Mākslīgais intelekts ekonomikai — labākā izvēle

Augstskola. Es joprojām atceros vienu testa versiju, kurā mans neironu tīkls pārspēja manu regresijas modeli par 20%. Bez jokiem – es tikko biju iztērējis nedēļām ilgu ekonometrijas kursu darbu un milzīgu mācību grāmatu daudzumu. Tas brīdis? Spuldzīte. Mākslīgais intelekts iesaistās, kad sarežģītība kļūst nekārtīga – kad uzkrājas nenoteiktība, uzvedības un modeļu haoss.

• Rakstu atpazīšana : Dziļie tīkli sērfo pa pazīmju okeāniem un atrod korelācijas, kuru pamanīšanai ekonomistiem būtu nepieciešams tūkstoš kafijas tasīšu [1].

• Datu apstrāde : Aizmirstiet par mainīgo manuālu atlasi — mašīnmācīšanās dzinēji vienkārši aprij visu [1].

• Nelineāra analīze : Viņi nemirkšķina, kad cēlonis un sekas zigzaga veidā mainās. Sliekšņa efekti? Asimetrija? Viņi saprot [2].

• Automatizācija : Cauruļvadu maģija. Tīrīšana, apmācība, regulēšana — tas ir kā praktikanti, kuri nekad neguļ.

Protams, mēs joprojām esam neobjektīvais pirmkods. Māci to nepareizi, un tas mācās nepareizi. Tā emocijzīmes acs mirkšķināšana? Tas ir pamatoti. 😉

Raksti, kurus jūs varētu vēlēties izlasīt pēc šī raksta:

🔗 Darbi, kurus mākslīgais intelekts nevar aizstāt un aizstās.
Globāla analīze par mākslīgā intelekta ietekmi uz pašreizējām un nākotnes darbiem.

🔗 Labākais mākslīgais intelekts finanšu jautājumiem.
Labākie mākslīgā intelekta rīki, kas sniedz viedu un precīzu finanšu ieskatu.

🔗 Mākslīgā intelekta darbināti pieprasījuma prognozēšanas rīki biznesa stratēģijai.
Rīki, kas palīdz uzņēmumiem prognozēt pieprasījumu un efektīvi plānot stratēģijas.

Salīdzināšanas tabula: mākslīgā intelekta rīki ekonomikai

Prognozējošā modelēšana tiek pārveidota 🧠

Regresijai bija labs skrējiens. Bet ir 2025. gads, un:

• Neironu tīkli tagad pielāgojas ekonomiskajām pārmaiņām kā viļņu sērfotāji — prognozējot inflāciju ar neparastu laiku [2].

• NLP cauruļvadi meklē Reddit un Reuters patērētāju nervozitāti un slēptas noskaņojuma svārstības.

• Uz aģentiem balstīti modeļi nepieņem pieņēmumus – tie pārbauda katru "kas būtu, ja" scenāriju, vadot veselas sabiedrības in silico.

Rezultāts? Prognozēšanas kļūdu samazinājums par 25 % atkarībā no tā, kurš veic mērījumus [2]. Mazāk minējumu. Pamatotāka nākotne.

Uzvedības ekonomika satiekas ar mašīnmācīšanos

Te nu lietas kļūst… īpatnējas. Bet izcilas.

• Iracionāli modeļi : klasteri rodas, kad patērētāji uzvedas kā, nu, cilvēki.

• Lēmumu nogurums : jo ilgāk cilvēks iepērkas, jo sliktākas ir viņa izvēles. Modeļi fiksē izbalēšanu.

• Mikro-makro saites : Jūsu kafijas pirkums? Tie ir dati. Un kad tie tiek apkopoti? Agrīnie signāli – skaļi.

Un tad vēl ir dinamiskā cenu noteikšana — iepirkumu grozs mainās ik sekundi. Šausminoši? Varbūt. Bet tas darbojas.

Mākslīgais intelekts ekonomikas politikas izstrādē

Politikas modelēšana vairs nav iesprūdusi izklājlapās.

“AI ekonomistu vide apguva progresīvu nodokļu politiku, kas uzlaboja vienlīdzību un produktivitāti par 16 % salīdzinājumā ar statiskajām sākotnējām vērtībām” [3].

Vienkārši sakot: algoritmi spēlēja "smilškastes" valdības - un radīja labākus nodokļu iestatījumus. Budžeta ierobežojumi joprojām ir spēkā. Bet tagad jūs varat izveidot politikas prototipu kodā, pirms to ieviest reālajā ekonomikā.

Reālās pasaules ekonomikas pielietojumi 🌍

Nekas no tā nav vaporware. Tas tiek ieviests – klusi, efektīvi, visur:

• Centrālās bankas izmanto mašīnmācīšanās vadītus stresa modeļus, lai pārbaudītu finanšu plaisas, pirms tās paplašinās [2].

• Mazumtirgotāji samazina preču trūkumu noliktavā, izmantojot paredzamās krājumu papildināšanas sistēmas [4].

• Kredītreitingu speciālisti iegūst alternatīvus datus (piemēram, jūsu telefona rēķinu), lai atvērtu kredītvēstures iespējas vairāk cilvēkiem.

• Darba analītiķi vēro darba sludinājumu plūsmas kā vanagi, lai novērstu kvalificētu darbinieku trūkumu.

Tas nav kaut kas, kas notiks kādreiz. Tas ir tagad.

Ierobežojumi un ētiskas mīnas

Laiks aukstam reālisma pieskārienam:

• Neobjektivitātes pastiprināšana : ja jūsu datu kopa ir netīra, arī jūsu prognozes ir netīras. Un vēl ļaunāk — tās ir mērogojamas [5].

• Necaurredzamība : Nevarat to izskaidrot? Neizmantojiet to. Svarīgiem zvaniem ir nepieciešama caurspīdīgums.

• Sacensību spēles : Boti spēlē jūsu modeli kā vijoli? Jā, tas ir risks.

Tātad, jā, ētika nav tikai filozofiska – tā ir infrastruktūra. Margas ir svarīgas.

Kā sākt izmantot mākslīgo intelektu savā ekonomiskajā darbā

Nav nepieciešams doktora grāds vai neironu implants. Vienkārši:

1. Iejūties ērti ar Python — pandas, scikit-learn, TensorFlow. Tie ir īstie MVP.

2. Veikt reidus atvērto datu glabātuvēs — Kaggle, SVF, Pasaules Banka. Tās ir pilnas ar zeltu.

3. Piezīmju grāmatiņu kārtošana — Google Colab ir jūsu rotaļu laukums bez instalēšanas.

4. Sekojiet domātājiem — X (fui, agrāk Twitter) un Substack ir dārgumu kartes.

Pat neveikls Reddit noskaņojuma parsētājs var pateikt kaut ko tādu, ko Bloomberg terminālis nevar pateikt.

Nākotne ir paredzama, nevis perfekta

Mākslīgais intelekts nav brīnums. Bet zinātkāra ekonomista rokās? Tas ir instrumentu komplekts niansēm, paredzēšanai un ātrumam. Apvienojiet intuīciju ar aprēķiniem, un jūs vairs neminēsiet – jūs gaidīsiet.

📉📈

Atrodiet jaunāko mākslīgo intelektu oficiālajā mākslīgā intelekta palīgu veikalā

Par mums

Atsauces

1. Mullainathan, S. un Spiess, J. (2017). Mašīnmācīšanās: lietišķā ekonometriskā pieeja . Journal of Economic Perspectives , 31(2), 87.–106. lpp

2. Majithia, C. un Doyle, B. (2020). Kā mākslīgais intelekts varētu pārveidot ekonomikas prognozēšanu . SVF . Saite

3. Vu, J., Dzjans, S. un Līhija, K. (2020). AI ekonomists: Vienlīdzības un produktivitātes uzlabošana ar AI vadītu nodokļu politiku . NeurIPS . Saite

4. McKinsey & Company. (2021). Kā mākslīgais intelekts risina mazumtirdzniecības piegādes ķēdes problēmas . Saite.

5. Angwin, J., Larson, J., Kirchner, L. un Mattu, S. (2016). Mašīnas novirze . ProPublica . Saite