Использование искусственного интеллекта для прогнозирования макроэкономических показателей

Автор: Курбанов А.Е., Аджиева А.Ю.

Журнал: Экономика и бизнес: теория и практика @economyandbusiness

Статья в выпуске: 5-1 (111), 2024 года.

Бесплатный доступ

В статье исследуются инновации в сфере больших данных, анализа и прогнозирования экономических показателей с использованием искусственного интеллекта. Показана история становления прогнозирования экономических показателей. Большое место в работе занимает рассмотрение сущности и преимуществ искусственного интеллекта. В статье даётся характеристика методов прогнозирования, используемая для обучения искусственного интеллекта. Главное внимание обращается на то, какую пользу может принести искусственный интеллект органам, которые производят прогнозы экономических показателей.

Искусственный интеллект, денежно-кредитная политика, прогноз, макроэкономика, инновации, автоматизация

Короткий адрес: https://sciup.org/170204658

IDR: 170204658   |   DOI: 10.24412/2411-0450-2024-5-1-252-255

Текст научной статьи Использование искусственного интеллекта для прогнозирования макроэкономических показателей

С развитием интернета увеличились и объемы получаемой информации. Так государственные органы с каждым годом вынуждены собирать и анализировать все больший объем информации с целью построения более качественных моделей развития государства. С этой целью повышается информатизация источников сбора информации путем создания более продвинутых систем, инструментов и методик. Так с каждым годом увеличивается бюджет на развитие отрасли информационных технологий и повышается востребованность специалистов данной отрасли. Все эти действия направлены на повышение качества и количества собранной информации. Так как на основе собранной информации о жизнедеятельности государства строят свои прогнозы такие органы как: Центральный Банк РФ, Правительство РФ, Министерство экономического развития и другие, то необходимо не только правильно собирать информацию, но и ее обрабатывать.

Обработка информации - это очень важная стадия анализа, так, ее можно совершать несколькими путями:

  • -    ручная;

  • -    полуавтоматизированная;

  • -    автоматизированная.

Данные виды обработки информации могут иметь свои плюсы и минусы, поэтому остановимся на каждой категории, чтобы понять необходимость того или иного способа и историю развития данной сферы.

Ручная обработка стала первой в виду того, что в древние времена это был единственный возможный способ. Такая обработка данных осуществлялась путем взращивания квалифицированных кадров, которые разрабатывали инновационные методики анализа, с каждым разом повышая его качество. Однако, чем больше становилось информации, тем больше требовалось специалистов, а с увеличением специалистов появлялось все больше разногласий и различных трактовок полученной информации. Данный способ хорошо себя проявлял и оставался единственным вплоть до XX века, когда появились компьютеры и программное обеспечение, которое позволяло ускорить и повысить качество анализа и прогнозов.

Так человечество плавно перешло на следующий этап - полуавтоматизирован-ная обработка информации. Благодаря компьютерам люди делегировали процесс вычислений сложных формул и выражений, так государственные органы по всему миру стали замечать новые тенденции и процессы. С развитием данного метода все чаще стали необходимы все более и более быстрые вычислительные машины. Так человечество изобрело суперкомпьютеры. Благодаря этой инновации еще больше вычислений делегировалось на технику и прогнозы стали носить более вероятный характер. Так, например, в сфере прогнозирования погодных условий вероятность прогноза погоды на неделю стала доходить до 95%, что повысило урожайность сельского хозяйства и снизило количество аварий и инцидентов из-за неожиданного изменения погодных условий. Так как вычислениями занимались машины, то людям приходится брать на себя вторую часть работы – интерпретация результата. С развитием данного подхода появилась необходимость во все большей квалификации специалистов и в разрешении конфликтов различных интерпретаций. Для снижения стоимости и сложности прогнозирования специалисты сферы информационных технологий трудились над созданием возможности машины “думать” и принимать решения на основе этой информации.

Таким образом постепенно на смену полу автоматизированной обработке информации приходит автоматизированная, где ключевую роль играет искусственный интеллект. Сам же искусственный интеллект – это не новшество, первые упоминания о нем относятся к 1943 году, когда ученые У. Мак-Каллок и У. Питтс опубликовали статью «Логическое исчисление идей, относящихся к нервной активности», в которой определили понятие искусственная нейронная сеть (далее ИИ). Однако воплотить в жизнь данную идею не было так просто, и сфера нейронных сетей развивалась медленными темпами до того момента, как вычислительная способность компьютера не стала достигать необходимого для инноваций размера и с начала XXI века фокус и программ сместился в сторону ИИ. Особенностью работы ИИ является его возможность симулировать умственную деятельность. Таким образом компьютер научился не только вычислять, но и интерпретировать результат. Однако на этом пути встала сложность в понима- нии того, как мыслит человек, чтобы научить мыслить и машину.

В настоящий момент множество специалистов трудятся над решением данной проблемы и передовой технологий стал генеративный ИИ. Его особенностью является то, что он обучается на максимально возможном объеме информации и после выдает ответы, собранные из разных источников воедино. Такой ИИ не может создать новое, он может только комбинировать доступную ему информацию.

Такой ИИ в настоящий момент используется во многих системах и находится, в том числе, на вооружении у организаций занимающимся экономикой. Далее стоит обсудить роль ИИ в прогнозировании экономики.

Как было сказано выше, ИИ может интерпретировать результат своей деятельности. Таким образом ИИ обученный на огромном наборе экономической информации может не только проводить вычисления и возвращать результат своей деятельности, который будет на уровне среднего по образованию и опыту специалиста. Так, ИИ может существенно сэкономить ресурсы на легкую и среднюю по сложности деятельность.

Преимущества и недостатки ИИ над специалистами в сфере экономики:

  • -    Преимущества:

  • 1.    Можно переобучить на новом наборе информации;

  • 2.    Работает без усталости и с одинаковой эффективностью;

  • 3.    Имеет одинаково высокую точность исследований независимо от условий;

  • 4.    С каждым годом ИИ становится умнее за счет труда специалистов со всего мира;

  • 5.    Возможность обрабатывать в реальном времени огромное количество информации и обновлять прогнозы в соответствии с этим.

  • - Недостатки:

  • 1.    Необходима команда высококвалифицированных специалистов для поддержки работы ИИ и его развития;

  • 2.    В настоящий момент качество ответов недостаточно высоко, чтобы прини-

  • мать решения на основе такого ИИ без проверки его ответа;
  • 3.    Высокая изменчивость технологий данной сферы.

Таким образом, можно сказать, что ИИ уже в настоящий момент может приносить пользу и им заинтересованы большое количество организаций по всему миру.

Далее стоит перейти непосредственно к методам, благодаря которым ИИ может прогнозировать экономические тенденции.

Регрессионный анализ позволяет установить связь между зависимой переменной (ВВП, инвестиции и т.п.) и независимыми переменными (инфляция, безработица и т.п.) на основе исторических данных. Таким образом регрессионный анализ является одним из основных методов машинного обучения для экономического прогнозирования.

Существует несколько видов и способов регрессионного анализа, некоторые из них:

  • -    Модель простой линейной регрессии. Метод, в рамках которого зависимая переменная предсказывается на основе одной независимой. Такой подход обычно используются для определения зависимости между двумя показателями, например ВВП и инфляция.

  • -    Мультипликативная и аддитивная модели временных рядов. В данной модели анализируется зависимость между несколькими переменными на протяжении временного ряда. Данный подход позволяет ИИ делать прогнозы экономического развития.

  • -    Кратко- и долгосрочные модели. Позволяют при прогнозировании учитывать необходимые факторы.

  • -    Дополнительные показатели и данные. Благодаря регрессионному анализу можно включить дополнительные факторы в расчеты, такие как политические факторы, торговые соглашения и т.д.

Помимо регрессионного анализа широко распространен метод ансамбля, в рамках которого комбинируется несколько алгоритмов. Данный подход позволяет извлечь пользу из разных алгоритмов и избежать минусов данных алгоритмов, так как алгоритмы могут исправлять ошибки друг друга. Существует несколько способов применения метода ансамбля:

  • -    Совокупное голосование, когда происходит анализ результатов нескольких моделей. Такой подход позволяет учесть различные точки зрения и улучшить качество прогноза.

  • -    Бэггинг - когда несколько моделей обучаются на разных данных, а после их прогнозы комбинируются. Такой подход позволяет повысить стабильность прогнозов и снизить дисперсию.

  • -    Бустинг - процесс создания последовательности слабых моделей, каждая из которых исправляет ошибки предыдущей.

  • -    Случайные леса. Подход, когда происходит строительство каждого дерева на разной выборке данных, а после прогнозы каждого дерева объединяются и получается окончательный результат. Данный подход позволяет учесть взаимосвязи между различными факторами.

  • 2.    Драгуленко, В.В. Применение искусственного интеллекта в прогнозировании экономического роста / В.В. Драгуленко, В.А. Иванников, В.С. Унанян // Вестник Тихоокеанского государственного университета. – 2023. – № 4(71). – С. 79-90. – EDN EVLLYI.

  • 3.    Бабаева, А.В. Применение методов искусственного интеллекта в прогнозировании финансового состояния кредитных организаций / А.В. Бабаева, В.Л. Литвинов // Актуальные проблемы инфотелекоммуникаций в науке и образовании: сборник научных статей: в 4х томах, Санкт-Петербург, 24-25 февраля 2021 года. Том 2. – Санкт-Петербург: Санкт-Петербургский государственный университет телекоммуникаций им. проф. М.А. Бонч-Бруевича, 2021. – С. 55-59. – EDN KWRRPT.

  • 4.    Белых Т.И. Использование способа реализации искусственного интеллекта в прогнозировании / Т.И. Белых, А.В. Бурдуковская // Известия БГУ. – 2018. – №3. – С. 500-507.

Таким образом оба вышеперечисленных подхода позволяют создавать высокоточные и надежные прогнозы и замечать взаимодействие различных факторов. Данные подходы являются наиболее инновационными и позволяют экономическим институтам значительно увеличить скорость и качество прогнозирования.

Подводя итог вышесказанному, можно отметить, что долгое время человечество использовало ручной труд для анализа экономики, однако в современном мире смещается фокус с ручного на машинный анализ. Благодаря алгоритмам и моделям, которые придумали экономисты и математики ИИ научился проводить моделирование экономики и экономических процессов, что повысило его значимость не только для организаций, но и для государственных органов. Так, в настоящий момент весь мир занимается развитием нового направления повышая качество и скорость работы ИИ. Рассматривая полезность ИИ для государства, можно отметить, что с наличием большой выборки данных и высококвалифицированных специалистов государство может значительно сокращать ресурсы на прогнозирование и повысить оперативность прогнозов. Рассматривая же перспективы внедрения ИИ во все сферы жизнедеятельности, то можно отметить, что все организации и государства инвестируют большие средства в данную сферу, так как ИИ может дать большое преимущество над конкурентами и снизить издержки. Таким образом перспективы внедрения и развития ИИ в экономическом прогнозировании велики и уже сейчас становятся обыденной реальностью.

Список литературы Использование искусственного интеллекта для прогнозирования макроэкономических показателей

  • Применение искусственного интеллекта на финансовом рынке / Доклад для общественных консультаций. - Москва, 2023.
  • Драгуленко, В.В. Применение искусственного интеллекта в прогнозировании экономического роста / В.В. Драгуленко, В.А. Иванников, В.С. Унанян // Вестник Тихоокеанского государственного университета. - 2023. - № 4(71). - С. 79-90. EDN: EVLLYI
  • Бабаева, А.В. Применение методов искусственного интеллекта в прогнозировании финансового состояния кредитных организаций / А.В. Бабаева, В.Л. Литвинов // Актуальные проблемы инфотелекоммуникаций в науке и образовании: сборник научных статей: в 4х томах, Санкт-Петербург, 24-25 февраля 2021 года. Том 2. - Санкт-Петербург: Санкт-Петербургский государственный университет телекоммуникаций им. проф. М.А. Бонч-Бруевича, 2021. - С. 55-59. EDN: KWRRPT
  • Белых Т.И. Использование способа реализации искусственного интеллекта в прогнозировании / Т.И. Белых, А.В. Бурдуковская // Известия БГУ. - 2018. - №3. - С. 500-507. EDN: DVDVCE
Статья научная