Γιατί η υπολογιστική νοημοσύνη δεν λαμβάνει αποφάσεις χαρτοφυλακίου

Συστήματα μάθησης έναντι συστημάτων αποφάσεων - και γιατί οι αρχιτεκτονικές συνολικής βελτιστοποίησης αποτελούν μια δική τους κατηγορία

Περίληψη

Τα τελευταία χρόνια, ο όρος "τεχνητή νοημοσύνη" έχει γίνει γενικός όρος για σχεδόν κάθε μορφή υποστήριξης αποφάσεων βάσει δεδομένων. Η βαθιά μάθηση, τα νευρωνικά δίκτυα, η ενισχυτική μάθηση και οι συναφείς μέθοδοι γίνονται όλο και περισσότερο κατανοητές ως καθολικοί λύτες προβλημάτων - ακόμη και στο πλαίσιο στρατηγικών αποφάσεων για επενδύσεις και χαρτοφυλάκια.

Ωστόσο, η εξίσωση αυτή είναι δομικά λανθασμένη.

Η υπολογιστική νοημοσύνη (ΥΝ) - που ουσιαστικά αποτελείται από νευρωνικά δίκτυα, εξελικτικούς αλγορίθμους, νοημοσύνη σμήνους, ασαφή συστήματα και πιθανολογικές μεθόδους - έχει ιστορικά αναδειχθεί ως απάντηση σε ανακριβή, μη γραμμικά και στοχαστικά προβλήματα του πραγματικού κόσμου. Τα συστήματα CI μαθαίνουν μοτίβα, προσεγγίζουν λειτουργίες και προσαρμόζονται προσαρμοστικά σε νέα δεδομένα.

Οι αποφάσεις χαρτοφυλακίου και επενδύσεων, ωστόσο, ακολουθούν μια διαφορετική λογική.

Δεν αποτελούν προβλήματα αναγνώρισης προτύπων. Είναι προβλήματα συνδυαστικής βελτιστοποίησης υπό περιορισμούς, περιορισμούς προϋπολογισμού, αλληλεξαρτήσεις και συνθήκες κανονιστικού πλαισίου. Ενώ τα συστήματα μάθησης υπολογίζουν πιθανότητες, τα συστήματα αποφάσεων πρέπει να λαμβάνουν διακριτές αποφάσεις επιλογής - σε εκθετικά αυξανόμενους χώρους αποφάσεων.

Η διαφορά είναι θεμελιώδης.

Το παρόν έγγραφο αναλύει τη δομική διαφορά μεταξύ των προσαρμοστικών συστημάτων μάθησης και των αρχιτεκτονικών σφαιρικών αποφάσεων, εξηγεί τη μαθηματική φύση των εκθετικών χώρων χαρτοφυλακίου και δείχνει γιατί η εκ των προτέρων σφαιρική βελτιστοποίηση είναι μια κατηγορία αλγοριθμικής νοημοσύνης από μόνη της.

1. Η παρανόηση: η αναγνώριση προτύπων δεν είναι απόφαση

Οι επιτυχίες των σύγχρονων συστημάτων τεχνητής νοημοσύνης είναι αναμφισβήτητες. Τα γλωσσικά μοντέλα παράγουν συνεκτικά κείμενα. Τα συστήματα αναγνώρισης εικόνων αναγνωρίζουν αντικείμενα με μεγάλη ακρίβεια. Οι αρχιτεκτονικές ενισχυτικής μάθησης νικούν παγκόσμιους πρωταθλητές σε πολύπλοκα παιχνίδια.

Ωστόσο, τα συστήματα αυτά επιλύουν ένα συγκεκριμένο πρόβλημα:

Προσεγγίζουν μια άγνωστη συνάρτηση με βάση παρατηρούμενα δεδομένα.

Μιλώντας τυπικά, ελαχιστοποιούν έναν όρο σφάλματος μεταξύ πρόβλεψης και πραγματικότητας. Η τιμή-στόχος είναι στατιστική. Η ποιότητα μετράται με ακρίβεια, συναρτήσεις απώλειας ή διαστήματα εμπιστοσύνης.

Οι αποφάσεις χαρτοφυλακίου ακολουθούν διαφορετική δομή.

Εδώ δεν υπάρχει συνεχής μεταβλητή-στόχος που προσεγγίζεται. Αντ' αυτού, υπάρχει ένα σύνολο διακριτών επιλογών που είτε επιλέγονται είτε δεν επιλέγονται. Κάθε συνδυασμός αλλάζει τον προϋπολογισμό, τον κίνδυνο, τη χρήση των πόρων και τη στρατηγική κατεύθυνση.

Ένα απλό παράδειγμα απεικονίζει τη διαφορά:

Ένα νευρωνικό δίκτυο μπορεί να προβλέψει με μεγάλη πιθανότητα πώς θα εξελιχθεί ένα τμήμα της αγοράς. Ωστόσο, η απόφαση σχετικά με το ποια 12 από τα 47 πιθανά επενδυτικά σχέδια θα υλοποιηθούν εντός ενός προϋπολογισμού 100 εκατ. ευρώ δεν είναι πρόβλημα πρόβλεψης - αλλά πρόβλημα συνδυαστικής επιλογής.

Το σύστημα δεν χρειάζεται να μάθει πώς μοιάζει ένα μοτίβο. Πρέπει να υπολογίσει μια συνολική επιλογή υπό περιορισμούς.

Αυτή η δομική διαφορά παραβλέπεται σε πολλούς οργανισμούς.

2. Συστήματα μάθησης έναντι συστημάτων λήψης αποφάσεων

Για να γίνει κατανοητή η διαφορά με ακρίβεια, είναι απαραίτητη μια συστηματική σύγκριση.

Συστήματα μάθησης

• Βελτιστοποίηση στατιστικών συναρτήσεων σφάλματος
• Εργάζονται με δεδομένα εκπαίδευσης και δοκιμής
• Παρέχουν πιθανότητες ή συνεχείς εξόδους
• Είναι συχνά στοχαστικά
• Δεν έχουν εγγενή λογική περιορισμών
• Δεν εγγυώνται τη βέλτιστη συνολική απόφαση

Συστήματα αποφάσεων

• Βελτιστοποιούν μια διακριτή αντικειμενική συνάρτηση
• Εξετάζουν σκληρούς περιορισμούς
• Εργάζονται σε έναν πλήρη χώρο συνδυασμών
• Απαιτούν όρια και λογική κυριαρχίας
• Απαιτούν συνολική συνέπεια
• Μπορεί να παρέχει πιστοποιητικά βελτιστότητας

Η διαφορά δεν έγκειται στο "επίπεδο ευφυΐας", αλλά στην κατηγορία του προβλήματος.

Τα συστήματα μάθησης απαντούν στο ερώτημα:

Τι είναι πιθανό

Τα συστήματα αποφάσεων απαντούν στο ερώτημα:

Ποιος συνδυασμός είναι βέλτιστος

3. Ο εκθετικός χώρος αποφάσεων

Η κεντρική μαθηματική πρόκληση των αποφάσεων χαρτοφυλακίου είναι η εκθετική συνδυαστική.

Με Ν έργα, υπάρχουν ^2Ν πιθανοί συνδυασμοί.

• 10 έργα → 1.024 συνδυασμοί
• 20 έργα → 1.048.576 συνδυασμοί
• 30 έργα → 1.073.741.824 συνδυασμοί
• 50 έργα → πάνω από 1 τετράκις εκατομμύριο συνδυασμοί

Κάθε ένας από αυτούς τους συνδυασμούς αντιπροσωπεύει μια πιθανή κατανομή κεφαλαίου με το δικό του προφίλ κινδύνου και απόδοσης.

Επιπλέον, υπάρχουν

• Περιορισμοί του προϋπολογισμού
• λογικές εξαρτήσεις
• Περιορισμοί πόρων
• στρατηγικές προτεραιότητες
• κανονιστικές απαιτήσεις

Το πρόβλημα δεν είναι η πρόβλεψη των επιμέρους αξιών των έργων. Το πρόβλημα είναι η ταυτόχρονη αξιολόγηση όλων των επιτρεπτών συνδυασμών.

Οι ευρετικές μέθοδοι αναζητούν τμήματα αυτού του χώρου. Οι ακριβείς μέθοδοι τον δομούν συστηματικά.

4. Ευρετικές μέθοδοι και τα διαρθρωτικά τους όρια

Οι εξελικτικοί αλγόριθμοι, η νοημοσύνη σμήνους και άλλες μέθοδοι ΔΕ χρησιμοποιούν στρατηγικές αναζήτησης με βάση τον πληθυσμό.

Είναι αποτελεσματικές εάν:

• Ο χώρος αναζήτησης είναι συνεχής
• Η προσέγγιση είναι επαρκής
• Δεν απαιτείται απόδειξη της βελτιστότητας

Ωστόσο, δεν εγγυώνται ότι θα βρεθεί το παγκόσμιο βέλτιστο. Παρέχουν καλές λύσεις - όχι απαραίτητα τις καλύτερες.

Αυτό είναι αποδεκτό για την ταξινόμηση εικόνων.

Για επενδυτικές αποφάσεις πολλών δισεκατομμυρίων δολαρίων, τίθεται ένα διαφορετικό ζήτημα διακυβέρνησης.

5. Ακριβείς αρχιτεκτονικές βελτιστοποίησης

Εδώ αρχίζει μια άλλη κατηγορία αλγοριθμικών συστημάτων.

Ο μικτός ακέραιος προγραμματισμός επιτρέπει τη μοντελοποίηση διακριτών αποφάσεων υπό γραμμικούς περιορισμούς.

Η διακλάδωση και οριοθέτηση αναλύει συστηματικά το χώρο αναζήτησης και αποκλείει μαθηματικά άσχετες περιοχές.

Ο προγραμματισμός με περιορισμούς χρησιμοποιεί λογική συνέπεια για να μειώσει τη συνδυαστική έκρηξη.

Ο στοχαστικός προγραµµατισµός ενσωµατώνει επίσηµα την αβεβαιότητα στο µοντέλο βελτιστοποίησης.

Η ανθεκτική βελτιστοποίηση προστατεύει από τα χειρότερα σενάρια.

Η θεωρία παγκόσμιας βελτιστοποίησης παρέχει αποδείξεις σύγκλισης και πιστοποιητικά βελτιστότητας.

Αυτές οι μέθοδοι δεν είναι αλγόριθμοι εκμάθησης. Είναι αρχιτεκτονικές αποφάσεων.

6. Διακυβέρνηση και λογοδοσία

Οι στρατηγικές επενδυτικές αποφάσεις δεν αφορούν μόνο την ακρίβεια, αλλά και τη λογοδοσία.

Ένα προσεγγιστικό αποτέλεσμα μπορεί να είναι εύλογο. Ωστόσο, δεν μπορεί να αποδείξει ότι δεν υπάρχει καλύτερη εναλλακτική λύση.

Μια προσέγγιση συνολικής βελτιστοποίησης μπορεί - υπό καθορισμένες υποθέσεις - να παράσχει απόδειξη της βέλτιστης κατάστασης.

Αυτή η διαφορά είναι σημαντική από ρυθμιστική, υπεύθυνη και στρατηγική άποψη.

7. Από την τεχνητή νοημοσύνη στη νοημοσύνη αποφάσεων

Δεν είναι κάθε ευφυές σύστημα ένα σύστημα λήψης αποφάσεων.

Η νοημοσύνη αποφάσεων με την έννοια της συνολικής βελτιστοποίησης χαρτοφυλακίου σημαίνει

• Πλήρης ανάλυση του χώρου συνδυασμών
• Διαμόρφωση διαρθρωτικών φραγμών
• Εξάλειψη της κυριαρχίας
• Εκ των προτέρων υπολογισμός των βέλτιστων διαμορφώσεων

Αυτό δεν αποτελεί επέκταση της μηχανικής μάθησης. Πρόκειται για μια διαφορετική κατηγορία αλγοριθμικής αρχιτεκτονικής.

Ενώ τα συστήματα μάθησης εξάγουν γνώση, τα συστήματα αποφάσεων κατασκευάζουν βέλτιστες καταστάσεις.

Η διάκριση είναι θεμελιώδης.

8. Τα μαθηματικά πίσω από τις αποφάσεις χαρτοφυλακίου

Για να γίνει πλήρως κατανοητή η δομική διαφορά μεταξύ των συστημάτων μάθησης και των αρχιτεκτονικών αποφάσεων, πρέπει να εξεταστεί ρητά η μαθηματική φύση των αποφάσεων χαρτοφυλακίου.

Μια στρατηγική επενδυτική απόφαση μπορεί να αναπαρασταθεί τυπικά ως πρόβλημα βελτιστοποίησης:

Μεγιστοποίηση: f(x)

Υπό τους περιορισμούς:

• Ax ≤ b (περιορισμοί προϋπολογισμού και πόρων)
• x ∈ {0^,1}N (διακριτή επιλογή)
• λογικές εξαρτήσεις μεταξύ έργων
• Όρια κινδύνου
• ελάχιστες στρατηγικές απαιτήσεις

Το διάνυσμα απόφασης x περιγράφει ποια έργα επιλέγονται. Κάθε μεταβλητή μπορεί να λάβει μόνο δύο καταστάσεις: υλοποίηση ή μη υλοποίηση.

Η συνάρτηση στόχου μπορεί να περιέχει διάφορες διαστάσεις:

• Απόδοση της επένδυσης
• Προφίλ ταμειακών ροών
• Βασικά στοιχεία κινδύνου
• στρατηγική προτεραιότητα
• Δέσμευση κεφαλαίου

Ακόμη και ένας μέτριος αριθμός έργων δημιουργεί ένα συνδυαστικό χώρο που αυξάνεται εκθετικά. Αυτή η ιδιότητα δεν αποτελεί πρόβλημα λογισμικού. Είναι μαθηματικά εγγενής.

Ένα σύστημα μάθησης θα προσπαθούσε να προβλέψει τις τιμές των έργων.

Ένα σύστημα λήψης αποφάσεων, ωστόσο, πρέπει να αξιολογήσει όλους τους επιτρεπτούς συνδυασμούς υπό περιορισμούς.

Αυτή είναι η δομική διαφορά.

9. Γιατί η προσέγγιση δεν είναι το ίδιο με τη βελτιστοποίηση

Οι ευρετικές μέθοδοι μπορούν να βρουν πολύ καλές λύσεις. Σε πολλές τεχνικές εφαρμογές, είναι αποτελεσματικές και επαρκείς.

Ωστόσο, υπάρχει μια ποιοτική διαφορά μεταξύ του "πολύ καλή" και του "συνολικά βέλτιστη".

Μια προσεγγιστική λύση απαντά στην ερώτηση:

Είναι αυτή η λύση καλή

Μια σφαιρική βελτιστοποίηση απαντά στο ερώτημα:

Υπάρχει καλύτερη λύση

Αυτή η διαφορά δεν είναι σημασιολογική, αλλά δομική.

Ένας οικονομικός διευθυντής δεν χρειάζεται να γνωρίζει αν ένας επενδυτικός συνδυασμός φαίνεται εύλογος. Πρέπει να γνωρίζει αν είναι η καλύτερη διαθέσιμη εναλλακτική λύση υπό τους δεδομένους περιορισμούς.

Χωρίς μια πλήρη ή συστηματικά περιορισμένη αναζήτηση του χώρου αποφάσεων, το ερώτημα αυτό παραμένει αναπάντητο.

10. Κλάδος-και-δεσμεύσεις και διαρθρωτικοί περιορισμοί

Οι μέθοδοι branch-and-bound είναι ένα παράδειγμα του τρόπου με τον οποίο ένας εκθετικός χώρος αναζήτησης μπορεί να ελεγχθεί δομικά.

Ο χώρος χωρίζεται σε υποχώρους (διακλαδώσεις). Υπολογίζεται ένα άνω και κάτω όριο για κάθε υποχώρο (bounding).

Εάν ένα όριο αποδεικνύει ότι δεν μπορεί να βρεθεί καλύτερο αποτέλεσμα από το καλύτερο μέχρι στιγμής, αυτός ο υποχώρος αποκλείεται.

Δεν πρόκειται για ευρετική αναζήτηση, αλλά για μαθηματικό αποκλεισμό.

Αυτή η λογική είναι ζωτικής σημασίας:

Το σύστημα δεν χρειάζεται να αξιολογήσει πλήρως κάθε συνδυασμό. Ωστόσο, πρέπει να αποδείξει ότι οι μη αξιολογημένοι συνδυασμοί δεν υπερβαίνουν το βέλτιστο.

Αυτό είναι δομικά διαφορετικό από τη στοχαστική αναζήτηση.

11. Μικτός ακέραιος προγραμματισμός ως μοντέλο απόφασης

Ο μικτός-ολοκληρωτικός προγραμματισμός (MIP) παρέχει ένα επίσημο πλαίσιο μοντελοποίησης για το συνδυασμό διακριτών και συνεχών μεταβλητών.

Επιτρέπει

• την ακριβή απεικόνιση των περιορισμών του προϋπολογισμού
• λογικές εξαρτήσεις του έργου
• Όρια χωρητικότητας
• γραμμικών και μη γραμμικών μεταβλητών στόχων

Σε συνδυασμό με διαδικασίες branch-and-bound ή cutting-plane, δημιουργείται μια αρχιτεκτονική αποφάσεων που όχι μόνο βρίσκει λύσεις, αλλά και πιστοποιεί τη βέλτιστη λειτουργία τους.

Αυτό είναι ιδιαίτερα σημαντικό όταν οι αποφάσεις είναι εντάσεως κεφαλαίου ή ευαίσθητες σε κανονιστικές ρυθμίσεις.

12. Αβεβαιότητα: στοχαστική έναντι ανθεκτικής

Πολλοί οργανισμοί υποστηρίζουν ότι η αβεβαιότητα καθιστά αδύνατη την ακριβή βελτιστοποίηση.

Πρόκειται για παρανόηση.

Ο στοχαστικός προγραμματισμός ενσωματώνει ρητά τα σενάρια στο μοντέλο. Η εύρωστη βελτιστοποίηση ορίζει τα μεγέθη αβεβαιότητας και βελτιστοποιεί έναντι της χειρότερης περίπτωσης.

Η αβεβαιότητα δεν αγνοείται. Μοντελοποιείται επίσημα.

Αυτό διακρίνει τις δομημένες αρχιτεκτονικές αποφάσεων από τις αμιγώς βασισμένες σε δεδομένα προσεγγίσεις.

13. Διακυβέρνηση και δυνατότητα ελέγχου

Οι στρατηγικές αποφάσεις υπόκεινται όλο και περισσότερο σε ρυθμιστικό έλεγχο.

Ερωτήματα που προκύπτουν:

• Γιατί υλοποιήθηκε το έργο Α και όχι το έργο Β
• Εξετάστηκαν όλες οι εναλλακτικές λύσεις
• Χρησιμοποιήθηκε ο προϋπολογισμός με τον καλύτερο δυνατό τρόπο
• Υπάρχει κατανοητή διαδικασία λήψης αποφάσεων

Τα ευρετικά συστήματα συχνά δεν παρέχουν πλήρη διαφάνεια σχετικά με τις εναλλακτικές λύσεις που απορρίφθηκαν.

Οι αρχιτεκτονικές συνολικής βελτιστοποίησης, από την άλλη πλευρά, παρέχουν τεκμηρίωση:

• Μείωση του χώρου αναζήτησης
• Σχέσεις κυριαρχίας
• Αποδείξεις των ορίων
• Πιστοποιητικά βελτιστότητας

Αυτό δημιουργεί δυνατότητα ελέγχου και ιχνηλασιμότητας.

14. Νοημοσύνη αποφάσεων ως ανεξάρτητη κατηγορία

Η νοημοσύνη αποφάσεων δεν αποτελεί υποκατηγορία της μηχανικής μάθησης.

Είναι μια ανεξάρτητη κατηγορία αλγοριθμικών συστημάτων που:

• μοντελοποιούν πλήρεις χώρους αποφάσεων
• χρησιμοποιούν συνδυαστικές δομές
• Ενσωµατώνουν περιορισµούς
• επιβάλλουν συνολική συνοχή
• Επιτρέπουν αποδείξεις βελτιστότητας

Ενώ τα συστήματα μάθησης υπολογίζουν πιθανότητες, η νοημοσύνη αποφάσεων κατασκευάζει βέλτιστες καταστάσεις.

15. Εκ των προτέρων αντί για εκ των υστέρων

Πολλοί οργανισμοί αναλύουν τις αποφάσεις εκ των υστέρων.

Η εκ των προτέρων βελτιστοποίηση σημαίνει

Η βέλτιστη διαμόρφωση υπολογίζεται πριν από τη δέσμευση κεφαλαίων.

Αυτό όχι μόνο μειώνει το κόστος ευκαιρίας, αλλά και τις διαρθρωτικές λανθασμένες κατανομές.

16. Από τη συνδυαστική έκρηξη στη δομική δυνατότητα ελέγχου

Οι εκθετικοί χώροι δεν είναι άλυτοι.

Αποτελούν πρόκληση.

Μέσω:

• Εξάλειψη κυριαρχίας
• Σχηματισμό φραγμών
• Αξιοποίηση πλεονασμού
• Παραλληλισμό
• Δομική ανάλυση

ένας χώρος αποφάσεων μπορεί να μειωθεί συστηματικά.

Ωστόσο, αυτό απαιτεί μια αρχιτεκτονική που είναι σχεδιασμένη για τη δομή αποφάσεων και όχι για την αναγνώριση προτύπων.

17. Ο ρόλος του StratePlan

Το StratePlan έχει σχεδιαστεί ως μια συνολική αρχιτεκτονική αποφάσεων.

Δεν είναι ένα μοντέλο πρόβλεψης και δεν είναι ένα καθαρό σύστημα μηχανικής μάθησης.

Η αρχιτεκτονική αναλύει πλήρεις χώρους συνδυασμού χαρτοφυλακίων υπό περιορισμούς, περιορισμούς προϋπολογισμού και απαιτήσεις πολλαπλών στόχων.

Το παγκόσμιο βέλτιστο υπολογίζεται εκ των προτέρων μέσω συστηματικού σχηματισμού περιορισμών, μείωσης της συνδυαστικής δομής και αλγοριθμικής αξιοποίησης πλεονασμού.

Δεν είναι αληθοφανής. Δεν προσομοιώνεται. Δεν προσεγγίζεται.

Αλλά δομικά καθορισμένο.

18. Προοπτική CFO: η κατανομή κεφαλαίου ως πρόβλημα βελτιστοποίησης

Για τους οικονομικούς διευθυντές, το κεφάλαιο δεν είναι μια στατιστική αναμενόμενη αξία, αλλά ένας σπάνιος πόρος.

Κάθε επένδυση έχει κόστος ευκαιρίας.

Ένας μη βελτιστοποιημένος συνδυασμός σημαίνει

• χαμένες αποδόσεις
• περιττή δέσμευση κεφαλαίου
• στρατηγική λανθασμένη στάθμιση

Η εκ των προτέρων συνολική βελτιστοποίηση μετατρέπει την κατανομή κεφαλαίου από μια εύλογη απόφαση σε μια υπολογισμένη απόφαση.

19. Συμπέρασμα: Κάθε ευφυές σύστημα δεν λαμβάνει βέλτιστες αποφάσεις

Η υπολογιστική νοημοσύνη είναι ισχυρή και απαραίτητη σε πολλούς τομείς.

Ωστόσο, επιλύει πρωτίστως προβλήματα μάθησης.

Οι αποφάσεις χαρτοφυλακίου και επενδύσεων είναι δομικά προβλήματα συνδυαστικής βελτιστοποίησης.

Απαιτούν αρχιτεκτονικές αποφάσεων που:

• εξετάζουν τον πλήρη χώρο
• Ενσωµατώνουν περιορισµούς
• Μοντελοποιούν επίσημα την αβεβαιότητα
• μπορούν να αποδείξουν τη συνολική βελτιστότητα

Η ευφυΐα των αποφάσεων αρχίζει εκεί που τελειώνει η προσέγγιση.

Το παγκόσμιο βέλτιστο δεν είναι μια γνώμη.

Είναι μια ιδιότητα των δεδομένων - και της δομής του χώρου αποφάσεων.

Συχνές ερωτήσεις - Συστήματα μάθησης, συστήματα αποφάσεων και συνολική βελτιστοποίηση χαρτοφυλακίου

1. Η υπολογιστική νοημοσύνη δεν είναι ήδη αρκετά ισχυρή για αποφάσεις χαρτοφυλακίου

Η υπολογιστική νοημοσύνη είναι εξαιρετικά ισχυρή σε πολλούς τομείς εφαρμογής - ιδίως στην αναγνώριση προτύπων, την πρόβλεψη και τον προσαρμοστικό έλεγχο. Ωστόσο, οι αποφάσεις χαρτοφυλακίου αντιπροσωπεύουν μια διαφορετική κατηγορία προβλημάτων.

Ενώ τα συστήματα ΤΝ υπολογίζουν πιθανότητες ή προσεγγιστικές λύσεις, οι αποφάσεις χαρτοφυλακίου απαιτούν τη διακριτή επιλογή ενός βέλτιστου συνδυασμού υπό περιορισμούς. Η μαθηματική δομή διαφέρει θεμελιωδώς: η πρόβλεψη είναι ένα συνεχές πρόβλημα προσέγγισης, ενώ η επιλογή χαρτοφυλακίου είναι ένα πρόβλημα συνδυαστικής βελτιστοποίησης.

Η ΚΠ μπορεί να παρέχει υποστήριξη. Ωστόσο, δεν αντικαθιστά μια συνολική αρχιτεκτονική αποφάσεων.

2. Γιατί δεν αρκεί μια "πολύ καλή" λύση

Σε επιχειρησιακές εφαρμογές, μια πολύ καλή λύση μπορεί να είναι αρκετή. Σε στρατηγικές αποφάσεις έντασης κεφαλαίου, ωστόσο, είναι κρίσιμο να υπάρχει καλύτερη εναλλακτική λύση.

Μια ευρετική λύση μπορεί να φαίνεται εύλογη. Ωστόσο, δεν μπορεί να αποδείξει ότι δεν υπάρχει καλύτερος συνδυασμός εντός των επιτρεπτών περιορισμών.

Η σφαιρική βελτιστοποίηση απαντά ακριβώς σε αυτό το ερώτημα.

3. Οι εκθετικοί χώροι αποφάσεων δεν είναι θεμελιωδώς άλυτοι

Οι εκθετικοί χώροι αποφάσεων είναι δύσκολοι, αλλά όχι άλυτοι. Η πλήρης απαρίθμηση όλων των συνδυασμών δεν είναι συχνά απαραίτητη στην πράξη.

Ο πραγματικός χώρος αναζήτησης μπορεί να μειωθεί δραστικά με τη δημιουργία ορίων, σχέσεων κυριαρχίας, μείωσης δομών και συστηματικών μεθόδων αναζήτησης, όπως το branch-and-bound.

Το ερώτημα δεν είναι αν ο χώρος αυξάνεται εκθετικά - αλλά αν υπάρχει μια αρχιτεκτονική που μπορεί να τον ελέγξει δομικά.

4. Τι διακρίνει το branch-and-bound από την ευρετική αναζήτηση

Η ευρετική αναζήτηση αξιολογεί δείγματα στο χώρο αποφάσεων. Η μέθοδος branch-and-bound αποσυνθέτει συστηματικά το χώρο και αποκλείει μαθηματικά υποχώρους εάν δεν μπορούν να ξεπεράσουν το βέλτιστο.

Η αποφασιστική διαφορά έγκειται στην απόδειξη της βέλτιστης κατάστασης. Οι ευρετικές μέθοδοι βρίσκουν καλές λύσεις. Το branch-and-bound μπορεί να αποδείξει ότι δεν υπάρχει καλύτερη λύση.

5. Δεν είναι ο μικτός ακέραιος προγραμματισμός πολύ αργός για μεγάλα χαρτοφυλάκια

Ο μικτός ακέραιος προγραμματισμός είναι υπολογιστικά εντατικός. Ωστόσο, οι σύγχρονοι επιλυτές συνδυάζουν διακλάδωση και δέσμευση, σχέδια κοπής, ευρετικές μέθοδοι και παραλληλισμό.

Επιπλέον, η επιλυσιμότητα εξαρτάται λιγότερο από το καθαρό μέγεθος του προβλήματος παρά από τη δομή του μοντέλου. Τα δομημένα μοντέλα χαρτοφυλακίου μπορούν συχνά να επιλυθούν πολύ πιο αποδοτικά από ό,τι θα έδειχναν οι αδόμητοι χώροι αναζήτησης.

Ο καθοριστικός παράγοντας είναι η αρχιτεκτονική - όχι μόνο ο αριθμός των μεταβλητών.

6. Πώς λαμβάνεται υπόψη η αβεβαιότητα στη συνολική βελτιστοποίηση

Η αβεβαιότητα μπορεί να ενσωματωθεί τυπικά, για παράδειγμα μέσω

• στοχαστικό προγραμματισμό με δέντρα σεναρίων
• Βελτιστοποίηση αναμενόμενης αξίας
• Εξαρτημένη αξία κινδύνου (CVaR)
• στιβαρή βελτιστοποίηση έναντι ποσοτήτων αβεβαιότητας

Η αβεβαιότητα δεν αγνοείται, αλλά μοντελοποιείται ρητά.

7. Η συνολική βελτιστοποίηση σημαίνει ντετερμινιστική ακαμψία

Όχι. Ντετερμινιστική σε αυτό το πλαίσιο δεν σημαίνει άκαμπτη, αλλά κατανοητή και δομικά συνεπής.

Ένα μοντέλο σφαιρικής βελτιστοποίησης μπορεί να παραμετροποιηθεί ευέλικτα. Αλλαγές στις παραδοχές οδηγούν σε νέα υπολογισμένα βέλτιστα. Η ευελιξία έγκειται στις παραμέτρους - όχι στην αυθαιρεσία της λύσης.

8. Πώς διαφέρει η Νοημοσύνη Αποφάσεων από τη Μηχανική Μάθηση

Η μηχανική μάθηση εξάγει μοτίβα από δεδομένα και παράγει προβλέψεις. Η Νοημοσύνη Αποφάσεων μοντελοποιεί χώρους αποφάσεων και υπολογίζει βέλτιστες καταστάσεις υπό περιορισμούς.

Η μηχανική μάθηση απαντά στο ερώτημα: "Τι είναι πιθανό;"

Η Νοημοσύνη Αποφάσεων απαντά στο ερώτημα: "Ποιος επιτρεπτός συνδυασμός μεγιστοποιεί την τιμή-στόχο;"

Και οι δύο μπορούν να συνδυαστούν - αλλά επιλύουν διαφορετικές κατηγορίες προβλημάτων.

9. Μπορεί η μηχανική μάθηση να αποτελέσει μέρος μιας αρχιτεκτονικής αποφάσεων

Ναι, τα μοντέλα πρόβλεψης μπορούν, για παράδειγμα, να παρέχουν παραμέτρους εισόδου για ένα μοντέλο βελτιστοποίησης, όπως αναμενόμενες ταμειακές ροές ή τιμές κινδύνου.

Ωστόσο, η ίδια η βελτιστοποίηση παραμένει ένα ανεξάρτητο βήμα που υπολογίζει διακριτές αποφάσεις επιλογής υπό περιορισμούς.

10. Γιατί η διακυβέρνηση αποτελεί βασικό επιχείρημα για τη συνολική βελτιστοποίηση

Οι στρατηγικές επενδυτικές αποφάσεις υπόκεινται όλο και περισσότερο σε ρυθμιστικό έλεγχο και εσωτερικό έλεγχο.

Μια προσεγγιστική μέθοδος σπάνια μπορεί να δείξει με διαφάνεια ποιες εναλλακτικές λύσεις έχουν εξεταστεί και απορριφθεί.

Μια διαδικασία σφαιρικής βελτιστοποίησης τεκμηριώνει συστηματικά:

• αξιολογούμενους συνδυασμούς
• αποκλεισμένες υποπεριοχές
• Σχέσεις κυριαρχίας
• Αποδείξεις της βέλτιστης λειτουργίας

Αυτό αυξάνει την αναθεωρησιμότητα και την ιχνηλασιμότητα των αποφάσεων.

11. Πώς σχετίζεται η σφαιρική βελτιστοποίηση με τα NP-δύσκολα προβλήματα

Πολλές αποφάσεις χαρτοφυλακίου είναι NP-hard. Αυτό δεν σημαίνει ότι είναι άλυτες. Σημαίνει ότι στη χειρότερη περίπτωση δεν μπορεί να εξασφαλιστεί πολυωνυμικός χρόνος εκτέλεσης.

Στην πράξη, τα προβλήματα του πραγματικού κόσμου είναι συχνά δομημένα έτσι ώστε να είναι δυνατές αποδοτικές λύσεις. Επιπλέον, οι σύγχρονες υπολογιστικές αρχιτεκτονικές επιτρέπουν τον παραλληλισμό και την ευρετική επιτάχυνση μέσα σε ένα ακριβές πλαίσιο.

12. Είναι πάντα απαραίτητη η συνολική βελτιστοποίηση

Όχι σε κάθε περίπτωση.

Η προσέγγιση μπορεί να είναι επαρκής για λειτουργικές, βραχυπρόθεσμες ή χαμηλής αξίας αποφάσεις.

Ωστόσο, όσο μεγαλύτερη είναι η δέσμευση κεφαλαίου, η στρατηγική σημασία και η ρυθμιστική ευαισθησία, τόσο μεγαλύτερη είναι η ανάγκη για διαρθρωτική βελτιστοποίηση.

13. Πώς κλιμακώνεται μια συνολική αρχιτεκτονική αποφάσεων

Η κλιμάκωση πραγματοποιείται μέσω:

• Παραλληλισμός
• Σχηματισμό φραγμών
• Μείωση της κυριαρχίας
• Διάρθρωση μοντέλου
• Αποσύνθεση του προβλήματος

Ο καθοριστικός παράγοντας είναι ότι η κλιμάκωση δεν επιτυγχάνεται με τυχαία αναζήτηση, αλλά με δομική αναγωγή.

14. Πώς ενσωματώνεται η βελτιστοποίηση πολλαπλών στόχων

Η βελτιστοποίηση πολλαπλών στόχων μπορεί να αντιστοιχιστεί με τη χρήση σταθμισμένων αντικειμενικών συναρτήσεων, την ανάλυση μετώπου Pareto ή τη λεξικογραφική ιεράρχηση.

Η αρχιτεκτονική δεν πρέπει να αγνοεί τους αντικρουόμενους στόχους, αλλά να τους χαρτογραφεί συστηματικά.

15. Τι σημαίνει "Το παγκόσμιο βέλτιστο είναι μια ιδιότητα των δεδομένων"

Μια μαθηματικά βέλτιστη λύση υπάρχει υπό καθορισμένες παραμέτρους, περιορισμούς και συναρτήσεις-στόχους. Αυτό δεν είναι μια άποψη, αλλά το αποτέλεσμα δομικού υπολογισμού.

Εάν οι παράμετροι αλλάξουν, το βέλτιστο αλλάζει. Ωστόσο, η ύπαρξη ενός βέλτιστου είναι ανεξάρτητη από την υποκειμενική προτίμηση.

16. Πώς διαφέρει η προσομοίωση από τη βελτιστοποίηση

Η προσομοίωση αξιολογεί σενάρια. Η βελτιστοποίηση αναζητά συστηματικά το χώρο λύσεων και προσδιορίζει την καλύτερη επιτρεπόμενη εναλλακτική λύση.

Η προσομοίωση απαντά στο ερώτημα: "Τι θα συμβεί αν;"

Η βελτιστοποίηση απαντά: "Ποια απόφαση μεγιστοποιεί την τιμή-στόχο μεταξύ όλων των επιτρεπόμενων εναλλακτικών λύσεων;"

17. Πώς η εκ των προτέρων βελτιστοποίηση μειώνει το κόστος ευκαιρίας

Το κόστος ευκαιρίας προκύπτει όταν υπάρχει μια καλύτερη εναλλακτική λύση αλλά δεν υλοποιείται.

Ο σφαιρικός υπολογισμός μειώνει την πιθανότητα διαρθρωτικής λανθασμένης κατανομής, καθώς εξετάζονται ή αποκλείονται μαθηματικά όλοι οι επιτρεπτοί συνδυασμοί.

18. Είναι η Νοημοσύνη Αποφάσεων υποκατάστατο της διοίκησης

Όχι. Δεν αντικαθιστά τον καθορισμό στρατηγικών στόχων ή την κανονιστική ιεράρχηση προτεραιοτήτων.

Ωστόσο, αντικαθιστά διαισθητικές, ευρετικές ή πολιτικά προκατειλημμένες αποφάσεις κατανομής με διαρθρωτικούς υπολογισμούς.

19. Πώς εξασφαλίζεται η διαφάνεια

Η διαφάνεια δημιουργείται με

• σαφή μοντελοποίηση των περιορισμών
• τεκμηριωμένες λειτουργίες στόχου
• κατανοητή διαμόρφωση ορίων
• αναπαραγώγιμες διαδικασίες υπολογισμού

Αυτό επιτρέπει την ιχνηλασιμότητα σε επίπεδο διοικητικού συμβουλίου και ελέγχου.

20. Πότε αρχίζει η ευφυΐα αποφάσεων

Η ευφυΐα αποφάσεων αρχίζει όταν οι οργανισμοί συνειδητοποιούν ότι οι σύνθετες επενδυτικές αποφάσεις δεν είναι προβλήματα πρόβλεψης, αλλά συνδυαστικά διαρθρωτικά προβλήματα.

Αρχίζει όταν η προσέγγιση δεν είναι πλέον επαρκής - και η διαρθρωτική βελτιστοποίηση καθίσταται αναγκαία.

---

Συμπληρωματικές Συχνές Ερωτήσεις - Γιατί η κλασική τεχνητή νοημοσύνη αποτυγχάνει δομικά στις αποφάσεις χαρτοφυλακίου

1. Γιατί ένα νευρωνικό δίκτυο δεν μπορεί απλά να μάθει το βέλτιστο χαρτοφυλάκιο

Ένα νευρωνικό δίκτυο μαθαίνει μια συνάρτηση με βάση ιστορικά δεδομένα. Προσεγγίζει τις συσχετίσεις μεταξύ των εισόδων και των τιμών-στόχων.

Ωστόσο, το βέλτιστο χαρτοφυλάκιο δεν είναι μια παρατηρήσιμη μεταβλητή-στόχος, αλλά το αποτέλεσμα μιας απόφασης διακριτού συνδυασμού υπό περιορισμούς.

Δεν υπάρχει σύνολο δεδομένων εκπαίδευσης που να ταξινομεί σωστά όλους τους δυνατούς συνδυασμούς ως "βέλτιστους" ή "μη βέλτιστους".

Το βέλτιστο δεν είναι μια ιστορική παρατήρηση - είναι μια μαθηματική ιδιότητα του πλήρους χώρου αποφάσεων.

2. Γιατί η ενισχυτική μάθηση δεν μπορεί να εγγυηθεί τη βέλτιστη κατανομή κεφαλαίου

Η ενισχυτική μάθηση βελτιστοποιεί μέσω διερευνητικής αλληλεπίδρασης με ένα περιβάλλον. Μαθαίνει πολιτικές μέσω συναρτήσεων ανταμοιβής.

Ωστόσο, οι αποφάσεις χαρτοφυλακίου δεν είναι διαδοχικές διαδικασίες δοκιμής και λάθους, αλλά εφάπαξ, υψηλής κεφαλαιοποίησης διακριτές αποφάσεις υπό περιορισμούς.

Η εξερεύνηση στον πραγματικό χώρο δεν είναι δυνατή εδώ. Οι λανθασμένες αποφάσεις είναι μη αναστρέψιμες και δαπανηρές.

Η RL μπορεί να μάθει προσαρμοστικές στρατηγικές. Ωστόσο, δεν μπορεί να αποδείξει συστηματικά έναν πλήρη συνδυαστικό χώρο.

3. Γιατί η πρόβλεψη δεν ισούται με τη βελτιστοποίηση

Τα κλασικά συστήματα τεχνητής νοημοσύνης είναι μηχανές πρόβλεψης.

Απαντούν σε ερωτήματα όπως:

• Πώς είναι πιθανό να εξελιχθεί το έργο Α
• Ποια είναι η πιθανότητα αποτυχίας
• Πώς αλλάζει η αγορά

Ωστόσο, η βελτιστοποίηση απαντά:

Ποιος συνδυασμός όλων των έργων μεγιστοποιεί το ποσό-στόχο υπό τους περιορισμούς του προϋπολογισμού και του κινδύνου

Η πρόβλεψη αποτελεί εισροή. Η βελτιστοποίηση είναι η λογική της απόφασης.

Η σύγχυση των δύο είναι λάθος κατηγορίας.

4. Γιατί η κλασική τεχνητή νοημοσύνη κλιμακώνεται ελάχιστα σε εκθετικούς χώρους αποφάσεων

Τα μοντέλα μηχανικής μάθησης κλιμακώνονται με τον όγκο των δεδομένων, όχι με τη συνδυαστική δομή.

Ένα χαρτοφυλάκιο 40 έργων παράγει πάνω από ένα τρισεκατομμύριο δυνατούς συνδυασμούς. Αυτοί οι συνδυασμοί δεν υπάρχουν ως παραδείγματα εκπαίδευσης.

Ένα μοντέλο δεν μπορεί να μάθει συνδυασμούς που δεν έχουν ποτέ αξιολογηθεί ρητά.

Οι εκθετικοί χώροι αποφάσεων απαιτούν δομική αναζήτηση και οριακή λογική - όχι γενίκευση προτύπων.

5. Γιατί οι ευρετικές μέθοδοι τεχνητής νοημοσύνης δεν παρέχουν βεβαιότητα διακυβέρνησης

Οι ευρετικές μέθοδοι παρέχουν καλές ή πολύ καλές λύσεις.

Ωστόσο, συνήθως δεν μπορούν να τεκμηριώσουν

• ποιοι συνδυασμοί έχουν αποκλειστεί δομικά
• αν υπάρχει καλύτερη λύση
• ποιες σχέσεις κυριαρχίας εφαρμόστηκαν

Η αληθοφάνεια δεν αρκεί για την ασφάλεια του σκάφους και της αναθεώρησης. Απαιτείται δομική ιχνηλασιμότητα.

6. Γιατί το πρόβλημα του μαύρου κουτιού είναι ιδιαίτερα κρίσιμο εδώ

Στην ταξινόμηση εικόνων ή στην παραγωγή κειμένων, η έλλειψη πλήρους ερμηνευσιμότητας είναι ανεκτή.

Είναι προβληματική στην κατανομή κεφαλαίου.

Όταν κατανέμονται προϋπολογισμοί δισεκατομμυρίων, πρέπει να είναι δυνατή η εξήγησή τους:

• Γιατί επιλέχθηκε αυτός ο συνδυασμός
• Ποιες εναλλακτικές λύσεις απορρίφθηκαν
• Ποιοι περιορισμοί ήταν δεσμευτικοί

Η προσέγγιση του μαύρου κουτιού δεν υποκαθιστά τη δομική απόδειξη της απόφασης.

7. Γιατί η προσομοίωση δεν αποτελεί λύση

Η προσομοίωση αξιολογεί σενάρια.

Απαντά σε ερωτήματα όπως:

• Τι θα συμβεί αν επιλέξουμε αυτόν τον συνδυασμό
• Πώς συμπεριφέρεται το χαρτοφυλάκιο υπό ορισμένες υποθέσεις

Ωστόσο, δεν απαντά

Ποιος επιτρεπτός συνδυασμός είναι ο καλύτερος από όλες τις εναλλακτικές λύσεις

Η προσομοίωση είναι διερευνητική. Η βελτιστοποίηση είναι επιλεκτική.

8. Γιατί η "υποστήριξη αποφάσεων με τεχνητή νοημοσύνη" είναι συχνά μόνο υποστήριξη προβλέψεων

Πολλά συστήματα που χαρακτηρίζονται ως "υποστηριζόμενα από τεχνητή νοημοσύνη" παρέχουν:

• Τιμές βαθμολογίας
• Προβλέψεις κινδύνου
• Συστάσεις ιεράρχησης

Η τελική επιλογή εξακολουθεί συχνά να γίνεται ευριστικά ή πολιτικά.

Η διαρθρωτική βελτιστοποίηση αποφάσεων αντικαθιστά αυτή την ευρετική τελική επιλογή με συστηματικό υπολογισμό.

9. Γιατί η κλασική ΤΝ αποτυγχάνει, ιδίως με περιορισμούς

Τα μοντέλα μηχανικής μάθησης δεν είναι πρωτίστως σχεδιασμένα για να εγγυώνται σκληρούς λογικούς περιορισμούς.

Ωστόσο, οι περιορισμοί του προϋπολογισμού, τα όρια χωρητικότητας ή οι κανονιστικές απαιτήσεις δεν είναι μαλακοί - είναι δεσμευτικοί.

Τα μοντέλα βελτιστοποίησης ενσωματώνουν αυτούς τους περιορισμούς τυπικά. Τα μοντέλα μάθησης συχνά τους προσεγγίζουν έμμεσα ή κατάντη.

Αυτό είναι δομικά διαφορετικό.

10. Γιατί τα "περισσότερα δεδομένα" δεν αποτελούν λύση

Τα περισσότερα δεδομένα βελτιώνουν την ακρίβεια των προβλέψεων.

Ωστόσο, δεν μειώνει τη συνδυαστική έκρηξη των διακριτών χώρων αποφάσεων.

Ο αριθμός των πιθανών χαρτοφυλακίων δεν εξαρτάται από την ποσότητα των δεδομένων, αλλά από τον αριθμό των διακριτών έργων.

Η εκθετική δομή δεν μπορεί να ακυρωθεί με την κλιμάκωση των δεδομένων.

11. Γιατί δεν αρκεί η τοπική βελτιστοποίηση

Πολλές μέθοδοι τεχνητής νοημοσύνης συγκλίνουν σε τοπικά βέλτιστα ή σταθερές καταστάσεις.

Οι αποφάσεις χαρτοφυλακίου απαιτούν σφαιρική θεώρηση.

Ένα τοπικό βέλτιστο μπορεί να είναι υποβέλτιστο εάν ένας άλλος συνδυασμός - δομικά πιο απομακρυσμένος - προσφέρει υψηλότερη εκπλήρωση στόχου.

Η σφαιρική βελτιστοποίηση αποτρέπει αυτή τη δομική τύφλωση.

12. Γιατί η νοημοσύνη αποφάσεων δεν αποτελεί υποκατηγορία της ΤΝ

Η κλασική τεχνητή νοημοσύνη αναπτύχθηκε κυρίως με στόχο την αναπαραγωγή της ανθρώπινης αντίληψης και της αναγνώρισης προτύπων.

Η νοημοσύνη αποφάσεων με την έννοια της συνολικής βελτιστοποίησης χαρτοφυλακίου προκύπτει από τη θεωρία συνδυαστικής βελτιστοποίησης.

Δεν βασίζεται πρωτίστως στη μάθηση, αλλά στη δομή, στη μείωση του χώρου αναζήτησης και στη λογική της βελτιστοποίησης.

Και οι δύο κλάδοι είναι συναφείς - αλλά όχι ταυτόσημοι.

13. Πότε η κλασική ΤΝ είναι επαρκής - και πότε όχι

Είναι επαρκής όταν:

• Η πρόβλεψη είναι το βασικό πρόβλημα
• Η προσέγγιση είναι επαρκής
• Τα σφάλματα είναι ανεκτά

Δεν είναι επαρκής όταν

• απαιτείται διακριτή επιλογή υπό περιορισμούς
• Οι περιορισμοί του προϋπολογισμού είναι δεσμευτικοί
• Το κόστος ευκαιρίας είναι σημαντικό
• Απαιτείται απόδειξη της διακυβέρνησης

Εδώ αρχίζει η βελτιστοποίηση των διαρθρωτικών αποφάσεων.

14. Ποιος είναι ο πυρήνας της διαρθρωτικής αποτυχίας

Η δομική αποτυχία της κλασικής ΤΝ σε αποφάσεις χαρτοφυλακίου δεν έγκειται στην απόδοσή της, αλλά στην κατηγορία προβλημάτων.

Η τεχνητή νοημοσύνη είναι μια ισχυρή τεχνολογία για την αναγνώριση προτύπων και την πρόβλεψη.

Ωστόσο, η βελτιστοποίηση χαρτοφυλακίου δεν είναι πρόβλημα μοτίβου, αλλά πρόβλημα συνδυαστικής δομής.

Όποιος εξισώνει τα δύο μπερδεύει την πιθανότητα με τη βελτιστοποίηση.

Κλείνοντας

Sascha Rissel, Διευθύνων Σύμβουλος mAInthink GmbH

Βιώνουμε επί του παρόντος μια φάση στην οποία σχεδόν κάθε τεχνολογική λύση κατατάσσεται κάτω από τον όρο "τεχνητή νοημοσύνη". Αναγνώριση προτύπων, γλωσσικά μοντέλα, συστήματα πρόβλεψης - όλα αυτά είναι εντυπωσιακές εξελίξεις. Υπάρχει όμως ένα πράγμα που δεν πρέπει να συγχέουμε:

Η ευφυΐα με την έννοια της μάθησης δεν είναι το ίδιο με την ευφυΐα με την έννοια της λήψης αποφάσεων.

Οι επιχειρηματικές αποφάσεις και οι αποφάσεις για δημόσιες επενδύσεις δεν είναι προβλήματα πρόβλεψης. Είναι συνδυαστικά διαρθρωτικά προβλήματα που υπόκεινται σε περιορισμούς, δημοσιονομικούς περιορισμούς και αντικρουόμενους στόχους. Όποιος τα αντιμετωπίζει σαν ένα πρόβλημα αναγνώρισης προτύπων τα υποβαθμίζει σε πιθανότητες - και χάνει τη δομή στη διαδικασία.

Το StratePlan προέκυψε από αυτήν ακριβώς τη διαπίστωση.

Χρησιμοποιούμε υβριδική τεχνητή νοημοσύνη όπου έχει νόημα - για την παραμετροποίηση, για τη μοντελοποίηση της αβεβαιότητας, για την πρόβλεψη των εξελίξεων. Αλλά η πραγματική απόφαση δεν προσεγγίζεται. Υπολογίζεται.

Με ακριβή πολυνηματική αρχιτεκτονική, μείωση της συνδυαστικής δομής και ντετερμινιστική λογική βελτιστοποίησης, αναλύουμε πλήρεις χώρους αποφάσεων - όχι μόνο σενάρια.

Αυτό δεν είναι διαφήμιση.
Είναι μαθηματικά.

Στόχος μας δεν είναι να προσφέρουμε καλύτερες υποθέσεις.
Ο στόχος μας είναι να επιτρέψουμε δομικά καλύτερες αποφάσεις.

Επειδή το κεφάλαιο είναι πεπερασμένο.
Το κόστος ευκαιρίας είναι πραγματικό.
Και το παγκόσμιο βέλτιστο δεν είναι μια άποψη.

Είναι μια ιδιότητα των δεδομένων - και της δομής του χώρου αποφάσεων.

-
Sascha Rissel
Διευθύνων Σύμβουλος, mAInthink GmbH