Dirbtinis intelektas ekonomikai – geriausi pasirinkimai

Doktorantūra. Vis dar prisimenu vieną bandomąjį ciklą, kuriame mano neuroninis tinklas 20 % pranoko regresinį modelį. Be juokų – ką tik buvau išeikvojęs savaites ekonometrijos kursų ir perskaitęs daugybę vadovėlių. Ta akimirka? Lemputė. Dirbtinis intelektas ima veikti, kai sudėtingumas tampa netvarkingas – kai kaupiasi neapibrėžtumas, elgesio ir modelių chaosas.

• Šablonų atpažinimas : giluminiai tinklai naršo po požymių vandenynus ir randa koreliacijas, kurioms pastebėti ekonomistams prireiktų tūkstančio kavos puodelių [1].

• Duomenų apdorojimas : Pamirškite rankinį kintamųjų atrinkimą – mašininio mokymosi varikliai tiesiog suvalgo visą informaciją [1].

• Netiesinė analizė : Jie nemirksi, kai priežastis ir pasekmė zigzago būdu susikerta. Slenkstiniai efektai? Asimetrija? Jie supranta [2].

• Automatizavimas : Vamzdynų magija. Valymas, mokymai, derinimas – tai tarsi niekada nemiegantys praktikantai.

Žinoma, mes vis dar esame šališkas šaltinio kodas. Mokyk neteisingai, ir jis mokosi neteisingai. Tas mirktelėjimas šypsenėle? Jis pagrįstas. 😉

Straipsniai, kuriuos galbūt norėsite perskaityti po šio:

🔗 Darbai, kurių DI negali pakeisti ir pakeis.
Visuotinė DI poveikio dabartinėms ir būsimoms darbo vietoms analizė.

🔗 Geriausias dirbtinis intelektas finansų klausimams.
Geriausi dirbtinio intelekto įrankiai, teikiantys išmanias ir tikslias finansines įžvalgas.

🔗 Dirbtiniu intelektu paremti paklausos prognozavimo įrankiai verslo strategijai.
Įrankiai, padedantys įmonėms numatyti paklausą ir efektyviai planuoti strategijas.

Palyginimo lentelė: DI įrankiai ekonomikai

Nuspėjamasis modeliavimas atnaujinamas 🧠

Regresija vyko gerai. Bet dabar 2025-ieji ir:

• Neuroniniai tinklai dabar prisitaiko prie ekonominių pokyčių tarsi banglentininkai – neįtikėtinu laiku prognozuoja infliaciją [2].

• NLP kanalai ieško „Reddit“ ir „Reuters“ vartotojų nerimo ir paslėptų nuotaikų šuolių.

• Agentais pagrįsti modeliai nedaro prielaidų – jie testuoja kiekvieną „kas būtų, jeigu“ scenarijų, valdydami ištisas visuomenes in silico.

Rezultatas? Prognozių netikslumų sumažėjimas 25 %, priklausomai nuo to, kas atlieka vertinimus [2]. Mažiau spėlionių. Labiau pagrįstos ateities prognozės.

Elgesio ekonomika susitinka su mašininiu mokymusi

Štai čia viskas pasidaro... keista. Bet nuostabu.

• Iracionalūs modeliai : klasteriai atsiranda, kai vartotojai elgiasi kaip, na, žmonės.

• Sprendimų nuovargis : kuo ilgiau žmogus apsiperka, tuo blogesni jo pasirinkimai. Modeliai išnaudoja išblukimą.

• Mikro ir makro sąsajos : Jūsų kavos pirkimas? Tai duomenys. O kai jie apibendrinami? Ankstyvieji signalai – garsūs.

Ir dar yra dinaminis kainodaros modelis – kai jūsų pirkinių krepšelis keičiasi kas sekundę. Keista? Galbūt. Bet tai veikia.

Dirbtinis intelektas ekonominės politikos formavime

Politikos modeliavimas nebėra įstrigęs skaičiuoklėse.

„AI ekonomistų aplinkoje išmokta taikyti progresyvią mokesčių politiką, kuri 16 % pagerino lygybę ir produktyvumą, palyginti su statiniais baziniais rodikliais“ [3].

Paprastai tariant: algoritmai žaidė „smėlio dėžės“ vyriausybėmis ir sukūrė geresnes mokesčių sistemas. Biudžeto apribojimai vis dar galioja. Tačiau dabar galite sukurti politikos prototipą kode, prieš pritaikydami ją realioje ekonomikoje.

Realaus pasaulio ekonomikos taikymas 🌍

Visa tai nėra garinimo įranga. Ji diegiama – tyliai, efektyviai, visur:

• Centriniai bankai naudoja mašininio pinigų politikos (ML) pagrįstus streso modelius, kad ištirtų finansinius įtrūkimus, kol jie dar neišplito [2].

• Mažmenininkai sumažina prekių trūkumo rodiklius naudodami nuspėjamąsias atsargų papildymo sistemas [4].

• Kredito reitinguotojai renka alternatyvius duomenis (pvz., jūsų telefono sąskaitą), kad atvertų kredito duris daugiau žmonių.

• Darbo analitikai stebi darbo skelbimų srautus kaip vanagai, kad užkirstų kelią kvalifikuotų specialistų trūkumui.

Tai ne kada nors įvyks. Tai yra dabar.

Apribojimai ir etinės sausumos minos

Laikas šaltam realizmo purslui:

• Šališkumo stiprinimas : jei jūsų duomenų rinkinys yra nešvarus, jūsų prognozės taip pat yra nešvarios. Ir dar blogiau – jos yra keičiamo dydžio [5].

• Neskaidrumas : Negalite paaiškinti? Nenaudokite jo. Svarbiems skambučiams reikalingas skaidrumas.

• Priešiški žaidimai : Ar robotai groja jūsų modeliu kaip smuiku? Taip, tai rizikinga.

Taigi, taip, etika nėra vien filosofinė – ji yra infrastruktūros sritis. Apsauginės tvorelės yra svarbios.

Kaip pradėti naudoti dirbtinį intelektą savo ekonomikos darbe

Nereikia nei daktaro laipsnio, nei neuroninio implanto. Tiesiog:

1. Įpraskite dirbti su Python – pandas, scikit-learn, TensorFlow. Jie yra tikrieji MVP.

2. Atvirų duomenų saugyklų reidai – „Kaggle“, TVF, Pasaulio bankas. Jos prikimštos aukso.

3. Padirbėkite užrašų knygelėse – „Google Colab“ yra jūsų žaidimų aikštelė be diegimo.

4. Sekite mąstytojus – X (ugh, anksčiau „Twitter“) ir „Substack“ turi lobių žemėlapius.

Net ir žvalus „Reddit“ nuotaikų analizatorius gali pasakyti tai, ko nepasako „Bloomberg“ terminalas.

Ateitis yra nuspėjama, bet ne tobula

Dirbtinis intelektas nėra stebuklas. Bet smalsaus ekonomisto rankose? Tai įrankių rinkinys niuansams, įžvalgai ir greičiui. Sujunkite intuiciją su skaičiavimais ir jums nebereikės spėlioti – jūs numatysite.

📉📈

Raskite naujausią dirbtinį intelektą oficialioje dirbtinio intelekto asistentų parduotuvėje

Apie mus

Nuorodos

1. Mullainathan, S. ir Spiess, J. (2017). Mašininis mokymasis: taikomasis ekonometrinis metodas . „Journal of Economic Perspectives“ , 31(2), 87–106. Nuoroda

2. Majithia, C. ir Doyle, B. (2020). Kaip dirbtinis intelektas galėtų pakeisti ekonominį prognozavimą . TVF . Nuoroda

3. Wu, J., Jiang, X. ir Leahy, K. (2020). AI ekonomistas: lygybės ir produktyvumo gerinimas taikant dirbtiniu intelektu pagrįstą mokesčių politiką . NeurIPS . Nuoroda

4. „McKinsey & Company“. (2021). Kaip dirbtinis intelektas sprendžia mažmeninės prekybos tiekimo grandinės iššūkius . Nuoroda.

5. Angwin, J., Larson, J., Kirchner, L. ir Mattu, S. (2016). Mašinos poslinkis . ProPublica . Nuoroda