A multi-view contrastive learning framework for spatial embeddings in risk modelling
यह शोध पत्र एक नवीन मल्टी-व्यू कंट्रास्टिव लर्निंग फ्रेमवर्क प्रस्तावित करता है जो बीमा और रियल एस्टेट अनुप्रयोगों में जोखिम मॉडलों की भविष्य कहने वाली सटीकता और व्याख्यात्मकता को बढ़ाने के लिए सैटेलाइट इमेजरी और ओपनस्ट्रीटमैप डेटा से निम्न-आयामी स्थानिक एम्बेडिंग उत्पन्न करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
मान लीजिए कि आप केवल मानचित्र पर एक बिंदु को देखकर किसी स्थान के चरित्र को समझने की कोशिश कर रहे हैं। दशकों से, बीमा कंपनियाँ और रियल एस्टेट विश्लेषक बिल्कुल यही करते आए हैं, जहाँ वे एक स्थान को केवल संख्याओं के एक जोड़े के रूप में देखते हैं: अक्षांश (latitude) और देशांतर (longitude)। उन्हें उम्मीद थी कि ये निर्देशांक उन्हें जोखिम या संपत्ति के मूल्य के बारे में वह सब कुछ बता देंगे जो उन्हें जानने की आवश्यकता है। लेकिन मानचित्र पर एक बिंदु मौन होता है; उसे यह नहीं पता होता कि वह एक हलचल भरे शहर के केंद्र में स्थित है, एक शांत ग्रामीण घाटी में, या बाढ़ की आशंका वाले नदी के किनारे पर। वह पास की दुकानों, इमारतों के प्रकार, या परिदृश्य की बनावट को नहीं देख सकता। जब विश्लेषक केवल इन कच्चे नंबरों पर भरोसा करते हैं, तो उनके मॉडल अक्सर उन सूक्ष्म, वास्तविक दुनिया के पैटर्न को चूक जाते हैं जो यह परिभाषित करते हैं कि लोग कैसे रहते हैं और प्रकृति कैसे व्यवहार करती है। वे जोखिमों के चारों ओर कृत्रिम, वर्गाकार रेखाएं खींच देते हैं, जो जमीन पर सहजता से बहते हैं, ठीक वैसे ही जैसे एक घुमावदार नदी का वर्णन करने के लिए सीधी, आयताकार सीढ़ियों का उपयोग करना।
इसे हल करने के लिए, शोधकर्ताओं ने "एम्बेडिंग" (embedding) नामक एक तकनीक का उपयोग करना शुरू कर दिया है। एम्बेडिंग को एक स्थान के लिए एक डिजिटल फिंगरप्रिंट के रूप में समझें। केवल संख्याओं के एक जोड़े के बजाय, एक स्थान को मूल्यों की एक छोटी सूची द्वारा दर्शाया जाता है जो उसके सार को पकड़ती है: वह कैसा दिखता है, उसके आसपास क्या है, और वह व्यापक दुनिया में कहाँ फिट बैठता है। यह शोध पत्र इन फिंगरप्रिंट्स को बनाने का एक नया तरीका पेश करता है, जिसमें कंप्यूटर को एक साथ कई कोणों से एक स्थान को देखना सिखाया जाता है। शोधकर्ताओं ने उपग्रह चित्रों (satellite images), जो भूमि के भौतिक आकार को दिखाते हैं, को मानवीय गतिविधियों के डिजिटल मानचित्रों, जैसे कि स्कूलों, दुकानों और पार्कों के स्थान के साथ जोड़ा। कंप्यूटर को इन दृश्य और प्रासंगिक सुरागों को उस स्थान के सटीक भौगोलिक निर्देशांकों के साथ मिलाने के लिए प्रशिक्षित करके, उन्होंने एक ऐसी प्रणाली बनाई जो किसी भी स्थान का समृद्ध, विस्तृत विवरण केवल उसके अक्षांश और देशांतर का उपयोग करके उत्पन्न कर सकती है।
फ्रीक होल्वेट और सहयोगियों के नेतृत्व में टीम ने यूरोप भर में लगभग 96,000 स्थानों का एक विशाल डेटासेट बनाया। प्रत्येक स्थान के लिए, उन्होंने एक उपग्रह फोटो और एक वैश्विक मानचित्र परियोजना से आस-पास की सुविधाओं की विस्तृत गणना एकत्र की। फिर उन्होंने एक कंप्यूटर मॉडल को दृश्य और प्रासंगिक डेटा तथा उस स्थान के विशिष्ट निर्देशांकों के बीच संबंध सीखने के लिए प्रशिक्षित किया। मॉडल ने सीखा कि "इमारतों और हरित क्षेत्रों का यह पैटर्न इन विशिष्ट निर्देशांकों से संबंधित है।" एक बार जब मॉडल ने यह संबंध सीख लिया, तो वह छवियों और मानचित्रों को पूरी तरह से भूल सकता था। उस बिंदु के बाद, वह किसी भी नए स्थान के लिए केवल निर्देशांकों के एक जोड़े को लेकर तुरंत एक जटिल डिजिटल फिंगरप्रिंट उत्पन्न कर सकता था जिसमें उस स्थान के परिवेश के बारे में सारी सीखी गई जानकारी शामिल होती थी।
शोधकर्ताओं ने इस प्रणाली का परीक्षण दो बहुत अलग वास्तविक दुनिया के परिदृश्यों में किया। सबसे पहले, उन्होंने फ्रांस में घरों की कीमतों का अध्ययन किया। उन्होंने मानक मॉडलों की तुलना उन मॉडलों से की जो केवल कच्चे निर्देशांकों का उपयोग करते थे बनाम उन मॉडलों के जो नए डिजिटल फिंगरप्रिंट का उपयोग करते थे। परिणाम स्पष्ट थे: फिंगरप्रिंट का उपयोग करने वाले मॉडलों ने कीमतों की बहुत अधिक सटीकता से भविष्यवाणी की। अधिक महत्वपूर्ण बात यह है कि नए मॉडल परिदृश्य को उस तरह से "देख" सकते थे जैसे पुराने मॉडल नहीं देख सकते थे। जब शोधकर्ताओं ने भविष्यवाणियों का दृश्य रूप में चित्रण किया, तो पुराने मॉडलों ने ब्लॉकनुमा, अप्राकृतिक मानचित्र बनाए जहाँ कीमतें अदृश्य रेखाओं पर अचानक बदल जाती थीं। नए मॉडलों ने चिकने, यथार्थवादी मानचित्र बनाए जिन्होंने पेरिस और आल्प्स के आसपास उच्च-मूल्य वाले क्षेत्रों की सही पहचान की, जबकि ग्रामीण क्षेत्रों में कम मूल्यों को पहचाना। उन्होंने यह भी दिखाया कि सिस्टम उन क्षेत्रों के लिए भी तर्कसंगत भविष्यवाणियां कर सकता है जहाँ उसने घर की बिक्री का एक भी मामला नहीं देखा था, क्योंकि वह उन क्षेत्रों के भौगोलिक चरित्र को समझता था।
दूसरे परीक्षण में, टीम ने बेल्जियम में बाढ़ बीमा के मामले में इस पद्धति को लागू किया। उन्होंने बाढ़ के हजारों दावों का विश्लेषण किया ताकि यह देखा जा सके कि क्या डिजिटल फिंगरप्रिंट जोखिम वाले क्षेत्रों को वर्गीकृत करने में मदद कर सकते हैं। फिर से, फिंगरप्रिंट का उपयोग करने वाले मॉडल कच्चे निर्देशांकों का उपयोग करने वालों की तुलना में बेहतर प्रदर्शन करते रहे। वे उच्च-जोखिम और निम्न-जोखिम वाले पड़ोस के बीच अंतर करने में बेहतर थे, और उन्होंने जोखिम क्षेत्रों को कृत्रिम बक्सों में डालने के बजाय नदी घाटियों के साथ खतरे के क्षेत्रों के वास्तविक आकार को पकड़ा। अध्ययन ने यह भी दिखाया कि इन डिजिटल फिंगरप्रिंट्स को एक मिलीसेकंड से भी कम समय में उत्पन्न किया जा सकता है, जिससे वे रोजमर्रा की बीमा मूल्य निर्धारण में उपयोग करने के लिए पर्याप्त तेज़ बन जाते हैं।
यह कार्य सुझाव देता है कि जोखिम विश्लेषण का भविष्य कंप्यूटर को स्थान की एक समृद्ध समझ देने में निहित है। मशीनों को यह समझाने के होकर कि एक स्थान केवल अंतरिक्ष में एक बिंदु नहीं है, बल्कि एक विशिष्ट दृश्य और सामाजिक संदर्भ वाला स्थान है, विश्लेषक अधिक सटीक और अधिक निष्पक्ष मॉडल बना सकते हैं। शोधकर्ताओं ने प्रदर्शित किया कि इन उपकरणों को मानक कंप्यूटरों पर प्रशिक्षित किया जा सकता है और विभिन्न क्षेत्रों के अनुकूल बनाया जा सकता है, जो प्रत्येक गणना के लिए संवेदनशील या मालिकाना डेटा तक पहुँचने की आवश्यकता के बिना जोखिम प्रबंधन और बीमा मूल्य निर्धारण में सुधार करने का एक व्यावहारिक तरीका प्रदान करता है। परिणाम एक ऐसी प्रणाली है जो दुनिया को एक इंसान की तरह देखती है, यह समझते हुए कि आप कहाँ हैं यह मायने रखता है, लेकिन आपके आसपास क्या है वह भी उतना ही मायने रखता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।