Защо изчислителният интелект не взема решения за портфейл

Системи за обучение срещу системи за вземане на решения - и защо архитектурите за глобална оптимизация са отделна категория

Обобщение

През последните години терминът "изкуствен интелект" се превърна в общ термин за почти всяка форма на подпомагане на вземането на решения, основано на данни. Дълбокото обучение, невронните мрежи, обучението с подсилване и свързаните с тях методи все повече се разбират като универсални решения на проблеми - също и в контекста на стратегическите инвестиционни и портфейлни решения.

Това уравнение обаче е структурно неправилно.

Изчислителният интелект (ИИ) - състоящ се по същество от невронни мрежи, еволюционни алгоритми, роеви интелект, размити системи и вероятностни методи - исторически се е появил като отговор на неточни, нелинейни и стохастични проблеми от реалния свят. Системите за КИ изучават модели, приблизителни функции и се адаптират към нови данни.

Портфейлните и инвестиционните решения обаче следват различна логика.

Те не са проблеми, свързани с разпознаване на модели. Те са комбинаторни оптимизационни проблеми при ограничения, бюджетни ограничения, взаимозависимости и регулаторни рамкови условия. Докато системите за обучение изчисляват вероятности, системите за вземане на решения трябва да вземат решения за дискретен подбор - в експоненциално нарастващи пространства за вземане на решения.

Разликата е фундаментална.

В този документ се анализира структурната разлика между адаптивните системи за обучение и архитектурите за глобално вземане на решения, обяснява се математическата природа на експоненциалните пространства за портфейли и се показва защо предварителната глобална оптимизация е самостоятелна категория на алгоритмичната интелигентност.

1. Погрешно схващане: разпознаването на образи не е решение

Успехите на съвременните системи за изкуствен интелект са неоспорими. Езиковите модели генерират последователни текстове. Системите за разпознаване на изображения идентифицират обекти с висока точност. Архитектурите за обучение с усилване побеждават световните шампиони в сложни игри.

Тези системи обаче решават специфичен проблем:

Те апроксимират неизвестна функция въз основа на наблюдавани данни.

Формално погледнато, те минимизират член на грешката между прогнозата и реалността. Целевата стойност е статистическа. Качеството се измерва с помощта на точност, функции на загуба или доверителни интервали.

Решенията за портфейл имат различна структура.

Тук няма непрекъсната целева променлива, която да се апроксимира. Вместо това има набор от дискретни опции, които или се избират, или не се избират. Всяка комбинация променя бюджета, риска, използването на ресурсите и стратегическата посока.

Един прост пример илюстрира разликата:

Една невронна мрежа може да предвиди с голяма вероятност как ще се развие даден пазарен сегмент. Въпреки това решението кои 12 от 47 възможни инвестиционни проекта ще бъдат реализирани в рамките на бюджет от 100 млн. евро не е проблем за прогнозиране, а проблем за комбинаторен подбор.

Системата не трябва да научава как изглежда даден модел. Тя трябва да изчисли глобален подбор при определени ограничения.

Тази структурна разлика се пренебрегва в много организации.

2. Системи за обучение срещу системи за вземане на решения

За да се разбере точно разликата, е необходимо систематично сравнение.

Системи за учене

• Оптимизират функциите на статистическата грешка
• Работят с данни за обучение и тестване
• Осигуряват вероятности или непрекъснати изходи
• Често са стохастични
• Нямат присъща логика на ограниченията
• Не гарантират глобална оптималност на решението

Системи за вземане на решения

• Оптимизират дискретна целева функция
• Разглеждат трудни ограничения
• Работят в пълно пространство на комбинации
• Изискват граници и логика на доминиране
• Изискват глобална съгласуваност
• Може да предостави сертификати за оптималност

Разликата не е в "нивото на интелигентност", а в класа на проблема.

Обучаващите системи отговарят на въпроса:

Какво е вероятно?

Системите за вземане на решения отговарят на въпроса:

Коя комбинация е оптимална?

3. Експоненциалното пространство за вземане на решения

Основното математическо предизвикателство при вземането на решения за портфейл е експоненциалната комбинаторика.

При N проекта има ^2N възможни комбинации.

• 10 проекта → 1 024 комбинации
• 20 проекта → 1 048 576 комбинации
• 30 проекта → 1,073,741,824 комбинации
• 50 проекта → над 1 квадрилион комбинации

Всяка от тези комбинации представлява потенциално разпределение на капитала със собствен профил на риска и възвръщаемостта.

Освен това има

• Бюджетни ограничения
• логически зависимости
• Ограничения на ресурсите
• стратегически приоритети
• регулаторни изисквания

Проблемът не е в прогнозирането на стойностите на отделните проекти. Проблемът е в едновременната оценка на всички допустими комбинации.

Евристичните методи търсят части от това пространство. Точните методи го структурират систематично.

4. Евристични методи и техните структурни ограничения

Еволюционните алгоритми, роевият интелект и други методи на КИ използват стратегии за търсене, базирани на популация.

Те са ефективни, ако:

• Пространството за търсене е непрекъснато
• Приближаването е достатъчно
• Не се изисква доказване на оптималност

Те обаче не гарантират, че ще бъде намерен глобалният оптимум. Те дават добри решения - не непременно най-добрите.

Това е приемливо за класификацията на изображения.

За инвестиционни решения за много милиарди долари възниква друг въпрос, свързан с управлението.

5. Прецизни архитектури за оптимизация

Това е мястото, където започва друг клас алгоритмични системи.

Смесеното целочислено програмиране позволява да се моделират дискретни решения при линейни ограничения.

Разклоненията и границите систематично разбиват пространството за търсене и математически изключват несъществените области.

Програмирането с ограничения използва логическа последователност, за да намали комбинаторната експлозия.

Стохастичното програмиране формално интегрира неопределеността в модела на оптимизация.

Устойчивата оптимизация защитава от най-лошите сценарии.

Теорията на глобалната оптимизация предоставя доказателства за сходимост и сертификати за оптималност.

Тези методи не са алгоритми за обучение. Те са архитектури за вземане на решения.

6. Управление и отчетност

Стратегическите инвестиционни решения са свързани не само с точността, но и с отчетността.

Един приблизителен резултат може да бъде правдоподобен. Той обаче не може да докаже, че не съществува по-добра алтернатива.

Подходът за глобална оптимизация може - при определени предположения - да предостави доказателство за оптималност.

Тази разлика е от значение от гледна точка на регулирането, отговорността и стратегията.

7. От изкуствен интелект към интелигентност на решенията

Не всяка интелигентна система е система за вземане на решения.

Интелигентността при вземане на решения в смисъла на глобалната оптимизация на портфейла означава

• Пълен анализ на пространството на комбинациите
• Формиране на структурни бариери
• Елиминиране на доминантността
• Предварително изчисляване на оптималните конфигурации

Това не е разширение на машинното обучение. Това е различна категория алгоритмична архитектура.

Докато системите за обучение извличат знания, системите за вземане на решения конструират оптимални състояния.

Разграничението е фундаментално.

8. Математиката зад решенията за портфейл

За да се разбере напълно структурната разлика между системите за учене и архитектурите за вземане на решения, трябва изрично да се разгледа математическият характер на портфейлните решения.

Едно стратегическо инвестиционно решение може да бъде формално представено като оптимизационен проблем:

Максимизиране: f(x)

При ограничения:

• Ax ≤ b (бюджетни и ресурсни ограничения)
• x ∈ {0^,1}N (дискретен избор)
• логически зависимости между проектите
• Ограничения на риска
• минимални стратегически изисквания

Векторът на решенията x описва кои проекти се избират. Всяка променлива може да приеме само две състояния: да се реализира или да не се реализира.

Целевата функция може да съдържа няколко измерения:

• Възвръщаемост на инвестициите
• Профил на паричния поток
• Ключови данни за риска
• стратегически приоритет
• Капиталов ангажимент

Дори умерен брой проекти създава комбинаторно пространство, което нараства експоненциално. Това свойство не е софтуерен проблем. То е математически присъщо.

Една обучаваща се система би се опитала да прогнозира стойностите на проектите.

Една система за вземане на решения обаче трябва да оцени всички допустими комбинации при ограничения.

Това е структурната разлика.

9. Защо приближението не е същото като оптималността

Евристичните методи могат да намерят много добри решения. В много технически приложения те са ефикасни и достатъчни.

Има обаче качествена разлика между "много добро" и "глобално оптимално".

Приблизителното решение отговаря на въпроса:

Добро ли е това решение?

Глобалната оптимизация отговаря на въпроса:

Съществува ли по-добро решение?

Тази разлика не е семантична, а структурна.

Финансовият директор не трябва да знае дали дадена инвестиционна комбинация изглежда правдоподобна. Той трябва да знае дали тя е най-добрата налична алтернатива при дадените ограничения.

Без пълно или систематично ограничено търсене в пространството на решенията този въпрос остава без отговор.

10. Разклонения и ограничения и структурни ограничения

Методите на разклоненията и ограниченията са пример за това как експоненциалното пространство за търсене може да бъде структурно контролирано.

Пространството се разделя на подпространства (разклонения). За всяко подпространство се изчислява горна и долна граница (ограничаване).

Ако дадена граница докаже, че не може да се намери по-добър резултат от най-добрия до момента, това подпространство се изключва.

Това не е евристично търсене, а математическо изключване.

Тази логика е от решаващо значение:

Системата не трябва да оценява напълно всяка комбинация. Тя обаче трябва да докаже, че неоценените комбинации не надвишават оптимума.

Това е структурно различно от стохастичното търсене.

11. Смесено-целочислено програмиране като модел за вземане на решения

Смесено-числовото програмиране (MIP) предоставя формална рамка за моделиране, която позволява да се комбинират дискретни и непрекъснати променливи.

Тя позволява

• точно картографиране на бюджетните ограничения
• логически зависимости на проекта
• Ограничения на капацитета
• линейни и нелинейни целеви променливи

В комбинация с процедурите за разклоняване и ограничаване или за рязане на равнини се създава архитектура за вземане на решения, която не само намира решения, но и удостоверява тяхната оптималност.

Това е от особено значение, когато решенията са капиталоемки или чувствителни към нормативната уредба.

12. Несигурност: стохастична срещу устойчива

Много организации твърдят, че несигурността прави точната оптимизация невъзможна.

Това е погрешно разбиране.

Стохастичното програмиране изрично интегрира сценариите в модела. Стабилната оптимизация дефинира величините на несигурността и оптимизира спрямо най-лошия случай.

Несигурността не се пренебрегва. Тя се моделира официално.

Това отличава структурираната архитектура за вземане на решения от апроксимациите, основани единствено на данни.

13. Управление и одитируемост

Стратегическите решения все повече подлежат на регулаторен контрол.

Възникват въпроси:

• Защо проект А е реализиран, а проект Б не?
• Бяха ли разгледани всички алтернативи?
• Оптимално ли е използван бюджетът?
• Съществува ли разбираем процес на вземане на решения?

Евристичните системи често не осигуряват пълна прозрачност за отхвърлените алтернативи.

От друга страна, архитектурите за глобална оптимизация предоставят документация:

• Намаляване на пространството за търсене
• Отношения на доминиране
• Доказателства за границите
• Сертификати за оптималност

Това създава възможност за одит и проследяване.

14. Интелигентност на решенията като независима категория

Интелигентността на решенията не е подкатегория на машинното обучение.

Тя е независим клас алгоритмични системи, които:

• моделират пълни пространства за вземане на решения
• използват комбинаторни структури
• Интегрират ограничения
• налагат глобална последователност
• Дават възможност за доказване на оптималност

Докато системите за обучение изчисляват вероятности, интелигентността на решенията конструира оптимални състояния.

15. Предварително вместо последващо

Много организации анализират решенията ex post.

Предварителната оптимизация означава

Най-добрата конфигурация се изчислява, преди да се ангажира капитал.

Това не само намалява алтернативните разходи, но и структурните грешки в разпределението.

16. От комбинаторна експлозия към структурна управляемост

Експоненциалните пространства не са нерешими.

Те са предизвикателство.

Чрез:

• Елиминиране на доминирането
• Формиране на бариери
• Използване на излишъка
• Паралелизация
• Структурен анализ

пространството за вземане на решения може да бъде систематично намалено.

Това обаче изисква архитектура, която е проектирана за структура на решенията, а не за разпознаване на образи.

17. Ролята на StratePlan

StratePlan е проектиран като глобална архитектура за вземане на решения.

Тя не е модел за прогнозиране и не е чиста система за машинно обучение.

Архитектурата анализира пълни пространства за комбиниране на портфейли при ограничения, бюджетни ограничения и многоцелеви изисквания.

Глобалният оптимум се изчислява предварително чрез систематично формиране на ограничения, намаляване на комбинаторната структура и алгоритмично използване на излишъците.

Не е правдоподобно. Не е симулирано. Не се апроксимира.

Но структурно определен.

18. Гледната точка на финансовия директор: разпределението на капитала като оптимизационен проблем

За финансовите директори капиталът не е статистическа очаквана стойност, а оскъден ресурс.

Всяка инвестиция има алтернативни разходи.

Неоптимизирана комбинация означава

• пропуснати ползи
• ненужен капиталов ангажимент
• стратегическо претегляне

Предварителната глобална оптимизация трансформира разпределението на капитала от правдоподобно решение в изчислено решение.

19. Заключение: Не всяка интелигентна система взема оптимални решения

Компютърната интелигентност е мощна и незаменима в много области.

Тя обаче решава предимно проблеми, свързани с обучението.

Портфейлните и инвестиционните решения са структурно комбинаторни оптимизационни проблеми.

Те изискват архитектури за вземане на решения, които:

• разглеждат цялото пространство
• Интегрират ограниченията
• Формално моделират несигурността
• могат да докажат глобална оптималност

Интелигентността на решенията започва там, където свършва приближаването.

Глобалният оптимум не е мнение.

Той е свойство на данните - и на структурата на пространството за вземане на решения.

Често задавани въпроси - Системи за обучение, системи за вземане на решения и глобална оптимизация на портфейли

1. Не е ли изчислителният интелект вече достатъчно мощен за вземане на портфейлни решения?

Изчислителният интелект е изключително мощен в много области на приложение - особено в разпознаването на образи, прогнозирането и адаптивното управление. Решенията за портфейл обаче представляват различен клас проблеми.

Докато системите за КИ изчисляват вероятности или приблизителни решения, решенията за портфейл изискват дискретен избор на оптимална комбинация при ограничения. Математическата структура е коренно различна: прогнозирането е непрекъснат проблем за апроксимация, а изборът на портфейл е комбинаторен проблем за оптимизация.

КИ може да осигури подкрепа. Тя обаче не замества глобалната архитектура за вземане на решения.

2. Защо едно "много добро" решение не е достатъчно?

В оперативните приложения едно много добро решение може да е достатъчно. При капиталоемките стратегически решения обаче е от решаващо значение дали съществува по-добра алтернатива.

Едно евристично решение може да изглежда правдоподобно. То обаче не може да докаже, че не съществува по-добра комбинация в рамките на допустимите ограничения.

Глобалната оптимизация дава отговор точно на този въпрос.

3. Не са ли експоненциалните пространства за вземане на решения фундаментално нерешими?

Експоненциалните пространства за вземане на решения са предизвикателство, но не са нерешими. Пълното изброяване на всички комбинации често не е необходимо на практика.

Ефективното пространство за търсене може да бъде драстично намалено чрез създаване на граници, отношения на доминиране, редуциране на структурата и систематични методи за търсене, като например "разклони и свържи".

Въпросът не е дали пространството нараства експоненциално - а дали съществува архитектура, която може да го контролира структурно.

4. Какво отличава метода "клони и граници" от евристичното търсене?

Евристичното търсене оценява образци в пространството за вземане на решения. Разклоненията и границите систематично разлагат пространството и математически изключват подпространства, ако те не могат да надхвърлят оптимума.

Решаващата разлика се състои в доказването на оптималността. Евристиката намира добри решения. Разклоненията и границите могат да докажат, че не съществува по-добро решение.

5. Не е ли смесено-целочисленото програмиране твърде бавно за големи портфейли?

Смесено-целочисленото програмиране е изчислително интензивно. Съвременните решаващи програми обаче комбинират разклонения и граници, планове за рязане, евристики и паралелизация.

Освен това решимостта зависи не толкова от чистия размер на задачата, колкото от структурата на модела. Структурираните модели на портфейли често могат да се решават много по-ефективно, отколкото биха предполагали неструктурираните пространства за търсене.

Решаващият фактор е архитектурата - не само броят на променливите.

6. Как се отчита несигурността при глобалната оптимизация?

Несигурността може да бъде формално интегрирана, например чрез

• стохастично програмиране с дървета на сценариите
• Оптимизация на очакваната стойност
• Условна стойност при риск (CVaR)
• стабилна оптимизация спрямо несигурните величини

По този начин несигурността не се пренебрегва, а се моделира изрично.

7. Означава ли глобалната оптимизация детерминистична твърдост?

Не. Детерминистична в този контекст не означава твърда, а разбираема и структурно последователна.

Моделът за глобална оптимизация може да се параметризира гъвкаво. Промените в предположенията водят до нови изчислени оптимуми. Гъвкавостта се крие в параметрите, а не в произволността на решението.

8. По какво се различава интелигентното вземане на решения от машинното обучение?

Машинното обучение извлича модели от данни и генерира прогнози. Decision Intelligence моделира пространства за вземане на решения и изчислява оптимални състояния при ограничения.

Машинното обучение отговаря на въпроса: "Какво е вероятно?"

Decision Intelligence отговаря на въпроса: "Коя допустима комбинация максимизира целевата стойност?"

И двете могат да се комбинират - но решават различни класове проблеми.

9. Може ли машинното обучение да бъде част от архитектурата за вземане на решения?

Да, моделите за прогнозиране могат например да предоставят входни параметри за модел за оптимизация, като например очаквани парични потоци или стойности на риска.

Самата оптимизация обаче остава независима стъпка, която изчислява решения за дискретен избор при ограничения.

10. Защо управлението е ключов аргумент в полза на глобалната оптимизация?

Стратегическите инвестиционни решения все повече подлежат на регулаторен контрол и вътрешен одит.

Един приблизителен метод рядко може да покаже прозрачно кои алтернативи са били разгледани и отхвърлени.

Процесът на глобална оптимизация документира систематично:

• оценяваните комбинации
• изключените подобласти
• Отношения на доминиране
• Доказателства за оптималност

Това увеличава възможността за преразглеждане и проследяване на решенията.

11. Как глобалната оптимизация се отнася към NP-трудните проблеми?

Много решения за портфейл са NP-трудни. Това не означава, че те са нерешими. То означава, че в най-лошия случай не може да се гарантира полиномиално време за изпълнение.

На практика реалните проблеми често са структурирани така, че са възможни ефективни решения. Освен това съвременните компютърни архитектури позволяват паралелизация и евристично ускоряване в рамките на точна рамка.

12. Винаги ли е необходима глобална оптимизация?

Не във всяка ситуация.

Приближаването може да е достатъчно за оперативни, краткосрочни или малоценни решения.

Колкото по-голям е обаче капиталовият ангажимент, стратегическата значимост и регулаторната чувствителност, толкова по-голяма е необходимостта от структурна оптимизация.

13. Как се мащабира глобалната архитектура за вземане на решения?

Мащабирането се осъществява чрез:

• Паралелизация
• Създаване на бариери
• Намаляване на доминантността
• Структуриране на модела
• Декомпозиране на проблема

Решаващият фактор е, че мащабирането не се постига чрез случайно търсене, а чрез структурно намаляване.

14. Как се интегрира многоцелевата оптимизация?

Многоцелевата оптимизация може да бъде съпоставена с помощта на претеглени целеви функции, анализ на фронта на Парето или лексикографско приоритизиране.

Архитектурата не трябва да пренебрегва противоречивите цели, а систематично да ги картографира.

15. Какво означава "Глобалният оптимум е свойство на данните"?

Математически оптималното решение съществува при определени параметри, ограничения и целеви функции. Това не е мнение, а резултат от структурно изчисление.

Ако параметрите се променят, оптималното решение се променя. Съществуването на оптимума обаче не зависи от субективните предпочитания.

16. По какво се различава симулацията от оптимизацията?

При симулацията се оценяват сценарии. Оптимизацията систематично претърсва пространството на решенията и идентифицира най-добрата допустима алтернатива.

Симулацията дава отговор на въпроса: "Какво ще стане, ако?"

Оптимизацията отговаря на въпроса: "Кое решение максимизира целевата стойност сред всички допустими алтернативи?"

17. Как предварителната оптимизация намалява алтернативните разходи?

Алтернативните разходи възникват, когато съществува по-добра алтернатива, но тя не се реализира.

Глобалното изчисление намалява вероятността от структурно неправилно разпределение, тъй като се разглеждат или математически се изключват всички допустими комбинации.

18. Дали интелигентното вземане на решения е заместител на управлението?

Не. то не замества определянето на стратегически цели или нормативното определяне на приоритети.

То обаче замества интуитивните, евристични или политически пристрастни решения за разпределение със структурно изчисление.

19. Как се осигурява прозрачност?

Прозрачността се създава чрез

• ясно моделиране на ограниченията
• документирани целеви функции
• разбираемо формиране на границите
• възпроизводими изчислителни процеси

Това дава възможност за проследимост на ниво борд и одит.

20. Кога започва Decision Intelligence?

Интелигентността на решенията започва, когато организациите осъзнаят, че сложните инвестиционни решения не са проблеми за прогнозиране, а комбинаторни структурни проблеми.

Тя започва там, където приближаването вече не е достатъчно - и се налага структурна оптимизация.

---

Допълнителни често задавани въпроси - Защо класическият изкуствен интелект се проваля в структурно отношение при вземането на портфейлни решения

1. Защо една невронна мрежа не може просто да научи оптималния портфейл?

Невронната мрежа научава функция въз основа на исторически данни. Тя апроксимира корелациите между входните данни и целевите стойности.

Оптималният портфейл обаче не е наблюдаема целева променлива, а резултат от решение за дискретна комбинация при ограничения.

Не съществува набор от данни за обучение, който правилно да класифицира всички възможни комбинации като "оптимални" или "неоптимални".

Оптимумът не е историческо наблюдение - той е математическо свойство на пълното пространство за вземане на решения.

2. Защо обучението чрез подсилване не може да гарантира оптимално разпределение на капитала?

Усилващото обучение оптимизира чрез изследователско взаимодействие със средата. То научава политики чрез функции за възнаграждение.

Решенията за портфейл обаче не са последователни процеси от типа "проба-грешка", а по-скоро еднократни, висококапитализирани дискретни решения при ограничения.

Тук не е възможно изследване в реалното пространство. Грешните решения са необратими и скъпи.

RL може да учи адаптивни стратегии. Той обаче не може систематично да доказва пълно комбинаторно пространство.

3. Защо прогнозирането не е равнозначно на оптимизацията?

Класическите системи за изкуствен интелект са машини за прогнозиране.

Те отговарят на въпроси като:

• Как вероятно ще се развие проект А?
• Каква е вероятността за провал?
• Как се променя пазарът?

Оптимизацията обаче отговаря на следните въпроси:

Коя комбинация от всички проекти максимизира целевата стойност при ограниченията на бюджета и риска?

Прогнозирането е входна информация. Оптимизацията е логика на решението.

Смесването на двете е грешка в категорията.

4. Защо класическият изкуствен интелект не се справя с експоненциалните пространства за вземане на решения?

Моделите за машинно обучение се мащабират с обема на данните, а не с комбинаторната структура.

Портфолио от 40 проекта генерира над трилион възможни комбинации. Тези комбинации не съществуват като примери за обучение.

Моделът не може да научи комбинации, които никога не са били изрично оценявани.

Експоненциалните пространства за вземане на решения изискват структурно търсене и гранична логика - не обобщаване на модели.

5. Защо евристичните методи на изкуствения интелект не осигуряват сигурност на управлението?

Евристичните методи осигуряват добри или много добри решения.

Обикновено обаче те не могат да документират

• кои комбинации са били структурно изключени
• дали съществува по-добро решение
• кои отношения на доминиране са приложени

Правдоподобността не е достатъчна за сигурността на заседанията и ревизиите. Необходима е структурна проследимост.

6. Защо проблемът с черната кутия е особено важен тук?

При класификацията на изображения или генерирането на текст липсата на пълна интерпретируемост е допустима.

Тя е проблематична при разпределението на капитала.

Когато се разпределят бюджети за милиарди, трябва да е възможно те да бъдат обяснени:

• Защо е избрана тази комбинация?
• Кои алтернативи бяха отхвърлени?
• Кои ограничения са били задължителни?

Приближаването до черната кутия не е заместител на структурното доказателство за решение.

7. Защо симулацията не е решение?

Симулацията оценява сценариите.

Тя отговаря на въпроси като:

• Какво ще се случи, ако изберем тази комбинация?
• Как ще се държи портфейлът при определени предположения?

Тя обаче не дава отговор на

Коя допустима комбинация е най-добрата от всички алтернативи?

Симулацията е проучвателна. Оптимизацията е селективна.

8. Защо "подпомагането на вземането на решения с помощта на изкуствен интелект" често е само подпомагане на прогнози?

Много системи, обозначени като "подпомагани от ИИ", предоставят:

• Стойности на резултатите
• Прогнози за риска
• Препоръки за приоритизиране

Окончателният избор често все още се прави евристично или политически.

Структурната оптимизация на решенията заменя този евристичен окончателен избор със систематично изчисление.

9. Защо класическият ИИ се проваля, особено при ограничения?

Моделите за машинно обучение не са предназначени основно за гарантиране на твърди логически ограничения.

Въпреки това бюджетните ограничения, ограниченията на капацитета или регулаторните изисквания не са меки - те са задължителни.

Моделите за оптимизация интегрират тези ограничения формално. Моделите за обучение често ги апроксимират имплицитно или надолу по веригата.

Това е структурно различно.

10. Защо "повече данни" не е решение?

Повече данни подобряват точността на прогнозата.

То обаче не намалява комбинаторната експлозия на дискретните пространства за вземане на решения.

Броят на възможните портфейли не зависи от количеството данни, а от броя на дискретните проекти.

Експоненциалната структура не може да бъде отменена чрез мащабиране на данните.

11. Защо локалната оптимизация не е достатъчна?

Много методи на изкуствения интелект конвергират към локални оптимуми или стабилни състояния.

Портфейлните решения изискват глобален поглед.

Локалният оптимум може да бъде неоптимален, ако друга комбинация - структурно по-далечна - предлага по-високо изпълнение на целта.

Глобалната оптимизация предотвратява тази структурна слепота.

12. Защо интелигентността на решенията не е подкатегория на изкуствения интелект?

Класическият ИИ е разработен предимно с цел възпроизвеждане на човешкото възприятие и разпознаване на модели.

Интелигентността за вземане на решения в смисъла на глобалната оптимизация на портфейла произтича от теорията на комбинаторната оптимизация.

Тя не се основава предимно на учене, а на структура, намаляване на пространството за търсене и логика на оптимизация.

Двете дисциплини са свързани, но не са идентични.

13. Кога класическият ИИ е достатъчен и кога не?

Той е достатъчен, когато:

• Прогнозирането е основният проблем
• Приближаването е достатъчно
• Грешките са допустими

Не е достатъчен, ако

• се изисква дискретен подбор при ограничения
• Бюджетните ограничения са задължителни
• Алтернативните разходи са значителни
• Изисква се доказателство за управление

Оттук започва оптимизацията на структурните решения.

14. Каква е същността на структурния провал?

Структурният неуспех на класическия ИИ при вземането на портфейлни решения не се крие в неговата ефективност, а в класа на проблемите.

ИИ е мощна технология за разпознаване на модели и прогнозиране.

Оптимизацията на портфейл обаче не е проблем с модели, а проблем с комбинаторна структура.

Всеки, който ги отъждествява, бърка вероятността с оптималността.

Думи за финал

Саша Рисел, главен изпълнителен директор на mAInthink GmbH

Понастоящем преживяваме фаза, в която почти всяко технологично решение се подвежда под термина "изкуствен интелект". Разпознаване на образи, езикови модели, системи за прогнозиране - всичко това е впечатляващ напредък. Но има едно нещо, което не трябва да бъркаме:

Интелигентността в смисъл на учене не е едно и също с интелигентността в смисъл на вземане на решения.

Решенията за бизнес и публични инвестиции не са проблеми на прогнозирането. Те са комбинаторни структурни проблеми, подчинени на ограничения, бюджетни рестрикции и противоречиви цели. Всеки, който ги третира като проблем за разпознаване на образи, ги свежда до вероятност - и губи структура в процеса.

StratePlan възникна именно от това осъзнаване.

Използваме хибриден изкуствен интелект там, където има смисъл - за параметризиране, за моделиране на несигурността, за прогнозиране на развитието. Но действителното решение не се апроксимира. То се изчислява.

С помощта на прецизна многонишкова архитектура, редуциране на комбинаторни структури и детерминистична оптимизационна логика анализираме пълни пространства за решения - не само сценарии.

Това не е реклама.
Това е математика.

Нашата цел не е да предоставим по-добри предположения.
Нашата цел е да дадем възможност за структурно по-добри решения.

Защото капиталът е ограничен.
Разходите за алтернативи са реални.
А глобалният оптимум не е мнение.

Той е свойство на данните - и на структурата на пространството за вземане на решения.

-
Саша Рисел
Главен изпълнителен директор, mAInthink GmbH