Proč výpočetní inteligence nedělá portfoliová rozhodnutí

Systémy učení vs. rozhodovací systémy - a proč jsou globální optimalizační architektury samostatnou kategorií

Shrnutí

V posledních letech se pojem "umělá inteligence" stal obecným označením pro téměř všechny formy podpory rozhodování založené na datech. Hluboké učení, neuronové sítě, posilovací učení a související metody jsou stále více chápány jako univerzální řešení problémů - a to i v kontextu strategických investičních a portfoliových rozhodnutí.

Toto přirovnání je však strukturálně nesprávné.

Výpočetní inteligence (CI) - v podstatě sestávající z neuronových sítí, evolučních algoritmů, rojové inteligence, fuzzy systémů a pravděpodobnostních metod - historicky vznikla jako reakce na nepřesné, nelineární a stochastické problémy reálného světa. Systémy CI se učí vzory, aproximují funkce a adaptivně se přizpůsobují novým datům.

Portfoliová a investiční rozhodnutí se však řídí jinou logikou.

Nejsou to problémy rozpoznávání vzorů. Jsou to kombinatorické optimalizační problémy s omezeními, rozpočtovými restrikcemi, vzájemnými závislostmi a regulačními rámcovými podmínkami. Zatímco systémy učení počítají pravděpodobnosti, rozhodovací systémy musí provádět diskrétní výběrová rozhodnutí - v exponenciálně rostoucích rozhodovacích prostorech.

Rozdíl je zásadní.

Tento článek analyzuje strukturální rozdíl mezi adaptivními učícími se systémy a globálními rozhodovacími architekturami, vysvětluje matematickou povahu exponenciálních prostorů portfolia a ukazuje, proč je globální optimalizace ex ante samostatnou kategorií algoritmické inteligence.

1. Mylná představa: rozpoznávání vzorů není rozhodování

Úspěchy moderních systémů umělé inteligence jsou nepopiratelné. Jazykové modely generují souvislé texty. Systémy rozpoznávání obrazu identifikují objekty s vysokou přesností. Architektury posilovacího učení porážejí světové šampiony ve složitých hrách.

Tyto systémy však řeší specifický problém:

Na základě pozorovaných dat aproximují neznámou funkci.

Formálně řečeno, minimalizují chybový člen mezi předpovědí a skutečností. Cílová hodnota je statistická. Kvalita se měří pomocí přesnosti, ztrátových funkcí nebo intervalů spolehlivosti.

Portfoliová rozhodnutí mají odlišnou strukturu.

Zde neexistuje žádná spojitá cílová veličina, která by se aproximovala. Místo toho existuje soubor diskrétních možností, které jsou buď vybrány, nebo nejsou vybrány. Každá kombinace mění rozpočet, riziko, využití zdrojů a strategické směřování.

Rozdíl ilustruje jednoduchý příklad:

Neuronová síť dokáže s vysokou pravděpodobností předpovědět, jak se bude segment trhu vyvíjet. Rozhodnutí, kterých 12 ze 47 možných investičních projektů bude realizováno v rámci rozpočtu 100 milionů eur, však není problémem předpovědi - ale kombinatorickým problémem výběru.

Systém se nemusí učit, jak vypadá vzor. Musí vypočítat globální výběr podle omezení.

Tento strukturální rozdíl je v mnoha organizacích přehlížen.

2. Učící se systémy vs. rozhodovací systémy

Abychom tento rozdíl přesně pochopili, je nutné provést systematické srovnání.

Učící se systémy

• Optimalizují statistické chybové funkce
• Pracují s trénovacími a testovacími daty
• Poskytují pravděpodobnosti nebo spojité výstupy
• Jsou často stochastické
• Nemají vlastní logiku omezení
• Nezaručují globální optimálnost rozhodnutí

Rozhodovací systémy

• Optimalizují diskrétní účelovou funkci
• Uvažují tvrdá omezení
• Pracují v úplném prostoru kombinací
• Vyžadují omezení a logiku dominance
• Vyžadují globální konzistenci
• Může poskytnout certifikáty optimality

Rozdíl není v "úrovni inteligence", ale ve třídě problémů.

Učící se systémy odpovídají na otázku:

Co je pravděpodobné?

Rozhodovací systémy odpovídají na otázku:

Která kombinace je optimální?

3. Exponenciální rozhodovací prostor

Ústředním matematickým problémem portfoliových rozhodnutí je exponenciální kombinatorika.

Při N projektech existuje ^2N možných kombinací.

• 10 projektů → 1 024 kombinací
• 20 projektů → 1 048 576 kombinací
• 30 projektů → 1 073 741 824 kombinací
• 50 projektů → více než 1 kvadrilion kombinací

Každá z těchto kombinací představuje potenciální alokaci kapitálu s vlastním profilem rizika a výnosu.

Kromě toho existují

• Rozpočtová omezení
• logické závislosti
• Omezení zdrojů
• strategické priority
• regulační požadavky

Problémem není předpověď hodnot jednotlivých projektů. Problémem je současné vyhodnocení všech přípustných kombinací.

Heuristické metody prohledávají části tohoto prostoru. Exaktní metody jej systematicky strukturují.

4. Heuristické metody a jejich strukturální limity

Evoluční algoritmy, rojová inteligence a další metody CI využívají strategie vyhledávání založené na populaci.

Jsou efektivní, pokud:

• Prohledávaný prostor je spojitý
• Aproximace je dostatečná
• Není vyžadován důkaz optimality

Nezaručují však, že bude nalezeno globální optimum. Poskytují dobrá řešení - ne nutně ta nejlepší.

To je pro klasifikaci obrazu přijatelné.

U mnohamiliardových investičních rozhodnutí vyvstává jiná otázka řízení.

5. Přesné optimalizační architektury

Zde začíná další třída algoritmických systémů.

Smíšené celočíselné programování umožňuje modelovat diskrétní rozhodnutí při lineárních omezeních.

Rozvětvení a ohraničení systematicky rozděluje prohledávací prostor a matematicky vylučuje irelevantní oblasti.

Programování s omezeními využívá logickou konzistenci k omezení kombinatorické exploze.

Stochastické programování formálně začleňuje nejistotu do optimalizačního modelu.

Robustní optimalizace chrání před nejhoršími scénáři.

Teorie globální optimalizace poskytuje důkazy konvergence a certifikáty optimality.

Tyto metody nejsou učícími se algoritmy. Jsou to rozhodovací architektury.

6. Řízení a odpovědnost

Strategická investiční rozhodnutí nejsou jen o přesnosti, ale také o odpovědnosti.

Přibližný výsledek může být věrohodný. Nemůže však prokázat, že neexistuje lepší alternativa.

Globální optimalizační přístup může - za definovaných předpokladů - poskytnout důkaz optimality.

Tento rozdíl je důležitý z hlediska regulace, odpovědnosti a strategie.

7. Od umělé inteligence k rozhodovací inteligenci

Ne každý inteligentní systém je rozhodovacím systémem.

Rozhodovací inteligence ve smyslu globální optimalizace portfolia znamená.

• Kompletní analýzu prostoru kombinací
• Vytváření strukturálních bariér
• Eliminace dominance
• Ex-ante výpočet optimálních konfigurací

Nejedná se o rozšíření strojového učení. Jedná se o jinou kategorii algoritmické architektury.

Zatímco učící se systémy získávají znalosti, rozhodovací systémy konstruují optimální stavy.

Toto rozlišení je zásadní.

8. Matematika, která stojí za portfoliovými rozhodnutími

Abychom plně pochopili strukturální rozdíl mezi učícími se systémy a rozhodovacími architekturami, je třeba explicitně zvážit matematickou povahu portfoliových rozhodnutí.

Strategické investiční rozhodnutí lze formálně reprezentovat jako optimalizační problém:

Maximalizovat: f(x)

Při dodržení omezení:

• Ax ≤ b (omezení rozpočtu a zdrojů)
• x ∈ {0^,1}N (diskrétní výběr)
• logické závislosti mezi projekty
• Omezení rizik
• minimální strategické požadavky

Rozhodovací vektor x popisuje, které projekty jsou vybrány. Každá proměnná může nabývat pouze dvou stavů: realizovat nebo nerealizovat.

Cílová funkce může obsahovat několik dimenzí:

• Návratnost investice
• Profil peněžních toků
• Klíčové údaje o riziku
• strategickou prioritu
• Kapitálový závazek

I mírný počet projektů vytváří kombinatorický prostor, který exponenciálně roste. Tato vlastnost není softwarovým problémem. Je matematicky inherentní.

Učící se systém by se pokusil předpovědět hodnoty projektů.

Rozhodovací systém však musí vyhodnotit všechny přípustné kombinace v rámci omezení.

To je strukturální rozdíl.

9. Proč aproximace není totéž co optimalita

Heuristické metody mohou najít velmi dobrá řešení. V mnoha technických aplikacích jsou účinné a dostačující.

Mezi "velmi dobrým" a "globálně optimálním" však existuje kvalitativní rozdíl.

Přibližné řešení odpovídá na otázku:

Je toto řešení dobré?

Globální optimalizace odpovídá na otázku:

Existuje lepší řešení?

Tento rozdíl není sémantický, ale strukturální.

Finanční ředitel nepotřebuje vědět, zda se kombinace investic jeví jako pravděpodobná. Potřebuje vědět, zda je to nejlepší dostupná alternativa za daných omezení.

Bez úplného nebo systematicky omezeného prohledání rozhodovacího prostoru zůstává tato otázka nezodpovězena.

10. Rozvětvení a strukturální omezení

Metody větvení a omezení jsou příkladem toho, jak lze exponenciální prohledávací prostor strukturálně řídit.

Prostor je rozdělen na dílčí prostory (větvení). Pro každý podprostor se vypočítá horní a dolní hranice (bounding).

Pokud se prokáže, že na základě ohraničení nelze nalézt lepší výsledek než dosud nejlepší, je tento podprostor vyloučen.

Nejedná se o heuristické hledání, ale o matematické vyloučení.

Tato logika je klíčová:

Systém nemusí úplně vyhodnotit každou kombinaci. Musí však prokázat, že nevyhodnocené kombinace nepřekračují optimum.

Tím se strukturálně liší od stochastického vyhledávání.

11. Smíšené celočíselné programování jako rozhodovací model

Smíšené-celočíselné programování (MIP) poskytuje formální modelovací rámec pro kombinaci diskrétních a spojitých proměnných.

Umožňuje

• přesné mapování rozpočtových omezení
• logické závislosti projektu
• Kapacitních omezení
• lineárních a nelineárních cílových proměnných

Ve spojení s postupy branch-and-bound nebo cutting-plane je vytvořena rozhodovací architektura, která nejen nachází řešení, ale také potvrzuje jejich optimálnost.

To je zvláště důležité v případech, kdy jsou rozhodnutí kapitálově náročná nebo citlivá na regulaci.

12. Nejistota: stochastické vs. robustní řešení

Mnoho organizací tvrdí, že nejistota znemožňuje přesnou optimalizaci.

To je nedorozumění.

Stochastické programování výslovně začleňuje do modelu scénáře. Robustní optimalizace definuje veličiny nejistoty a optimalizuje proti nejhoršímu případu.

Nejistota není ignorována. Je formálně modelována.

Tím se strukturované rozhodovací architektury liší od aproximací založených čistě na datech.

13. Řízení a auditovatelnost

Strategická rozhodnutí stále více podléhají regulační kontrole.

Vyvstávají otázky:

• Proč byl projekt A realizován a projekt B ne?
• Byly zváženy všechny alternativy?
• Byl rozpočet optimálně využit?
• Existuje srozumitelný rozhodovací proces?

Heuristické systémy často neposkytují úplnou transparentnost o zamítnutých alternativách.

Naproti tomu globální optimalizační architektury dokumentaci poskytují:

• Redukce prohledávaného prostoru
• Vztahy dominance
• Důkazy hranic
• Certifikáty optimality

Tím se vytváří auditovatelnost a sledovatelnost.

14. Rozhodovací inteligence jako samostatná kategorie

Rozhodovací inteligence není podkategorií strojového učení.

Je to nezávislá třída algoritmických systémů, které:

• modelují úplné rozhodovací prostory
• využívají kombinatorické struktury
• Integrují omezení
• vynucují globální konzistenci
• Umožňují důkazy optimality

Zatímco učící se systémy počítají pravděpodobnosti, rozhodovací inteligence konstruuje optimální stavy.

15. Ex-ante místo ex-post

Mnoho organizací analyzuje rozhodnutí ex post.

Optimalizace ex ante znamená

Nejlepší konfigurace je vypočtena předtím, než je vyčleněn kapitál.

Tím se snižují nejen náklady obětované příležitosti, ale také strukturální chyby v alokaci.

16. Od kombinatorické exploze ke strukturální kontrolovatelnosti

Exponenciální prostory nejsou neřešitelné.

Jsou však náročné.

Prostřednictvím:

• Eliminace dominance
• Vytvoření bariéry
• Využití redundance
• Paralelizace
• Strukturální analýzy

rozhodovací prostor může být systematicky redukován.

To však vyžaduje architekturu, která je navržena pro rozhodovací strukturu, a nikoli pro rozpoznávání vzorů.

17. Úloha systému StratePlan

StratePlan je navržen jako globální rozhodovací architektura.

Nejedná se o predikční model ani o čistý systém strojového učení.

Architektura analyzuje kompletní prostory kombinací portfolií za podmínek omezení, rozpočtových restrikcí a víceobjektivních požadavků.

Globální optimum se počítá ex ante prostřednictvím systematického vytváření omezení, redukce kombinatorické struktury a využití algoritmické redundance.

Není věrohodné. Není simulováno. Není aproximováno.

Ale strukturálně určené.

18. Pohled finančního ředitele: alokace kapitálu jako optimalizační problém

Pro finanční ředitele není kapitál statisticky očekávanou hodnotou, ale vzácným zdrojem.

Každá investice má náklady obětované příležitosti.

Neoptimalizovaná kombinace znamená

• ušlé výnosy
• zbytečný kapitálový závazek
• strategicky špatné vyvážení

Ex-ante globální optimalizace mění alokaci kapitálu z pravděpodobného rozhodnutí na kalkulované rozhodnutí.

19. Závěr: Ne každý inteligentní systém činí optimální rozhodnutí

Výpočetní inteligence je výkonná a nepostradatelná v mnoha oblastech.

Řeší však především problémy učení.

Portfoliová a investiční rozhodnutí jsou strukturálně kombinatorickými optimalizačními problémy.

Vyžadují rozhodovací architektury, které:

• zvažují celý prostor
• Integrují omezení
• Formálně modelují nejistotu
• mohou prokázat globální optimálnost

Inteligence rozhodování začíná tam, kde končí aproximace.

Globální optimum není názor.

Je to vlastnost dat - a struktury rozhodovacího prostoru.

Často kladené otázky - Učící se systémy, rozhodovací systémy a globální optimalizace portfolia

1. Není výpočetní inteligence pro rozhodování o portfoliu již dostatečně výkonná?

Výpočetní inteligence je mimořádně výkonná v mnoha oblastech použití - zejména v oblasti rozpoznávání vzorů, prognózování a adaptivního řízení. Rozhodování o portfoliu však představuje jinou třídu problémů.

Zatímco systémy informační inteligence počítají pravděpodobnosti nebo přibližná řešení, portfoliová rozhodnutí vyžadují diskrétní výběr optimální kombinace za podmínek omezení. Matematická struktura se zásadně liší: prognózování je spojitý aproximační problém, výběr portfolia je kombinatorický optimalizační problém.

CI může poskytnout podporu. Nenahrazuje však globální rozhodovací architekturu.

2. Proč nestačí "velmi dobré" řešení?

V provozních aplikacích může být velmi dobré řešení dostačující. U kapitálově náročných strategických rozhodnutí je však rozhodující, zda existuje lepší alternativa.

Heuristické řešení se může jevit jako věrohodné. Nemůže však prokázat, že v rámci přípustných omezení neexistuje lepší kombinace.

Přesně na tuto otázku odpovídá globální optimalizace.

3. Nejsou exponenciální rozhodovací prostory v podstatě neřešitelné?

Exponenciální rozhodovací prostory jsou náročné, ale ne neřešitelné. Úplný výčet všech kombinací není v praxi často nutný.

Efektivní prohledávací prostor lze výrazně zmenšit vytvořením omezení, relací dominance, redukcí struktury a systematickými prohledávacími metodami, jako je například branch-and-bound.

Otázkou není, zda se prostor zvětšuje exponenciálně - ale zda existuje architektura, která jej dokáže strukturálně řídit.

4. Čím se liší větvení a vázání od heuristického vyhledávání?

Heuristické vyhledávání vyhodnocuje vzorky v rozhodovacím prostoru. Větvení a ohraničení systematicky rozkládá prostor a matematicky vylučuje podprostory, pokud nemohou překonat optimum.

Rozhodující rozdíl spočívá v důkazu optimality. Heuristika nachází dobrá řešení. Větvení a ohraničení dokáže prokázat, že lepší řešení neexistuje.

5. Není smíšené celočíselné programování pro velká portfolia příliš pomalé?

Smíšené celočíselné programování je výpočetně náročné. Moderní řešiče však kombinují větve a hranice, řezací plány, heuristiku a paralelizaci.

Řešitelnost navíc závisí méně na čisté velikosti problému než na struktuře modelu. Strukturované modely portfolia lze často řešit mnohem efektivněji, než by naznačovaly nestrukturované prohledávací prostory.

Rozhodujícím faktorem je architektura - nejen počet proměnných.

6. Jak se v globální optimalizaci zohledňuje nejistota?

Nejistotu lze formálně začlenit, např. prostřednictvím

• stochastického programování se stromy scénářů
• Optimalizace podle očekávané hodnoty
• Podmíněné hodnoty v riziku (CVaR)
• robustní optimalizace vůči nejistým veličinám

Nejistota tedy není ignorována, ale explicitně modelována.

7. Znamená globální optimalizace deterministickou rigiditu?

Ne. Deterministická v tomto kontextu neznamená rigidní, ale srozumitelná a strukturálně konzistentní.

Model globální optimalizace může být parametrizován flexibilně. Změny předpokladů vedou k novým vypočteným optimům. Flexibilita spočívá v parametrech - nikoli v libovolnosti řešení.

8. Jak se rozhodovací inteligence liší od strojového učení?

Strojové učení získává z dat vzory a generuje předpovědi. Rozhodovací inteligence modeluje rozhodovací prostory a vypočítává optimální stavy za podmínek omezení.

Strojové učení odpovídá na otázku: "Co je pravděpodobné?"

Rozhodovací inteligence odpovídá na otázku: "Která přípustná kombinace maximalizuje cílovou hodnotu?"

Obojí lze kombinovat - řeší však různé třídy problémů.

9. Může být strojové učení součástí rozhodovací architektury?

Ano, prognostické modely mohou například poskytovat vstupní parametry pro optimalizační model, jako jsou očekávané peněžní toky nebo hodnoty rizik.

Samotná optimalizace však zůstává nezávislým krokem, který počítá diskrétní výběrová rozhodnutí v rámci omezení.

10. Proč je řízení klíčovým argumentem pro globální optimalizaci?

Strategická investiční rozhodnutí stále více podléhají regulační kontrole a internímu auditu.

Přibližná metoda může jen zřídka transparentně ukázat, které alternativy byly zváženy a zamítnuty.

Proces globální optimalizace systematicky dokumentuje:

• hodnocené kombinace
• vyloučené podoblasti
• Vztahy dominance
• Důkazy optimality

Tím se zvyšuje možnost revize a sledovatelnost rozhodnutí.

11. Jak souvisí globální optimalizace s NP-těžkými problémy?

Mnoho rozhodnutí o portfoliu je NP-těžkých. To neznamená, že jsou neřešitelná. Znamená to, že v nejhorším případě nelze zaručit polynomiální dobu běhu.

V praxi jsou reálné problémy často strukturovány tak, že efektivní řešení je možné. Moderní výpočetní architektury navíc umožňují paralelizaci a heuristické urychlení v exaktním rámci.

12. Je globální optimalizace vždy nutná?

Ne v každé situaci.

Pro operativní, krátkodobá nebo málo hodnotná rozhodnutí může být aproximace dostačující.

Čím vyšší je však kapitálová angažovanost, strategický význam a citlivost na regulaci, tím větší je potřeba strukturální optimalizace.

13. Jak se globální rozhodovací architektura škáluje?

Škálování probíhá prostřednictvím:

• Paralelního řízení
• Vytváření bariér
• Snižování dominance
• Strukturování modelu
• Rozkladu problému

Rozhodující je, že škálování se nedosahuje náhodným hledáním, ale strukturální redukcí.

14. Jak je integrována víceobjektová optimalizace?

Víceobjektovou optimalizaci lze mapovat pomocí vážených účelových funkcí, Paretovy frontální analýzy nebo lexikografické prioritizace.

Architektura nesmí ignorovat konfliktní cíle, ale systematicky je mapovat.

15. Co znamená věta "Globální optimum je vlastností dat"?

Matematicky optimální řešení existuje za definovaných parametrů, omezení a cílových funkcí. Nejedná se o názor, ale o výsledek strukturálního výpočtu.

Pokud se parametry změní, změní se i optimum. Existence optima je však nezávislá na subjektivních preferencích.

16. Jak se simulace liší od optimalizace?

Simulace vyhodnocuje scénáře. Optimalizace systematicky prohledává prostor řešení a určuje nejlepší přípustnou alternativu.

Simulace odpovídá na otázku: "Co se stane, když?"

Optimalizace odpovídá na otázku: "Které rozhodnutí maximalizuje cílovou hodnotu ze všech přípustných alternativ?"

17. Jak optimalizace ex ante snižuje náklady obětované příležitosti?

Náklady obětované příležitosti vznikají, když existuje lepší alternativa, ale není realizována.

Globální výpočet snižuje pravděpodobnost strukturálně nesprávné alokace, protože jsou zvažovány nebo matematicky vyloučeny všechny přípustné kombinace.

18. Nahrazuje rozhodovací inteligence řízení?

Ne, nenahrazuje strategické vymezení cílů ani normativní stanovení priorit.

Nahrazuje však intuitivní, heuristická nebo politicky zaujatá alokační rozhodnutí strukturálními výpočty.

19. Jak je zajištěna transparentnost?

Transparentnost je zajištěna

• jasným modelováním omezení
• zdokumentovanými cílovými funkcemi
• srozumitelnou tvorbou hranic
• reprodukovatelnými postupy výpočtu

To umožňuje sledovatelnost na úrovni představenstva a auditu.

20. Kdy začíná Decision Intelligence?

Decision Intelligence začíná, když si organizace uvědomí, že komplexní investiční rozhodnutí nejsou problémy prognózování, ale kombinatorické strukturální problémy.

Začíná tam, kde již nestačí aproximace - a je nutná strukturální optimalizace.

---

Doplňkové FAQ - Proč klasická umělá inteligence strukturálně selhává při rozhodování o portfoliu

1. Proč se neuronová síť nemůže jednoduše naučit optimální portfolio?

Neuronová síť se učí funkci na základě historických dat. Aproximuje korelace mezi vstupy a cílovými hodnotami.

Optimální portfolio však není pozorovatelná cílová proměnná, ale výsledek diskrétního kombinačního rozhodnutí za podmínek omezení.

Neexistuje žádný soubor trénovacích dat, který by správně klasifikoval všechny možné kombinace jako "optimální" nebo "neoptimální".

Optimum není historické pozorování - je to matematická vlastnost celého rozhodovacího prostoru.

2. Proč nemůže reinforcement learning zaručit optimální alokaci kapitálu?

Posilovací učení optimalizuje prostřednictvím průzkumné interakce s prostředím. Učí se politiky prostřednictvím funkcí odměn.

Rozhodování o portfoliu však nejsou sekvenční procesy typu pokus-omyl, ale jednorázová, vysoce kapitalizovaná diskrétní rozhodnutí pod omezeními.

Zkoumání v reálném prostoru zde není možné. Chybná rozhodnutí jsou nevratná a drahá.

RL se může učit adaptivní strategie. Nemůže však systematicky dokazovat úplný kombinatorický prostor.

3. Proč se predikce nerovná optimalizaci?

Klasické systémy umělé inteligence jsou predikční stroje.

Odpovídají na otázky jako např:

• Jak se bude projekt A pravděpodobně vyvíjet?
• Jaká je pravděpodobnost neúspěchu?
• Jak se mění trh?

Optimalizace však odpovídá:

Která kombinace všech projektů maximalizuje cílovou hodnotu při omezení rozpočtu a rizik?

Vstupem je prognóza. Optimalizace je logika rozhodování.

Zaměňování těchto dvou kategorií je chybou.

4. Proč klasická umělá inteligence špatně škáluje v exponenciálních rozhodovacích prostorech?

Modely strojového učení škálují s objemem dat, nikoliv s kombinatorickou strukturou.

Portfolio 40 projektů generuje více než bilion možných kombinací. Tyto kombinace neexistují jako trénovací příklady.

Model se nemůže naučit kombinace, které nikdy nebyly explicitně vyhodnoceny.

Exponenciální rozhodovací prostory vyžadují strukturální prohledávání a hraniční logiku - nikoli zobecňování vzorů.

5. Proč heuristické metody umělé inteligence neposkytují jistotu řízení?

Heuristické metody poskytují dobrá nebo velmi dobrá řešení.

Obvykle však nemohou dokumentovat

• které kombinace byly strukturálně vyloučeny
• zda existuje lepší řešení
• které vztahy dominance se uplatnily

Věrohodnost není pro zabezpečení tabule a revizí dostačující. Je nutná strukturální sledovatelnost.

6. Proč je zde problém černých skříněk obzvlášť kritický?

V případě klasifikace obrázků nebo generování textu je nedostatek úplné interpretovatelnosti tolerovatelný.

V případě alokace kapitálu je to problematické.

Když se přidělují miliardové rozpočty, musí být možné je vysvětlit:

• Proč byla zvolena právě tato kombinace?
• Které alternativy byly zamítnuty?
• Která omezení byla závazná?

Aproximace černé skříňky nenahradí strukturální důkaz rozhodnutí.

7. Proč simulace není řešením?

Simulace vyhodnocuje scénáře.

Odpovídá na otázky, jako např:

• Co se stane, když zvolíme tuto kombinaci?
• Jak se chová portfolio za určitých předpokladů?

Neodpovídá však na

Která přípustná kombinace je nejlepší ze všech alternativ?

Simulace je průzkumná. Optimalizace je selektivní.

8. Proč je "podpora rozhodování s podporou umělé inteligence" často pouze podporou prognóz?

Mnohé systémy označované jako "podporované umělou inteligencí" poskytují:

• Hodnoty skóre
• Předpovědi rizik
• Doporučení pro stanovení priorit

Konečný výběr je často stále prováděn heuristicky nebo politicky.

Strukturální optimalizace rozhodování nahrazuje tento heuristický konečný výběr systematickým výpočtem.

9. Proč klasická UI selhává, zejména v případě omezení?

Modely strojového učení nejsou primárně určeny k tomu, aby zaručovaly tvrdá logická omezení.

Rozpočtová omezení, kapacitní limity nebo regulační požadavky však nejsou měkké - jsou závazné.

Optimalizační modely tato omezení formálně integrují. Modely učení je často aproximují implicitně nebo následně.

To je strukturálně odlišné.

10. Proč není řešením "více dat"?

Více dat zvyšuje přesnost předpovědi.

Nezmenšuje však kombinatorickou explozi diskrétních rozhodovacích prostorů.

Počet možných portfolií nezávisí na množství dat, ale na počtu diskrétních projektů.

Exponenciální strukturu nelze zrušit škálováním dat.

11. Proč lokální optimalizace není dostačující?

Mnoho metod umělé inteligence konverguje k lokálním optimům nebo stabilním stavům.

Rozhodování o portfoliu vyžaduje globální pohled.

Lokální optimum může být suboptimální, pokud jiná kombinace - strukturálně vzdálenější - nabízí vyšší naplnění cíle.

Globální optimalizace zabraňuje této strukturální slepotě.

12. Proč není rozhodovací inteligence podkategorií umělé inteligence?

Klasická AI byla primárně vyvinuta s cílem reprodukovat lidské vnímání a rozpoznávání vzorů.

Rozhodovací inteligence ve smyslu globální optimalizace portfolia vychází z teorie kombinatorické optimalizace.

Není primárně založena na učení, ale na struktuře, redukci prohledávacího prostoru a logice optimalizace.

Obě disciplíny spolu souvisejí - ale nejsou totožné.

13. Kdy je klasická umělá inteligence dostačující - a kdy ne?

Je dostačující, když:

• Předpovídání je základním problémem
• Aproximace je dostačující
• Chyby jsou tolerovatelné

Není dostačující, pokud

• je požadován diskrétní výběr podle omezení
• Rozpočtová omezení jsou závazná
• Náklady obětované příležitosti jsou významné
• Je vyžadován důkaz řízení

Zde začíná optimalizace strukturálního rozhodování.

14. V čem spočívá jádro strukturálního selhání?

Strukturální selhání klasické UI při portfoliovém rozhodování nespočívá v její výkonnosti, ale v třídě problémů.

UI je výkonná technologie pro rozpoznávání vzorů a prognózování.

Optimalizace portfolia však není vzorový problém, ale problém kombinatorické struktury.

Každý, kdo tyto dva problémy ztotožňuje, zaměňuje pravděpodobnost s optimálností.

Slova na závěr

Sascha Rissel, generální ředitel společnosti mAInthink GmbH

V současné době zažíváme fázi, kdy se téměř každé technologické řešení podřazuje pod pojem "umělá inteligence". Rozpoznávání vzorů, jazykové modely, prognostické systémy - to vše jsou působivé pokroky. Je tu však jedna věc, kterou nesmíme zaměňovat:

Inteligence ve smyslu učení není totéž co inteligence ve smyslu rozhodování.

Obchodní a veřejná investiční rozhodnutí nejsou problémy prognózování. Jsou to kombinatorické strukturální problémy podléhající omezením, rozpočtovým restrikcím a protichůdným cílům. Každý, kdo s nimi zachází jako s problémem rozpoznávání vzorů, je redukuje na pravděpodobnost - a ztrácí přitom strukturu.

StratePlan vznikl právě na základě tohoto zjištění.

Hybridní umělou inteligenci používáme tam, kde to dává smysl - pro parametrizaci, pro modelování nejistoty, pro předpovídání vývoje. Skutečné rozhodování však není aproximováno. Je vypočítáno.

Díky přesné vícevláknové architektuře, kombinatorické redukci struktury a deterministické optimalizační logice analyzujeme kompletní rozhodovací prostory - nejen scénáře.

To není humbuk.
To je matematika.

Naším cílem není poskytovat lepší předpoklady.
Naším cílem je umožnit strukturálně lepší rozhodování.

Protože kapitál je omezený.
Náklady obětované příležitosti jsou skutečné.
A globální optimum není názor.

Je to vlastnost dat - a struktury rozhodovacího prostoru.

-
Sascha Rissel
Generální ředitel společnosti mAInthink GmbH