخسارة السنوية بنحو 90%. قدم واحدة. هذا هو الفارق بين عقار يشبه قنبلة موقوتة وآخر قابل للتأمين بجدارة.

ومع ذلك، لا يكاد هذا الرقم يوجد في ملف المكتتب أبدًا. السجلات الضريبية العامة لا تلتقطه. وشهادات المنسوب مستندات يدوية باهظة الثمن. أما النماذج القديمة فتكتفي بالتخمين — مفترضةً، مثلًا، أن كل منزل في منطقة ما به فراغ زحف قياسي بارتفاع قدم واحدة.

هنا تُغيّر الرؤية الحاسوبية كل شيء.

أمضى فريقي أسابيع يدرس كيف يمكن للشبكات العصبية استخراج ارتفاع الطابق الأول من صور Google Street View. العملية أنيقة على نحو فاجأني. تنظر شبكة عصبية التفافية إلى صورة على مستوى الشارع لمنزل وتحدّد خط الأرض، وعتبة الباب الأمامي، والدرجات. وتقدّر العمق من الكاميرا إلى الواجهة. ثم تطبّق حساب مثلثات أساسيًا — ارتفاع الكاميرا، وزاوية الميل، وموضع البكسل — لحساب الارتفاع المادي للمدخل فوق مستوى الشارع.

بل هناك طريقة احتياطية بسيطة على نحو جميل: عدّ الدرجات. تحدّد أكواد البناء ارتفاعًا قياسيًا للقائمة يبلغ نحو 7 بوصات. ست درجات حتى الباب الأمامي؟ هذا نحو 42 بوصة من ارتفاع الطابق الأول. يمكن لنموذج رؤية حاسوبية عدّ الدرجات عبر ملايين العقارات دون أن يغادر أحد مكتبه.

الشبكات العصبية المدرَّبة على تقدير ارتفاع أخفض طابق حقّقت أخطاء متوسطها 0.218 متر فقط — نحو 8.5 بوصة. هذه دقة على مستوى السنتيمتر، على نطاق قاري كامل، ودون زيارة موقعية واحدة.

حين رأيت هامش الخطأ ذاك أول مرة، أعدت النظر مندهشًا. ثماني بوصات ونصف متوسط خطأ، مستخلصة من صورة التقطتها سيارة مارّة. قارن ذلك بالنهج القديم القائم على افتراض أن لكل منزل في رمز بريدي واحد ملف الارتفاع نفسه. إنها ليست حتى الرياضة نفسها.

ماذا يحدث حين يمكنك الرؤية عبر الغيوم؟

لاكتتاب الفيضانات مفارقة قاسية: اللحظة التي تكون فيها أشدّ حاجة لرؤية ما يجري على الأرض — أثناء الفيضان — هي بالضبط حين تُصاب الأقمار الصناعية البصرية بالعمى. تأتي الفيضانات مصحوبة بالغيوم والمطر. والكاميرات لا تستطيع الرؤية عبر أيّ منهما.

رادار الفتحة الاصطناعية لا يبالي بالغيوم.

تُرسل أقمار SAR نبضات ميكروويف تخترق الغطاء السحابي، والدخان، والمطر الغزير، ثم تقيس الطاقة المرتدة. يعمل الماء الساكن كالمرآة — فيعكس إشارة الرادار بعيدًا عن القمر الصناعي، فيظهر بكسلات داكنة في الصورة. أما اليابسة الجافة فتشتّت الإشارة عائدةً، فتظهر ساطعة. يمنحك التباين خريطة فيضان، في أي طقس، ليلًا أو نهارًا.

أعترف أنني حين صادفت بيانات SAR أول مرة، وجدتها غريبة. فهي لا تشبه صورة فوتوغرافية. إنها حبيبية، ومنقّطة، وغير بديهية. لكن بمجرد أن تفهم ما تُظهره لك، تكون استثنائية — عين تعمل في كل الأحوال الجوية وتستطيع رسم البصمة الدقيقة للفيضان خلال ساعات من ذروة الحدث.

يأتي التعقيد في المدن. يخلق الفيضان الحضري ظاهرة تُسمّى "الارتداد المزدوج" — يصطدم الرادار بسطح الماء، ويرتد عن جدار مبنى، ويعود إلى القمر الصناعي بشدة عالية. بالنسبة إلى خوارزمية ساذجة، يبدو هذا كأنه يابسة جافة. يتطلب الأمر نماذج تعلّم عميق مدرَّبة تحديدًا على أنماط التداخل هذه للتعرّف بدقة على الغمر الحضري. تفشل النُهج التقليدية القائمة على العتبة هنا باستمرار.

حين تدمج SAR مع البيانات البصرية — مستخدمًا الرادار للتغطية في كل الأحوال الجوية والصور البصرية للتأكيد الطيفي — تتجاوز دقة التصنيف 92% حتى في المشاهد الحضرية المعقّدة.

لماذا لا يستطيع الذكاء الاصطناعي القياسي التنبؤ بالفيضانات ببساطة؟

هذا سؤال يُطرح عليّ باستمرار، وهو يكشف سوء فهم جوهري لما يستطيع التعلّم الآلي فعله وما لا يستطيعه.

نموذج تعلّم عميق قياسي مدرَّب على بيانات فيضانات تاريخية يتعلّم الأنماط. قد يتعلّم أن العقارات القريبة من الأنهار تُغمر أكثر، وأن أنواعًا معيّنة من التربة ترتبط بخسائر أعلى، وأن الربيع أسوأ من الخريف. وبالنسبة إلى الأحداث التي تشبه بيانات التدريب، يؤدي أداءً معقولًا.

لكن الفيضانات تزداد سوءًا بطرق ليس لها سابقة تاريخية. النموذج المدفوع بالبيانات وحدها حين يصادف شدة عاصفة لم يرها من قبل سيبالغ في الاستقراء بجنون أو يلجأ إلى شيء متحفّظ وخاطئ. والأسوأ أنه قد يولّد تنبؤات مستحيلة فيزيائيًا — ماء يظهر بلا مصدر، أو يتدفق صعودًا.

الشبكة العصبية التي لم ترَ قط عاصفة الخمسمئة عام ستهلوس حين تصادف واحدة. أما الفيزياء فلا تهلوس.

لهذا فإن الشبكات العصبية المستنيرة بالفيزياء — PINNs — تمثّل أهم تقدّم معماري في نمذجة الفيضانات. الشبكة PINN ليست مدرَّبة فقط لمطابقة البيانات التاريخية. بل هي مدرَّبة في آنٍ واحد لإطاعة قوانين ديناميكا الموائع: حفظ الكتلة (الماء لا يظهر من العدم) وحفظ الزخم (الماء يتدفق نزولًا، محترمًا الجاذبية والاحتكاك).

التنفيذ التقني بسيط على نحو خادع من حيث المفهوم. لدالة الخسارة في الشبكة مكوّنان: مدى مطابقتها للبيانات المرصودة، ومدى شدّة انتهاكها لمعادلات الفيزياء الحاكمة. عاقِب انتهاكات الفيزياء أثناء التدريب، وستحصل على نموذج مستنير بالبيانات ومقيّد فيزيائيًا معًا.

العائد العملي هائل. تحتاج الشبكات PINN إلى بيانات تدريب أقل بكثير لأن معادلات الفيزياء تقيّد فضاء الحلول. وهي تعمّم على الأحداث غير المسبوقة لأن الفيزياء الكامنة لا تتغيّر — عاصفة الخمسمئة عام تتبع ديناميكا الموائع نفسها التي تتبعها عاصفة العشر سنوات، فقط بمدخلات مختلفة.

للاطّلاع على التفصيل التقني الكامل لكيفية عمل هذه المعماريات معًا، بما في ذلك الرياضيات وراء الشبكات العصبية الرسومية للتوجيه الهيدرولوجي، أرشدك إلى ورقتنا البحثية. لكن الرؤية الجوهرية للاكتتاب هي هذه: يمكن لشبكة PINN مدرَّبة كنموذج بديل أن تحاكي آلاف السيناريوهات المناخية لعقار محدّد في الزمن الحقيقي. فبدلًا من معدل ثابت لـ"المنطقة AE"، تحصل على ملف مخاطر ديناميكي احتمالي يعكس الفيزياء الفعلية للماء المتدفق عبر ذلك المشهد المحدّد إلى ذلك المبنى المحدّد.

حجة الملاءة المالية

لقد كنت أطرح الحجة التكنولوجية، لكن دعني أطرح الحجة التجارية، لأن هنا حيث تكمن الإلحاحية.

معدل التأمين المركّب لتأمين أصحاب المنازل — المقياس الأساسي لما إذا كانت شركة التأمين تربح أم تخسر من الاكتتاب — بلغ متوسطه 101.5% مؤخرًا، وبلغ ذروته عند 110.5% في عام 2023. ما يزيد على 100% يعني أنك تخسر المال. القطاع ينزف.

الاختيار المعاكس يلتهم شركات التأمين حيّة. حين تسعّر مخاطر الفيضان على مستوى الرمز البريدي، فأنت تحسب المتوسط بين منزل على تلة ومنزل في منخفض. صاحب المنزل في المنخفض — الذي يعرف أن قبوه يُغمر مع كل مطر غزير — يشتري بلهفة بالسعر المتوسط. أما صاحب المنزل على التلة، الذي يدرك بحق أن السعر مرتفع جدًا مقابل مخاطره الفعلية، فينصرف. وهكذا يتركّز مجمع مخاطرك بهدوء بالمخاطر السيئة، وتتدهور نسبة خسائرك بطرق لا تظهر حتى الحدث الكبير التالي.

الذكاء الاصطناعي العميق يعكس هذه الديناميكية. شركة تأمين تعرف أن منزلًا في منطقة "عالية الخطورة" يقع فعليًا على ارتفاع أربعة أقدام فوق منسوب الفيضان الأساسي، وبه فتحات فيضان مركّبة ونظام تكييف مرتفع، تستطيع كتابة تلك الوثيقة بربحية بسعر لن يلمسه المنافسون القدامى. هذا ليس انتقاءً للأفضل — إنه تسعير دقيق. وهو يعمل في الاتجاهين: المنزل في منطقة "منخفضة الخطورة" بمرآب منخفض وأسطح غير منفذة من كل جانب يُسعَّر بما هو عليه فعليًا.

لقد انتهى فعليًا عصر اكتتاب مخاطر الفيضان استنادًا إلى خرائط ورقية من الثمانينيات ومتوسطات الرمز البريدي. والسؤال هو أي شركات التأمين ستدرك هذا أولًا.

هناك زاوية إعادة تأمين هنا أيضًا. تطالب شركات إعادة التأمين — الشركات التي تؤمّن شركات التأمين — على نحو متزايد بالشفافية في المحافظ الأساسية لشركات التأمين الأولية. فمحفظة أعمال مكتتبة ببيانات ارتفاع على مستوى البكسل ومراقبة عبر رادار الأقمار الصناعية هي عرض مخاطر مختلف جوهريًا عن محفظة مسعَّرة انطلاقًا من مناطق FEMA. البيانات الأفضل تعني شروط إعادة تأمين أفضل، ما يعني كفاءة رأسمالية أفضل، ما يعني ميزة تنافسية. وهي تتراكم.

"لكن هل تستطيع شرحه لجهة تنظيمية؟"

يسألني الناس هذا دائمًا، وهو السؤال الصحيح. ومع تحوّل الذكاء الاصطناعي إلى عنصر محوري في قرارات التسعير التي تؤثّر في ما إذا كان بمقدور أحدهم تحمّل تكلفة العيش في منزله، فإن التدقيق التنظيمي سيشتدّ — ويجب أن يشتدّ.

هنا في الواقع تتمتع النماذج المستنيرة بالفيزياء بميزة غير متوقعة على التعلّم العميق ذي الصندوق الأسود. تنبؤات الشبكة PINN مؤسَّسة على معادلات فيزيائية صريحة — معادلات سان-فينان لديناميكا الموائع، وحفظ الكتلة، وحفظ الزخم. حين تسأل إدارة تأمين تابعة للولاية عن سبب ارتفاع القسط، تستطيع شركة التأمين أن تشير إلى مخاطرة هيدروليكية محدّدة ومنمذجة فيزيائيًا: "الماء من مستجمع المياه هذا يصل إلى هذا العقار بهذا العمق تحت ظروف الهطول هذه، استنادًا إلى قياسات الارتفاع هذه وطوبولوجيا الصرف هذه."

هذا ليس ارتباطًا خوارزميًا غامضًا. إنه هندسة. والجهات التنظيمية تفهم الهندسة.

لقد بدأت أسمّي هذا "الذكاء الاصطناعي في الصندوق الزجاجي" — نماذج يكون استدلالها شفافًا لأنه مرتكز على فيزياء معروفة، لا على مجرد أنماط إحصائية متعلَّمة. إنه نقيض مشكلة الصندوق الأسود التي تجعل الجميع متوترين حيال الذكاء الاصطناعي في القرارات عالية المخاطر.

إلى أين يتجه هذا بعد ذلك

المفهوم الذي أجده الأكثر إقناعًا — والأكثر إحداثًا للاضطراب — هو ما قد أسمّيه نموذج المخاطر "الحي". اليوم، تُقيَّم مخاطر الفيضان عند بدء الوثيقة وربما يُعاد النظر فيها عند التجديد. إنها لقطة ثابتة. لكن المخاطر مستمرة.

إذا كشف قمر SAR هبوطًا أرضيًا في منطقة ما، فينبغي أن تُحدَّث درجات مخاطر العقارات المتأثرة. وإذا رصف جار مرجًا نفّاذًا للماء، تتغيّر خصائص الجريان السطحي لمستجمع المياه الدقيق بأكمله. وإذا طوّرت بلدية مصارف عواصفها، يستفيد كل عقار في حوض الصرف.

النموذج الحي يحوّل شركة التأمين من دافع للمطالبات إلى شيء أقرب إلى شريك في المخاطر. تعديلات في منتصف المدة. تنبيهات استباقية. أرصدة أقساط مقابل تدابير تخفيف يمكن لشركة التأمين التحقق منها فعليًا عبر الصور الجوية — فتحات فيضان مركّبة، وتكييف مرتفع، وأسطح نفّاذة مصانة.

هذا يتيح أيضًا التأمين البارامتري للفيضان — وثائق تدفع تلقائيًا حين يؤكّد قمر صناعي أن عمق الفيضان تجاوز عتبة معيّنة عند الإحداثيات المؤمَّن عليها. لا زيارات لمقيّم الخسائر. لا عملية مطالبات تمتد شهورًا. سيولة فورية حين يحتاجها الناس أشدّ الحاجة.

أظل أفكّر في ذلك المكتتب وخريطة 1992 على جداره. لم يكن هو المشكلة. كان يعمل بما منحه إياه القطاع. المشكلة أن القطاع كان بطيئًا في إدراك أن المناخ قد تغيّر، والبيانات قد تغيّرت، والتقنية قد تغيّرت — بينما ظلّت بنية الاكتتاب التحتية مثبّتة على الجدار.

تقارب الرؤية الحاسوبية، ورادار الفتحة الاصطناعية، والتعلّم الآلي المستنير بالفيزياء لا يحسّن اكتتاب الفيضانات فحسب. بل يجعله ممكنًا للمرة الأولى. كل ما سبق ذلك كان تخمينًا مستنيرًا بدقة أخشن من أن تكون ذات معنى. أما ما يأتي بعد ذلك فهو القياس — مبنى تلو مبنى، قدمًا تلو قدم، عاصفة تلو عاصفة — بدقة تحوّل مخاطر الفيضان من كارثة لا يمكن التنبؤ بها إلى شيء يمكنك بالفعل تسعيره.

شركات التأمين التي تكتشف هذا أولًا لن تحظى فقط بنسب خسائر أفضل. بل ستحظى بنسب الخسائر الوحيدة التي لها معنى.