هوش مصنوعی برای اقتصاد - بهترین انتخاب‌ها

دوران تحصیلات تکمیلی. هنوز آن یک تست را به یاد دارم که شبکه عصبی من مدل رگرسیون من را 20٪ شکست داد. شوخی نمی‌کنم - من هفته‌ها درس اقتصادسنجی و کلی کتاب درسی را سوزانده بودم. آن لحظه؟ یک جرقه. هوش مصنوعی وقتی وارد عمل می‌شود که پیچیدگی‌ها زیاد می‌شوند - وقتی عدم قطعیت، رفتار و آشفتگی الگو روی هم انباشته می‌شوند.

• تشخیص الگو : شبکه‌های عمیق در میان اقیانوسی از ویژگی‌ها جستجو می‌کنند و همبستگی‌هایی را پیدا می‌کنند که اقتصاددانان برای تشخیص آنها به هزاران فنجان قهوه نیاز دارند [1].

• هضم داده‌ها : انتخاب دستی متغیرها را فراموش کنید - موتورهای یادگیری ماشین کل بوفه را می‌خورند [1].

• تحلیل غیرخطی : وقتی علت و معلول زیگزاگ حرکت می‌کنند، پلک نمی‌زنند. اثرات آستانه‌ای؟ عدم تقارن؟ آنها متوجه می‌شوند [2].

• اتوماسیون : جادوی خط لوله. تمیز کردن، آموزش، تنظیم - مثل این است که کارآموزانی داشته باشید که هرگز نمی‌خوابند.

البته، ما هنوز کد منبع تعصب هستیم. اگر اشتباه آموزش دهیم، اشتباه یاد می‌گیرد. آن ایموجی چشمک؟ توجیه‌پذیر است. 😉

مقالاتی که شاید بعد از این مطلب دوست داشته باشید بخوانید:

🔗 مشاغلی که هوش مصنوعی نمی‌تواند جایگزین آنها شود و جایگزین آنها خواهد شد
تحلیل جهانی تأثیر هوش مصنوعی بر مشاغل فعلی و آینده.

🔗 بهترین هوش مصنوعی برای سوالات مالی
ابزارهای برتر هوش مصنوعی که بینش‌های مالی هوشمند و دقیقی ارائه می‌دهند.

🔗 ابزارهای پیش‌بینی تقاضا مبتنی بر هوش مصنوعی برای استراتژی کسب‌وکار
ابزارهایی که به کسب‌وکارها کمک می‌کنند تقاضا را پیش‌بینی کرده و استراتژی‌ها را به‌طور مؤثر برنامه‌ریزی کنند.

جدول مقایسه: ابزارهای هوش مصنوعی برای اقتصاد

مدل‌سازی پیش‌بینی‌کننده متحول می‌شود 🧠

رگرسیون روند خوبی داشت. اما الان سال ۲۰۲۵ است و:

• شبکه‌های عصبی اکنون مانند موج‌سواران، تغییرات اقتصادی را هدایت می‌کنند و تورم را با زمان‌بندی خارق‌العاده‌ای پیش‌بینی می‌کنند [2].

• خطوط لوله NLP، ردیت و رویترز را برای یافتن نگرانی‌های مصرف‌کنندگان و افزایش احساسات پنهان، کاوش می‌کنند.

• مدل‌های مبتنی بر عامل فرض نمی‌کنند - آنها هر احتمال و فرضی را آزمایش می‌کنند و کل جوامع را در محیط نرم‌افزاری (سیلیکو) اجرا می‌کنند.

نتیجه؟ کاهش ۲۵ درصدی در پیش‌بینی‌های ناموفق، بسته به اینکه چه کسی اندازه‌گیری را انجام می‌دهد [2]. حدس و گمان کمتر. آینده‌های مبتنی بر شواهد بیشتر.

اقتصاد رفتاری با یادگیری ماشینی ترکیب می‌شود

اینجاست که اوضاع... عجیب و غریب اما درخشان می‌شود.

• الگوهای غیرمنطقی : خوشه‌ها زمانی ظاهر می‌شوند که مصرف‌کنندگان مانند انسان‌ها رفتار می‌کنند.

• خستگی تصمیم : هر چه کسی بیشتر در فروشگاه بماند، انتخاب‌های بدتری خواهد داشت. مدل‌ها محو شدن [محصول/محصول/کالا/...] را ثبت می‌کنند.

• پیوندهای خرد-کلان : خرید قهوه شما؟ این داده است. و وقتی جمع می‌شوند؟ سیگنال‌های اولیه - سیگنال‌های بلند.

و بعد قیمت‌گذاری پویا وجود دارد - جایی که سبد خرید شما ثانیه به ثانیه تغییر می‌کند. چندش‌آور؟ شاید. اما کار می‌کند.

هوش مصنوعی در طراحی سیاست‌های اقتصادی

مدل‌سازی سیاست دیگر در صفحات گسترده گیر نکرده است.

«محیط هوش مصنوعی اکونومیست سیاست‌های مالیاتی تصاعدی را آموخت که برابری و بهره‌وری را در مقایسه با سطوح پایه ثابت، 16 درصد بهبود بخشید» [3].

به زبان ساده: الگوریتم‌ها دولت‌ها را در فضای بسته بازی کردند و با تنظیمات مالیاتی بهتری بیرون آمدند. محدودیت‌های بودجه هنوز اعمال می‌شوند. اما اکنون می‌توانید قبل از اجرای سیاست‌ها در اقتصادهای واقعی، آنها را به صورت کد نمونه‌سازی کنید.

کاربردهای اقتصادی در دنیای واقعی 🌍

هیچ‌کدام از این‌ها بخارپز نیست. دارد بی‌سروصدا، کارآمد، همه‌جا پخش می‌شود:

• بانک‌های مرکزی از مدل‌های استرس مبتنی بر یادگیری ماشین برای بررسی شکاف‌های مالی قبل از گسترش آنها استفاده می‌کنند [2].

• خرده‌فروشان با استفاده از سیستم‌های پیش‌بینی‌کننده‌ی موجودی مجدد، نرخ‌های تمام شدن موجودی را کاهش می‌دهند [4].

• اعتبارسنج‌ها داده‌های جایگزین (مثلاً قبض تلفن شما) را بررسی می‌کنند تا درهای اعتباری را برای افراد بیشتری باز کنند.

• تحلیلگران نیروی کار ، جریان‌های آگهی‌های شغلی را با دقت زیر نظر دارند تا از کمبود مهارت جلوگیری کنند.

این یه چیز مربوط به یه روز نیست. مربوط به همین الانه.

محدودیت‌ها و مین‌های زمینی اخلاقی

وقتشه یه کم رئالیسم رو چاشنی کارمون کنیم:

• تقویت سوگیری : اگر مجموعه داده‌های شما کثیف باشد، پیش‌بینی‌های شما نیز کثیف خواهند بود. و بدتر از آن - آنها مقیاس‌پذیر هستند [5].

• ابهام : نمی‌توانید توضیحش دهید؟ آن را اجرا نکنید. تماس‌های حساس به شفافیت نیاز دارند.

• بازی خصمانه : ربات‌ها مدل شما را مثل ویولون می‌نوازند؟ بله، این یک ریسک است.

بله، اخلاق فقط فلسفی نیست - بلکه زیرساختی است. گاردریل‌ها مهم هستند.

چگونه استفاده از هوش مصنوعی را در کار اقتصادی خود شروع کنید

نیازی به دکترا یا ایمپلنت عصبی نیست. فقط:

1. با پایتون راحت باشید - پانداها، سایکیت-لرن، تنسورفلو. آنها MVP های واقعی هستند.

2. به خزانه‌های داده‌های باز - کاگل، صندوق بین‌المللی پول، بانک جهانی - حمله کنید. آنها پر از طلا هستند.

3. دستکاری در نوت‌بوک‌ها - Google Colab زمین بازی بدون نیاز به نصب شماست.

4. متفکران را دنبال کنید - X (اه، قبلاً توییتر) و Substack نقشه گنج دارند.

حتی یک تحلیلگر احساساتِ بی‌تجربه‌ی ردیت هم می‌تواند چیزی را به شما بگوید که یک ترمینال بلومبرگ نمی‌تواند.

آینده قابل پیش‌بینی است، نه کامل

هوش مصنوعی معجزه نیست. اما در دستان یک اقتصاددان کنجکاو؟ ابزاری برای ظرافت، دوراندیشی و سرعت است. شهود را با محاسبات ترکیب کنید، و دیگر حدس نمی‌زنید - پیش‌بینی می‌کنید.

📉📈

جدیدترین هوش مصنوعی را در فروشگاه رسمی دستیار هوش مصنوعی پیدا کنید

درباره ما

منابع

1. مولایناتان، اس. و اسپایس، جی. (2017). یادگیری ماشین: یک رویکرد اقتصادسنجی کاربردی . مجله دیدگاه‌های اقتصادی ، 31(2)، 87-106. لینک

2. مجیثیا، سی. و دویل، بی. (۲۰۲۰). چگونه هوش مصنوعی می‌تواند پیش‌بینی اقتصادی را متحول کند . صندوق بین‌المللی پول . لینک

3. وو، جی.، جیانگ، ایکس.، و لیهی، کی. (۲۰۲۰). اقتصاددان هوش مصنوعی: بهبود برابری و بهره‌وری با سیاست‌های مالیاتی مبتنی بر هوش مصنوعی . NeurIPS . لینک

4. مک‌کینزی و شرکا. (۲۰۲۱). چگونه هوش مصنوعی چالش‌های زنجیره تأمین خرده‌فروشی را حل می‌کند . لینک

5. انگوین، جی.، لارسون، جی.، کرچنر، ال.، و ماتو، اس. (2016). تعصب ماشین . ProPublica . پیوند