Kāpēc skaitļošanas intelekts nepieņem portfeļa lēmumus

Mācīšanās sistēmas pret lēmumu pieņemšanas sistēmām - un kāpēc globālās optimizācijas arhitektūras ir atsevišķa kategorija

Kopsavilkums

Pēdējos gados termins "mākslīgais intelekts" ir kļuvis par vispārīgu apzīmējumu gandrīz visiem uz datiem balstītu lēmumu pieņemšanas atbalsta veidiem. Dziļā mācīšanās, neironu tīkli, pastiprināta mācīšanās un saistītās metodes arvien biežāk tiek uztvertas kā universāli problēmu risinātāji - pat stratēģisko ieguldījumu un portfeļa lēmumu kontekstā.

Tomēr šis vienādojums ir strukturāli nepareizs.

Datorizētā inteliģence (DI) - kas būtībā sastāv no neironu tīkliem, evolūcijas algoritmiem, saimes intelekta, izplūdušām sistēmām un varbūtības metodēm - vēsturiski ir radusies kā atbilde uz neprecīzām, nelineārām un stohastiskām reālās pasaules problēmām. KI sistēmas apgūst modeļus, aproksimē funkcijas un adaptīvi pielāgojas jauniem datiem.

Tomēr portfeļu un ieguldījumu lēmumi tiek pieņemti saskaņā ar citu loģiku.

Tās nav rakstu atpazīšanas problēmas. Tās ir kombinatoriskas optimizācijas problēmas ar ierobežojumiem, budžeta ierobežojumiem, savstarpējām atkarībām un reglamentējošiem nosacījumiem. Kamēr mācīšanās sistēmas aprēķina varbūtības, lēmumu pieņemšanas sistēmām ir jāpieņem diskrēti atlases lēmumi - eksponenciāli augošās lēmumu telpās.

Atšķirība ir būtiska.

Šajā rakstā ir analizēta strukturālā atšķirība starp adaptīvajām mācīšanās sistēmām un globālo lēmumu arhitektūrām, izskaidrota eksponenciālo portfeļu telpu matemātiskā daba un parādīts, kāpēc ex-ante globālā optimizācija ir patstāvīga algoritmiskā intelekta kategorija.

1. Kļūdains priekšstats: modeļu atpazīšana nav lēmums

Mūsdienu mākslīgā intelekta sistēmu panākumi ir nenoliedzami. Valodas modeļi ģenerē saskanīgus tekstus. Attēlu atpazīšanas sistēmas ar augstu precizitāti identificē objektus. Pastiprinājuma mācīšanās arhitektūras pārspēj pasaules čempionus sarežģītās spēlēs.

Tomēr šīs sistēmas risina konkrētu problēmu:

Tās aproksimē nezināmu funkciju, pamatojoties uz novērotajiem datiem.

Formāli runājot, tās minimizē kļūdas lielumu starp prognozi un realitāti. Mērķa vērtība ir statistiska. Kvalitāti mēra, izmantojot precizitāti, zaudējumu funkcijas vai ticamības intervālus.

Portfeļa lēmumiem ir atšķirīga struktūra.

Šeit nav aproksimējama nepārtraukta mērķa mainīgā lieluma. Tā vietā ir diskrētu iespēju kopums, kuras izvēlas vai neizvēlas. Katra kombinācija maina budžetu, risku, resursu izmantošanu un stratēģisko virzienu.

Vienkāršs piemērs ilustrē atšķirību:

Neironu tīkls ar lielu varbūtību var prognozēt, kā attīstīsies tirgus segments. Tomēr lēmums par to, kuri 12 no 47 iespējamiem investīciju projektiem tiks īstenoti 100 miljonu euro budžeta ietvaros, nav prognozēšanas problēma, bet gan kombinatoriskas izvēles problēma.

Sistēmai nav jāmācās, kā izskatās modelis. Tai ir jāaprēķina globālā atlase saskaņā ar ierobežojumiem.

Daudzās organizācijās šī strukturālā atšķirība netiek ņemta vērā.

2. Mācīšanās sistēmas pret lēmumu pieņemšanas sistēmām

Lai precīzi izprastu atšķirību, ir nepieciešams sistemātisks salīdzinājums.

Mācīšanās sistēmas

• Optimizē statistiskās kļūdas funkcijas
• Darbojas ar mācību un testa datiem
• Sniedz varbūtības vai nepārtrauktus rezultātus
• Bieži vien ir stohastiskas
• Tām nav raksturīgas ierobežojumu loģikas
• Negarantē globālu lēmuma optimālumu

Lēmumu sistēmas

• Optimizē diskrētu mērķa funkciju
• Ņem vērā stingrus ierobežojumus
• Darbojas pilnā kombināciju telpā
• Pieprasa ierobežojumus un dominances loģiku
• Pieprasa globālu konsekvenci
• Var sniegt optimāluma sertifikātus

Atšķirība nav "intelekta līmenī", bet gan problēmu klasē.

Mācīšanās sistēmas atbild uz jautājumu:

Kas ir iespējams?

Lēmumu sistēmas atbild uz jautājumu:

Kura kombinācija ir optimāla?

3. Eksponenciālā lēmumu telpa

Galvenais matemātiskais izaicinājums portfeļa lēmumu pieņemšanā ir eksponenciālā kombinatorika.

Ar N projektiem ir ^2N iespējamo kombināciju.

• 10 projekti → 1 024 kombinācijas
• 20 projekti → 1 048 576 kombinācijas
• 30 projekti → 1 073 741 824 kombinācijas
• 50 projekti → vairāk nekā 1 kvadriljons kombināciju

Katra no šīm kombinācijām ir potenciāls kapitāla sadalījums ar savu riska un ienesīguma profilu.

Turklāt ir

• Budžeta ierobežojumi
• loģiskās atkarības
• Resursu ierobežojumi
• stratēģiskās prioritātes
• normatīvās prasības

Problēma nav atsevišķu projektu vērtību prognozēšana. Problēma ir visu pieļaujamo kombināciju vienlaicīga novērtēšana.

Eiristiskās metodes meklē šīs telpas daļas. Eksaktās metodes to sistemātiski strukturē.

4. Eiristiskās metodes un to strukturālās robežas

Evolūcijas algoritmi, saimes intelekts un citas KI metodes izmanto uz populācijām balstītas meklēšanas stratēģijas.

Tās ir efektīvas, ja:

• Meklēšanas telpa ir nepārtraukta
• Aproksimācija ir pietiekama
• Optimāluma pierādījums nav nepieciešams

Tomēr tās negarantē, ka tiks atrasts globālais optimums. Tie nodrošina labus risinājumus - ne vienmēr labākos.

Tas ir pieņemami attēlu klasifikācijai.

Attiecībā uz daudzmiljardu investīciju lēmumiem rodas cits pārvaldības jautājums.

5. Precīzas optimizācijas arhitektūras

Šeit sākas cita algoritmisko sistēmu klase.

Jauktā integrālo skaitļu programmēšana ļauj modelēt diskrētus lēmumus ar lineāriem ierobežojumiem.

Atšķiras un ierobežo sistemātiski sadala meklēšanas telpu un matemātiski izslēdz nebūtiskas jomas.

Ierobežojumu programmēšana izmanto loģisko konsekvenci, lai samazinātu kombinatorisko eksploziju.

Stohastiskā programmēšana formāli integrē nenoteiktību optimizācijas modelī.

Robusta optimizācija aizsargā pret sliktākajiem scenārijiem.

Globālās optimizācijas teorija nodrošina konverģences pierādījumus un optimāluma sertifikātus.

Šīs metodes nav mācīšanās algoritmi. Tās ir lēmumu arhitektūras.

6. Pārvaldība un pārskatatbildība

Stratēģiskie investīciju lēmumi ir saistīti ne tikai ar precizitāti, bet arī ar pārskatatbildību.

Aptuvens rezultāts var būt ticams. Tomēr tas nevar pierādīt, ka nepastāv labāka alternatīva.

Globālās optimizācijas pieeja, ievērojot noteiktus pieņēmumus, var sniegt optimāluma pierādījumu.

Šī atšķirība ir būtiska no regulatīvā, atbildības un stratēģiskā viedokļa.

7. No mākslīgā intelekta līdz lēmumu inteliģencei

Ne katra inteliģenta sistēma ir lēmumu pieņemšanas sistēma.

Lēmumu inteliģence globālās portfeļa optimizācijas izpratnē nozīmē.

• Pilnīga kombināciju telpas analīze
• Strukturālo barjeru veidošana
• Dominances novēršana
• Ex-ante optimālo konfigurāciju aprēķins

Tas nav mašīnmācīšanās paplašinājums. Tā ir cita algoritmu arhitektūras kategorija.

Mācīšanās sistēmas iegūst zināšanas, bet lēmumu pieņemšanas sistēmas konstruē optimālus stāvokļus.

Šī atšķirība ir būtiska.

8. Matemātika, kas ir pamatā portfeļa lēmumiem

Lai pilnībā izprastu strukturālo atšķirību starp mācīšanās sistēmām un lēmumu arhitektūrām, ir skaidri jāaplūko portfeļa lēmumu matemātiskā būtība.

Stratēģisku ieguldījumu lēmumu formāli var attēlot kā optimizācijas problēmu:

Maksimizēt: f(x)

Saskaņā ar ierobežojumiem:

• Ax ≤ b (budžeta un resursu ierobežojumi)
• x ∈ {0^,1}N (diskrēta izvēle)
• loģiskās atkarības starp projektiem
• Riska ierobežojumi
• minimālās stratēģiskās prasības

Lēmumu vektors x apraksta, kuri projekti tiek atlasīti. Katrs mainīgais var ieņemt tikai divus stāvokļus: realizēt vai nerealizēt.

Mērķa funkcija var ietvert vairākas dimensijas:

• Ienākums no ieguldījumiem
• Naudas plūsmas profils
• Galvenie riska rādītāji
• stratēģiskā prioritāte
• Kapitāla saistības

Pat mērens projektu skaits rada kombinatorisko telpu, kas eksponenciāli pieaug. Šī īpašība nav programmatūras problēma. Tā ir matemātiski raksturīga.

Mācību sistēma mēģinātu prognozēt projektu vērtības.

Savukārt lēmumu pieņemšanas sistēmai ir jāizvērtē visas pieļaujamās kombinācijas, ievērojot ierobežojumus.

Tā ir strukturālā atšķirība.

9. Kāpēc aproksimācija nav tas pats, kas optimālums

Eirētiskās metodes var atrast ļoti labus risinājumus. Daudzos tehniskos lietojumos tās ir efektīvas un pietiekamas.

Tomēr ir kvalitatīva atšķirība starp "ļoti labs" un "globāli optimāls".

Aproksimēts risinājums atbild uz jautājumu:

Vai šis risinājums ir labs?

Globālā optimizācija atbild uz jautājumu:

Vai pastāv labāks risinājums?

Šī atšķirība nav semantiska, bet gan strukturāla.

Finanšu direktoram nav jāzina, vai ieguldījumu kombinācija šķiet ticama. Viņam ir jāzina, vai tā ir labākā pieejamā alternatīva, ņemot vērā dotos ierobežojumus.

Bez pilnīgas vai sistemātiski ierobežotas lēmumu telpas izpētes šis jautājums paliek neatbildēts.

10. Atsevišķas nozares un strukturālie ierobežojumi

Nozaru un robežu metodes ir piemērs tam, kā eksponentā meklēšanas telpa var tikt strukturāli kontrolēta.

Telpa tiek sadalīta apakštelpās (sazarojumos). Katrai apakštelpai tiek aprēķināta augšējā un apakšējā robeža (norobežošana).

Ja ierobežojums pierāda, ka nav iespējams atrast labāku rezultātu par līdz šim labāko, šo apakštelpu izslēdz.

Tā nav heiristiska meklēšana, bet gan matemātiska izslēgšana.

Šai loģikai ir izšķiroša nozīme:

Sistēmai nav pilnībā jāizvērtē katra kombinācija. Tomēr tai ir jāpierāda, ka nenovērtētās kombinācijas nepārsniedz optimumu.

Tas strukturāli atšķiras no stohastiskās meklēšanas.

11. Jaukta integrālo skaitļu programmēšana kā lēmumu pieņemšanas modelis

Jauktā integrālā programmēšana (MIP) nodrošina formālu modelēšanas sistēmu, lai apvienotu diskrētos un nepārtrauktos mainīgos.

Tā ļauj

• precīzi atspoguļot budžeta ierobežojumus
• loģiskās projekta atkarības
• Jaudas ierobežojumus
• lineāros un nelineāros mērķa mainīgos

Apvienojumā ar sazarojuma un robežu vai griešanas plaknes procedūrām tiek izveidota lēmumu arhitektūra, kas ne tikai atrod risinājumus, bet arī apliecina to optimālumu.

Tas ir īpaši svarīgi, ja lēmumi ir kapitālietilpīgi vai reglamentējoši.

12. Nenoteiktība: stohastisks pret robustu risinājumu

Daudzas organizācijas apgalvo, ka nenoteiktība neļauj veikt precīzu optimizāciju.

Tas ir pārpratums.

Stohastiskā programmēšana skaidri iekļauj modelī scenārijus. Robusta optimizācija definē nenoteiktības lielumus un optimizē pret sliktāko iespējamo gadījumu.

Nenoteiktība netiek ignorēta. Tā tiek formāli modelēta.

Tas atšķir strukturētas lēmumu arhitektūras no tikai uz datiem balstītām aproksimācijām.

13. Pārvaldība un auditējamība

Stratēģiskie lēmumi arvien biežāk tiek pakļauti regulatīvai kontrolei.

Rodas jautājumi:

• Kāpēc projekts A tika īstenots, bet projekts B ne?
• Vai tika apsvērtas visas alternatīvas?
• Vai budžets tika izmantots optimāli?
• Vai lēmumu pieņemšanas process ir saprotams?

Heiristiskās sistēmas bieži vien nenodrošina pilnīgu pārredzamību par noraidītajām alternatīvām.

Globālās optimizācijas arhitektūras, no otras puses, nodrošina dokumentāciju:

• Meklēšanas telpas samazinājumus
• Dominances attiecības
• Robežu pierādījumi
• Optimāluma sertifikāti

Tas nodrošina auditējamību un izsekojamību.

14. Lēmumu izlūkošana kā neatkarīga kategorija

Lēmumu intelekts nav mašīnmācīšanās apakškategorija.

Tā ir neatkarīga algoritmisko sistēmu klase, kas:

• modelē pilnīgas lēmumu telpas
• izmanto kombinatoriskas struktūras
• Integrē ierobežojumus
• nodrošina globālu konsekvenci
• Ļauj veikt optimāluma pierādījumus

Mācīšanās sistēmas aprēķina varbūtības, bet lēmumu intelekts konstruē optimālus stāvokļus.

15. Ex-ante, nevis ex-post

Daudzas organizācijas analizē lēmumus ex post.

Ex-ante optimizācija nozīmē

Labākā konfigurācija tiek aprēķināta, pirms tiek ieguldīts kapitāls.

Tas ne tikai samazina alternatīvās izmaksas, bet arī strukturāli nepareizu sadalījumu.

16. No kombinatoriskā sprādziena līdz strukturālai kontrolējamībai

Eksponenciālas telpas nav neatrisināmas.

Tās ir izaicinošas.

Ar:

• Dominances novēršana
• Barjeru veidošana
• Atlaižu izmantošana
• Paralēlisācija
• Strukturālā analīze

lēmumu pieņemšanas telpu var sistemātiski samazināt.

Tomēr tam ir nepieciešama arhitektūra, kas ir paredzēta lēmumu struktūrai, nevis modeļu atpazīšanai.

17. StratePlan loma

StratePlan ir izstrādāts kā globāla lēmumu arhitektūra.

Tā nav prognozēšanas modelis un nav tīra mašīnmācīšanās sistēma.

Arhitektūra analizē pilnīgas portfeļu kombināciju telpas, ievērojot ierobežojumus, budžeta ierobežojumus un daudzmērķīgas prasības.

Globālais optimums tiek aprēķināts ex ante, izmantojot sistemātisku ierobežojumu veidošanu, kombinatoriskās struktūras samazināšanu un algoritmisko atlaižu izmantošanu.

Nav ticams. Nav simulēts. Nav aproksimēts.

Bet strukturāli noteikts.

18. Finanšu direktoru perspektīva: kapitāla piešķiršana kā optimizācijas problēma

Finanšu direktoriem kapitāls nav statistiski sagaidāma vērtība, bet gan ierobežots resurss.

Katram ieguldījumam ir alternatīvās izmaksas.

Neoptimalizēta kombinācija nozīmē

• nesaņemto peļņu
• nevajadzīgas kapitāla saistības
• stratēģiski nepareiza svēršana

Ex-ante globālā optimizācija pārvērš kapitāla sadalījumu no ticama lēmuma par aprēķinātu lēmumu.

19. Secinājums: ne katra inteliģenta sistēma pieņem optimālus lēmumus

Daudzās jomās skaitļošanas intelekts ir spēcīgs un neaizstājams.

Tomēr tā galvenokārt risina mācīšanās problēmas.

Portfeļa un ieguldījumu lēmumi strukturāli ir kombinatoriskas optimizācijas problēmas.

Tām nepieciešamas lēmumu arhitektūras, kas:

• ņem vērā visu telpu
• Integrē ierobežojumus
• Formāli modelē nenoteiktību
• var pierādīt globālo optimālumu

Lēmumu izlūkošana sākas tur, kur aproksimācija beidzas.

Globālais optimums nav viedoklis.

Tas ir datu un lēmumu telpas struktūras īpašība.

Bieži uzdotie jautājumi - Mācīšanās sistēmas, lēmumu pieņemšanas sistēmas un globālā portfeļa optimizācija

1. Vai skaitļošanas intelekts jau nav pietiekami jaudīgs, lai pieņemtu lēmumus par portfeli?

Skaitļošanas intelekts ir ārkārtīgi spēcīgs daudzās pielietojuma jomās - jo īpaši tēlu atpazīšanā, prognozēšanā un adaptīvā vadībā. Tomēr portfeļa lēmumi ir atšķirīga problēmu klase.

Ja KI sistēmas aprēķina varbūtības vai aptuvenus risinājumus, tad portfeļa lēmumi prasa diskrētu optimālas kombinācijas izvēli, ievērojot ierobežojumus. Matemātiskā struktūra būtiski atšķiras: prognozēšana ir nepārtraukta aproksimācijas problēma, bet portfeļa izvēle ir kombinatoriska optimizācijas problēma.

KI var sniegt atbalstu. Tomēr tā neaizstāj globālo lēmumu arhitektūru.

2. Kāpēc nepietiek ar "ļoti labu" risinājumu?

Operatīvajos lietojumos var pietikt ar ļoti labu risinājumu. Tomēr, pieņemot kapitālietilpīgus stratēģiskus lēmumus, ir būtiski, vai pastāv labāka alternatīva.

Eiristisks risinājums var šķist ticams. Tomēr tas nevar pierādīt, ka pieļaujamo ierobežojumu ietvaros labāka kombinācija nepastāv.

Globālā optimizācija atbild tieši uz šo jautājumu.

3. Vai eksponenciālas lēmumu telpas nav fundamentāli neatrisināmas?

Eksponenciālās lēmumu telpas ir sarežģītas, bet ne neatrisināmas. Praksē bieži vien nav nepieciešams pilnībā uzskaitīt visas kombinācijas.

Efektīvo meklēšanas telpu var krasi samazināt, izveidojot robežas, dominances attiecības, struktūras samazināšanu un sistemātiskas meklēšanas metodes, piemēram, sazarojumu un robežu.

Jautājums nav par to, vai telpa pieaug eksponenciāli, bet gan par to, vai pastāv arhitektūra, kas to var strukturāli kontrolēt.

4. Kas atšķir sazaroto un ierobežoto meklēšanu no heiristiskās meklēšanas?

Heiristiskā meklēšana novērtē paraugus lēmumu telpā. Branch-and-bound sistemātiski dekomponē telpu un matemātiski izslēdz apakštelpas, ja tās nevar sasniegt optimālo rezultātu.

Izšķirošā atšķirība ir optimāluma pierādījumā. Eiristikas atrod labus risinājumus. Atšķirības un robežas var pierādīt, ka labāks risinājums neeksistē.

5. Vai jauktā integrālo skaitļu programmēšana nav pārāk lēna lieliem portfeļiem?

Jauktā integrālo skaitļu programmēšana ir skaitliski ietilpīga. Tomēr mūsdienu risinātājprogrammās ir apvienoti sazarošana un ierobežošana, griešanas plāni, eiristikas un paralēlizācija.

Turklāt atrisināmība ir mazāk atkarīga no tīrā problēmas lieluma nekā no modeļa struktūras. Strukturētus portfeļa modeļus bieži vien var atrisināt daudz efektīvāk, nekā tas būtu iespējams no nestrukturētām meklēšanas telpām.

Izšķirošais faktors ir arhitektūra, nevis tikai mainīgo skaits.

6. Kā globālajā optimizācijā tiek ņemta vērā nenoteiktība?

Nenoteiktību var formāli integrēt, piemēram, izmantojot

• stohastisko programmēšanu ar scenāriju kokiem
• Sagaidāmās vērtības optimizāciju
• Nosacītā riska vērtība (CVaR)
• stabilu optimizāciju, ņemot vērā nenoteiktības lielumus

Tādējādi nenoteiktība netiek ignorēta, bet gan skaidri modelēta.

7. Vai globālā optimizācija nozīmē deterministisku stingrību?

Deterministiska šajā kontekstā nenozīmē stingra, bet gan saprotama un strukturāli konsekventa.

Globālās optimizācijas modeli var elastīgi parametrizēt. Pieņēmumu izmaiņas noved pie jauna aprēķinātā optimuma. Elastīgums ir parametros, nevis risinājuma patvaļīgumā.

8. Ar ko lēmumu intelekts atšķiras no mašīnmācīšanās?

Mašīnmācīšanās no datiem iegūst modeļus un ģenerē prognozes. Lēmumu inteliģence modelē lēmumu telpas un aprēķina optimālos stāvokļus, ievērojot ierobežojumus.

Mašīnmācīšanās atbild uz jautājumu: "Kas ir iespējams?"

Lēmumu inteliģence atbild uz jautājumu: "Kura pieļaujamā kombinācija maksimizē mērķa vērtību?"

Abas šīs metodes var kombinēt, taču tās risina atšķirīgas problēmu klases.

9. Vai mašīnmācīšanās var būt daļa no lēmumu arhitektūras?

Jā, prognozēšanas modeļi var, piemēram, nodrošināt optimizācijas modeļa ieejas parametrus, piemēram, paredzamās naudas plūsmas vai riska vērtības.

Tomēr pati optimizācija joprojām ir neatkarīgs posms, kas aprēķina diskrētos atlases lēmumus saskaņā ar ierobežojumiem.

10. Kāpēc pārvaldība ir galvenais arguments globālajai optimizācijai?

Stratēģiskie investīciju lēmumi arvien biežāk tiek pakļauti regulatīvajai kontrolei un iekšējai revīzijai.

Aptuvenā metode reti kad var pārredzami parādīt, kuras alternatīvas ir apsvērtas un noraidītas.

Globālās optimizācijas process sistemātiski dokumentē:

• izvērtētās kombinācijas
• izslēgtās apakšjomas
• Dominances attiecības
• Optimāluma pierādījumus

Tas palielina pārskatāmību un lēmumu izsekojamību.

11. Kā globālā optimizācija ir saistīta ar NP grūtajām problēmām?

Daudzi portfeļa lēmumi ir NP-grūti. Tas nenozīmē, ka tie nav atrisināmi. Tas nozīmē, ka sliktākajā gadījumā nevar garantēt polinomiālu izpildes laiku.

Praksē reālās pasaules problēmas bieži ir strukturētas tā, ka ir iespējami efektīvi risinājumi. Turklāt modernās skaitļošanas arhitektūras ļauj veikt paralēlizāciju un heiristisku paātrināšanu precīzā sistēmā.

12. Vai vienmēr ir nepieciešama globālā optimizācija?

Ne visās situācijās.

Aproksimācija var būt pietiekama operatīviem, īstermiņa vai mazvērtīgiem lēmumiem.

Tomēr, jo lielākas ir kapitāla saistības, stratēģiskā nozīme un regulatīvā jutība, jo lielāka ir strukturālās optimizācijas nepieciešamība.

13. Kā globālā lēmumu arhitektūra ir mērogojama?

Mēroga palielināšana notiek, izmantojot:

• Paralēlisācija
• Barjeru veidošana
• Dominances samazināšana
• Modeļa strukturēšana
• Problēmas dekompozīcija

Izšķirošais faktors ir tas, ka mērogošana netiek panākta ar nejaušu meklēšanu, bet gan ar strukturālu samazināšanu.

14. Kā tiek integrēta daudzobjektīva optimizācija?

Daudzobjektīvo optimizāciju var kartēt, izmantojot svērtās mērķa funkcijas, Pareto frontes analīzi vai leksikogrāfisko prioritāšu noteikšanu.

Arhitektūra nedrīkst ignorēt konfliktējošus mērķus, bet gan sistemātiski tos kartēt.

15. Ko nozīmē "Globālais optimums ir datu īpašība"?

Matemātiski optimāls risinājums eksistē pie noteiktiem parametriem, ierobežojumiem un mērķa funkcijām. Tas nav viedoklis, bet gan strukturālu aprēķinu rezultāts.

Ja parametri mainās, mainās arī optimums. Tomēr optimuma pastāvēšana nav atkarīga no subjektīvām vēlmēm.

16. Ar ko simulācija atšķiras no optimizācijas?

Simulācija izvērtē scenārijus. Optimizācija sistemātiski meklē risinājumu telpu un nosaka labāko pieļaujamo alternatīvu.

Simulācija atbild uz jautājumu: "Kas notiks, ja?"

Optimizācija atbild: "Kurš lēmums no visām pieļaujamajām alternatīvām maksimizē mērķa vērtību?"

17. Kā ex-ante optimizācija samazina alternatīvās izmaksas?

Iespēju izmaksas rodas, ja pastāv labāka alternatīva, bet tā netiek īstenota.

Globālais aprēķins samazina strukturāli nepareizas sadales varbūtību, jo tiek ņemtas vērā vai matemātiski izslēgtas visas pieļaujamās kombinācijas.

18. Vai lēmumu inteliģence ir vadības aizstājējs?

Nē. Tas neaizstāj stratēģisko mērķu noteikšanu vai normatīvo prioritāšu noteikšanu.

Tomēr tas aizstāj intuitīvus, heiristiskus vai politiski neobjektīvus sadales lēmumus ar strukturāliem aprēķiniem.

19. Kā tiek nodrošināta pārredzamība?

Pārredzamību nodrošina

• skaidra ierobežojumu modelēšana
• dokumentētas mērķa funkcijas
• saprotama robežu veidošana
• reproducējami aprēķinu procesi

Tas nodrošina izsekojamību valdes un revīzijas līmenī.

20. Kad sākas lēmumu izlūkošana?

Lēmumu inteliģence sākas tad, kad organizācijas saprot, ka sarežģīti investīciju lēmumi nav prognozēšanas problēmas, bet gan kombinatoriskas strukturālas problēmas.

Tas sākas tad, kad ar tuvināšanu vairs nepietiek - un kļūst nepieciešama strukturālā optimizācija.

---

Papildu bieži uzdotie jautājumi - Kāpēc klasiskais mākslīgais intelekts portfeļa lēmumu pieņemšanā strukturālā ziņā ir neveiksmīgs?

1. Kāpēc neironu tīkls nevar vienkārši iemācīties optimālo portfeli?

Neironu tīkls mācās funkciju, pamatojoties uz vēsturiskiem datiem. Tas aproksimē korelācijas starp ievaddatiem un mērķa vērtībām.

Tomēr optimālais portfelis nav novērojams mērķa mainīgais lielums, bet gan diskrētas kombinācijas lēmuma rezultāts saskaņā ar ierobežojumiem.

Nav mācību datu kopas, kas pareizi klasificētu visas iespējamās kombinācijas kā "optimālas" vai "neoptimālas".

Optimālais nav vēsturisks novērojums - tā ir pilnīgas lēmumu telpas matemātiska īpašība.

2. Kāpēc pastiprināta mācīšanās nevar garantēt optimālu kapitāla sadalījumu?

Pastiprinājuma mācīšanās optimizē, izmantojot pētniecisku mijiedarbību ar vidi. Tā apgūst politiku, izmantojot atlīdzības funkcijas.

Tomēr portfeļa lēmumi nav secīgi izmēģinājumu un kļūdu procesi, bet gan vienreizēji, ļoti kapitalizēti diskrēti lēmumi ar ierobežojumiem.

Pētīšana reālajā telpā šeit nav iespējama. Nepareizi lēmumi ir neatgriezeniski un dārgi.

RL var apgūt adaptīvas stratēģijas. Tomēr tā nevar sistemātiski pierādīt pilnu kombinatorisko telpu.

3. Kāpēc prognozēšana nav līdzvērtīga optimizācijai?

Klasiskās mākslīgā intelekta sistēmas ir prognozēšanas mašīnas.

Tās atbild uz šādiem jautājumiem:

• Kā, iespējams, attīstīsies projekts A?
• Kāda ir neveiksmes varbūtība?
• Kā mainās tirgus?

Tomēr optimizācija atbild:

Kura visu projektu kombinācija maksimāli palielina mērķa rādītāju, ņemot vērā budžeta un riska ierobežojumus?

Prognozes ir ievaddati. Optimizācija ir lēmumu loģika.

Ja tos abus sajauc, ir kategoriju kļūda.

4. Kāpēc klasiskais mākslīgais intelekts slikti darbojas eksponenciālās lēmumu telpās?

Mašīnmācīšanās modeļu mērogs ir atkarīgs no datu apjoma, nevis no kombinatoriskās struktūras.

40 projektu portfelis rada vairāk nekā triljonu iespējamo kombināciju. Šīs kombinācijas neeksistē kā mācību piemēri.

Modelis nevar iemācīties kombinācijas, kas nekad nav bijušas nepārprotami novērtētas.

Eksponenciālām lēmumu telpām ir nepieciešama strukturāla meklēšana un robežu loģika, nevis modeļu vispārināšana.

5. Kāpēc heiristiskās mākslīgā intelekta metodes nenodrošina pārvaldības noteiktību?

Eiristiskās metodes nodrošina labus vai ļoti labus risinājumus.

Tomēr tās parasti nevar dokumentēt

• kuras kombinācijas ir strukturāli izslēgtas
• vai pastāv labāks risinājums
• kādas dominances attiecības ir piemērotas

Ticamība nav pietiekama, lai nodrošinātu valdes un pārskatīšanas drošību. Nepieciešama strukturāla izsekojamība.

6. Kāpēc melnās kastes problēma šeit ir īpaši svarīga?

Attēlu klasifikācijā vai teksta ģenerēšanā pilnīgas interpretējamības trūkums ir pieļaujams.

Tas ir problemātiski kapitāla piešķiršanā.

Kad tiek piešķirti miljardiem lieli budžeti, jābūt iespējai tos izskaidrot:

• Kāpēc tika izvēlēta šī kombinācija?
• Kādas alternatīvas tika noraidītas?
• Kādi ierobežojumi bija saistoši?

Melnās kastes aproksimācija nevar aizstāt strukturālu lēmuma pierādījumu.

7. Kāpēc simulācija nav risinājums?

Simulācija izvērtē scenārijus.

Tā sniedz atbildes uz šādiem jautājumiem:

• Kas notiks, ja mēs izvēlēsimies šo kombināciju?
• Kā portfelis uzvedīsies pie noteiktiem pieņēmumiem?

Tomēr tā neatbild

Kura pieļaujamā kombinācija ir labākā no visām alternatīvām?

Simulācija ir pētnieciska. Optimizācija ir selektīva.

8. Kāpēc "mākslīgā intelekta atbalstīts lēmumu pieņemšanas atbalsts" bieži vien ir tikai prognozēšanas atbalsts?

Daudzas sistēmas, kas apzīmētas kā "mākslīgā intelekta atbalstītas", sniedz:

• Rezultātu vērtības
• Riska prognozes
• Prioritāšu noteikšanas ieteikumus

Galīgā izvēle bieži vien joprojām tiek veikta heiristiski vai politiski.

Strukturālā lēmumu optimizācija aizstāj šo heiristisko galīgo atlasi ar sistemātisku aprēķinu.

9. Kāpēc klasiskais mākslīgais intelekts ir neveiksmīgs, jo īpaši ar ierobežojumiem?

Mašīnmācīšanās modeļi primāri nav paredzēti, lai garantētu stingrus loģiskus ierobežojumus.

Tomēr budžeta ierobežojumi, jaudas limiti vai normatīvās prasības nav mīksti - tie ir saistoši.

Optimizācijas modeļi šos ierobežojumus integrē formāli. Mācīšanās modeļi tos bieži aproksimē netieši vai pakārtoti.

Tas ir strukturāli atšķirīgi.

10. Kāpēc "vairāk datu" nav risinājums?

Vairāk datu uzlabo prognožu precizitāti.

Tomēr tas nesamazina diskrēto lēmumu telpu kombinatorisko eksploziju.

Iespējamo portfeļu skaits nav atkarīgs no datu apjoma, bet gan no diskrēto projektu skaita.

Eksponenciālo struktūru nevar atcelt ar datu mērogošanu.

11. Kāpēc nepietiek ar vietējo optimizāciju?

Daudzas mākslīgā intelekta metodes konverģē pie lokāliem optimumiem vai stabiliem stāvokļiem.

Portfeļa lēmumiem nepieciešams globāls skatījums.

Vietējais optimums var būt neoptimāls, ja cita kombinācija - strukturāli tālāk - piedāvā augstāku mērķa izpildi.

Globālā optimizācija novērš šo strukturālo aklumu.

12. Kāpēc lēmumu intelekts nav mākslīgā intelekta apakškategorija?

Klasiskais mākslīgais intelekts galvenokārt tika izstrādāts ar mērķi atveidot cilvēka uztveri un modeļu atpazīšanu.

Lēmumu inteliģence globālās portfeļa optimizācijas nozīmē izriet no kombinatoriskās optimizācijas teorijas.

Tā pamatā galvenokārt nav mācīšanās, bet gan struktūra, meklēšanas telpas samazināšana un optimizācijas loģika.

Abas disciplīnas ir saistītas, bet ne identiskas.

13. Kad klasiskais mākslīgais intelekts ir pietiekams un kad nav pietiekams?

Tas ir pietiekams, ja:

• Galvenā problēma ir prognozēšana
• Aproksimācija ir pietiekama
• Kļūdas ir pieļaujamas

Nav pietiekams, ja

• ir nepieciešama diskrēta atlase saskaņā ar ierobežojumiem
• Budžeta ierobežojumi ir saistoši
• Alternatīvās izmaksas ir ievērojamas
• Ir nepieciešams pārvaldības pierādījums

Šeit sākas strukturālo lēmumu optimizācija.

14. Kāda ir strukturālās kļūmes būtība?

Klasiskā mākslīgā intelekta strukturālā kļūda portfeļa lēmumu pieņemšanā slēpjas nevis tā veiktspējā, bet gan problēmu klasē.

Mākslīgais intelekts ir spēcīga modeļu atpazīšanas un prognozēšanas tehnoloģija.

Tomēr portfeļa optimizācija nav modeļu problēma, bet gan kombinatoriskas struktūras problēma.

Ikviens, kas šīs divas problēmas pielīdzina, jauc varbūtību ar optimālismu.

Nobeiguma vārdi

Sascha Rissel, izpilddirektors mAInthink GmbH

Pašlaik mēs piedzīvojam posmu, kurā gandrīz visi tehnoloģiskie risinājumi tiek apzīmēti ar terminu "mākslīgais intelekts". Paraugu atpazīšana, valodas modeļi, prognozēšanas sistēmas - tie visi ir iespaidīgi sasniegumi. Taču ir viena lieta, ko mēs nedrīkstam sajaukt:

Inteliģence mācīšanās izpratnē nav tas pats, kas inteliģence lēmumu pieņemšanas izpratnē.

Uzņēmējdarbības un valsts investīciju lēmumi nav prognozēšanas problēmas. Tās ir kombinatoriskas strukturālas problēmas, uz kurām attiecas ierobežojumi, budžeta ierobežojumi un konfliktējoši mērķi. Ikviens, kas tos traktē kā modeļu atpazīšanas problēmu, reducē tos līdz varbūtībai - un šajā procesā zaudē struktūru.

StratePlan radās tieši no šīs atziņas.

Mēs izmantojam hibrīda mākslīgo intelektu, kur tas ir lietderīgi - parametru noteikšanai, nenoteiktības modelēšanai, attīstības prognozēšanai. Taču faktiskais lēmums netiek aproksimēts. Tas tiek aprēķināts.

Izmantojot precīzu daudzpavedienu arhitektūru, kombinatoriskās struktūras samazināšanu un deterministisko optimizācijas loģiku, mēs analizējam pilnas lēmumu telpas - ne tikai scenārijus.

Tas nav izdomājums.
Tā ir matemātika.

Mūsu mērķis nav radīt labākus pieņēmumus.
Mūsu mērķis ir nodrošināt strukturāli labākus lēmumus.

Jo kapitāls ir ierobežots.
Iespēju izmaksas ir reālas.
Un globālais optimums nav viedoklis.

Tas ir datu un lēmumu telpas struktūras īpašība.

-
Saša Rišels
MAInthink GmbH izpilddirektors