Porque é que a inteligência computacional não toma decisões sobre carteiras

Sistemas de aprendizagem vs. sistemas de decisão - e porque é que as arquitecturas de otimização global são uma categoria à parte

Resumo executivo

Nos últimos anos, o termo "inteligência artificial" tornou-se um termo genérico para quase todas as formas de apoio à decisão com base em dados. A aprendizagem profunda, as redes neuronais, a aprendizagem por reforço e os métodos conexos são cada vez mais entendidos como solucionadores de problemas universais - também no contexto do investimento estratégico e das decisões de carteira.

No entanto, esta equação é estruturalmente incorrecta.

A inteligência computacional (IC) - que consiste essencialmente em redes neuronais, algoritmos evolutivos, inteligência de enxame, sistemas difusos e métodos probabilísticos - surgiu historicamente como uma resposta a problemas imprecisos, não lineares e estocásticos do mundo real. Os sistemas de IC aprendem padrões, aproximam funções e ajustam-se de forma adaptativa a novos dados.

As decisões de carteira e de investimento seguem, no entanto, uma lógica diferente.

Não se trata de problemas de reconhecimento de padrões. São problemas de otimização combinatória com condicionalismos, restrições orçamentais, interdependências e condições de enquadramento regulamentar. Enquanto os sistemas de aprendizagem calculam probabilidades, os sistemas de decisão têm de tomar decisões de seleção discretas - em espaços de decisão em crescimento exponencial.

A diferença é fundamental.

Este documento analisa a diferença estrutural entre os sistemas de aprendizagem adaptativa e as arquitecturas de decisão global, explica a natureza matemática dos espaços de carteira exponenciais e mostra por que razão a otimização global ex-ante é uma categoria de inteligência algorítmica por direito próprio.

1. O equívoco: o reconhecimento de padrões não é uma decisão

Os êxitos dos sistemas modernos de IA são inegáveis. Os modelos linguísticos geram textos coerentes. Os sistemas de reconhecimento de imagens identificam objectos com grande precisão. As arquitecturas de aprendizagem por reforço vencem campeões do mundo em jogos complexos.

No entanto, estes sistemas resolvem um problema específico:

Aproximam uma função desconhecida com base em dados observados.

Em termos formais, minimizam um termo de erro entre a previsão e a realidade. O valor-alvo é estatístico. A qualidade é medida através da exatidão, das funções de perda ou dos intervalos de confiança.

As decisões de carteira seguem uma estrutura diferente.

Neste caso, não existe uma variável-alvo contínua que seja objeto de aproximação. Em vez disso, existe um conjunto de opções discretas que são selecionadas ou não selecionadas. Cada combinação altera o orçamento, o risco, a utilização dos recursos e a direção estratégica.

Um exemplo simples ilustra a diferença:

Uma rede neuronal pode prever com elevada probabilidade a evolução de um segmento de mercado. No entanto, a decisão sobre quais 12 dos 47 projectos de investimento possíveis serão realizados dentro de um orçamento de 100 milhões de euros não é um problema de previsão, mas sim um problema de seleção combinatória.

O sistema não tem de aprender o aspeto de um padrão. Tem de calcular uma seleção global com base em restrições.

Esta diferença estrutural não é tida em conta em muitas organizações.

2. Sistemas de aprendizagem vs. sistemas de decisão

Para compreender exatamente a diferença, é necessária uma comparação sistemática.

Sistemas de aprendizagem

• Optimizam as funções de erro estatístico
• Trabalham com dados de formação e de teste
• Fornecem probabilidades ou resultados contínuos
• São frequentemente estocásticos
• Não têm uma lógica de restrição inerente
• Não garantem a otimização global da decisão

Sistemas de decisão

• Optimizam uma função objetivo discreta
• Consideram restrições rígidas
• Trabalham num espaço de combinação completo
• Exigem limites e lógica de dominância
• Exigem consistência global
• Pode fornecer certificados de optimalidade

A diferença não está no "nível de inteligência", mas na classe do problema.

Os sistemas de aprendizagem respondem à pergunta:

O que é provável?

Os sistemas de decisão respondem à pergunta:

Que combinação é óptima?

3. O espaço de decisão exponencial

O desafio matemático central das decisões de carteira é a combinatória exponencial.

Com N projectos, existem ^2N combinações possíveis.

• 10 projectos → 1.024 combinações
• 20 projectos → 1.048.576 combinações
• 30 projectos → 1.073.741.824 combinações
• 50 projectos → mais de 1 quatrilião de combinações

Cada uma destas combinações representa uma potencial afetação de capital com o seu próprio perfil de risco e retorno.

Para além disso, existem

• Restrições orçamentais
• dependências lógicas
• Limitações de recursos
• prioridades estratégicas
• requisitos regulamentares

O problema não é a previsão dos valores individuais do projeto. O problema é a avaliação simultânea de todas as combinações possíveis.

Os métodos heurísticos procuram partes deste espaço. Os métodos exactos estruturam-no sistematicamente.

4. Métodos heurísticos e seus limites estruturais

Os algoritmos evolutivos, a inteligência de enxame e outros métodos de IC utilizam estratégias de pesquisa baseadas em populações.

São eficazes se:

• O espaço de pesquisa é contínuo
• A aproximação é suficiente
• Não é necessária qualquer prova de optimalidade

No entanto, não garantem que o ótimo global seja encontrado. Fornecem boas soluções - não necessariamente as melhores.

Isto é aceitável para a classificação de imagens.

Para decisões de investimento de vários milhares de milhões de dólares, coloca-se uma questão de governação diferente.

5. Arquitecturas de otimização precisas

É aqui que começa uma outra classe de sistemas algorítmicos.

A programação mista de números inteiros permite a modelação de decisões discretas sob restrições lineares.

O método"branch-and-bound" divide sistematicamente o espaço de pesquisa e exclui matematicamente áreas irrelevantes.

A programação por restrições utiliza a consistência lógica para reduzir a explosão combinatória.

A programação estocástica integra formalmente a incerteza no modelo de otimização.

A otimização robusta protege contra os piores cenários possíveis.

A teoria da otimização global fornece provas de convergência e certificados de optimalidade.

Estes métodos não são algoritmos de aprendizagem. São arquitecturas de decisão.

6. Governação e responsabilidade

As decisões estratégicas de investimento não têm apenas a ver com exatidão, mas também com responsabilidade.

Um resultado aproximado pode ser plausível. No entanto, não pode provar que não existe uma alternativa melhor.

Uma abordagem de otimização global pode - com base em pressupostos definidos - fornecer provas de otimização.

Esta diferença é relevante do ponto de vista regulamentar, de responsabilidade e estratégico.

7. Da IA à inteligência decisória

Nem todo o sistema inteligente é um sistema de tomada de decisões.

A inteligência de decisão no sentido da otimização global da carteira significa

• Análise completa do espaço de combinação
• Formação de barreiras estruturais
• Eliminação da dominância
• Cálculo ex ante das configurações óptimas

Não se trata de uma extensão da aprendizagem automática. Trata-se de uma categoria diferente de arquitetura algorítmica.

Enquanto os sistemas de aprendizagem extraem conhecimentos, os sistemas de decisão constroem estados óptimos.

A distinção é fundamental.

8. A matemática por detrás das decisões de carteira

Para compreender plenamente a diferença estrutural entre os sistemas de aprendizagem e as arquitecturas de decisão, é necessário considerar explicitamente a natureza matemática das decisões de carteira.

Uma decisão de investimento estratégico pode ser formalmente representada como um problema de otimização:

Maximizar: f(x)

Sob as restrições:

• Ax ≤ b (restrições orçamentais e de recursos)
• x ∈ {0^,1}N (seleção discreta)
• dependências lógicas entre projectos
• Limites de risco
• requisitos estratégicos mínimos

O vetor de decisão x descreve os projectos selecionados. Cada variável só pode assumir dois estados: realizar ou não realizar.

A função objetivo pode conter várias dimensões:

• Rendimento do investimento
• Perfil dos fluxos de caixa
• Índices de risco
• prioridade estratégica
• Compromisso de capital

Mesmo um número moderado de projectos cria um espaço combinatório que cresce exponencialmente. Esta propriedade não é um problema de software. É matematicamente inerente.

Um sistema de aprendizagem tentaria prever os valores dos projectos.

Um sistema de decisão, no entanto, deve avaliar todas as combinações admissíveis sob restrições.

Esta é a diferença estrutural.

9. Porque é que aproximação não é o mesmo que otimização

Os métodos heurísticos podem encontrar soluções muito boas. Em muitas aplicações técnicas, são eficientes e suficientes.

No entanto, existe uma diferença qualitativa entre "muito boa" e "globalmente óptima".

Uma solução aproximada responde à pergunta:

Esta solução é boa?

Uma otimização global responde à pergunta:

Existe uma solução melhor?

Esta diferença não é semântica, mas estrutural.

Um diretor financeiro não precisa de saber se uma combinação de investimentos parece plausível. Ele precisa de saber se é a melhor alternativa disponível com as restrições dadas.

Sem uma pesquisa completa ou sistematicamente limitada do espaço de decisão, esta questão fica sem resposta.

10. Limites e restrições estruturais

Os métodos Branch-and-Bound são um exemplo de como um espaço de pesquisa exponencial pode ser estruturalmente controlado.

O espaço é dividido em subespaços (ramificação). Calcula-se um limite superior e um limite inferior para cada subespaço (delimitação).

Se um limite provar que não é possível encontrar um resultado melhor do que o melhor até à data, esse subespaço é excluído.

Não se trata de uma pesquisa heurística, mas de uma exclusão matemática.

Esta lógica é crucial:

O sistema não tem de avaliar completamente todas as combinações. No entanto, tem de provar que as combinações não avaliadas não excedem o ótimo.

Isto é estruturalmente diferente da pesquisa estocástica.

11. Programação inteira mista como modelo de decisão

A programação inteira mista (PIM) fornece um quadro de modelação formal para combinar variáveis discretas e contínuas.

Permite

• o mapeamento exato das restrições orçamentais
• dependências lógicas do projeto
• Limites de capacidade
• variáveis-alvo lineares e não lineares

Em conjunto com os procedimentos branch-and-bound ou cutting-plane, é criada uma arquitetura de decisão que não só encontra soluções, como também certifica a sua otimização.

Isto é particularmente relevante quando as decisões são de capital intensivo ou sensíveis à regulamentação.

12. Incerteza: estocástica vs. robusta

Muitas organizações argumentam que a incerteza torna impossível a otimização exacta.

Trata-se de um mal-entendido.

A programação estocástica integra explicitamente cenários no modelo. A otimização robusta define as quantidades de incerteza e optimiza em relação ao pior cenário.

A incerteza não é ignorada. É formalmente modelada.

Isto distingue as arquitecturas de decisão estruturadas das aproximações puramente baseadas em dados.

13. Governação e auditabilidade

As decisões estratégicas estão cada vez mais sujeitas a um controlo regulamentar.

As questões que se colocam:

• Porque é que o projeto A foi realizado e o projeto B não?
• Foram consideradas todas as alternativas?
• O orçamento foi utilizado de forma óptima?
• Existe um processo de decisão compreensível?

Muitas vezes, os sistemas heurísticos não fornecem uma transparência total sobre as alternativas rejeitadas.

As arquitecturas de otimização global, por outro lado, fornecem documentação:

• Reduções do espaço de pesquisa
• Relações de dominância
• Provas de limites
• Certificados de optimalidade

Isto cria auditabilidade e rastreabilidade.

14. A inteligência de decisão como categoria independente

A inteligência de decisão não é uma subcategoria da aprendizagem automática.

É uma classe independente de sistemas algorítmicos que

• modelam espaços de decisão completos
• utilizam estruturas combinatórias
• Integram restrições
• impõem uma coerência global
• Permitem provas de optimalidade

Enquanto os sistemas de aprendizagem calculam probabilidades, a inteligência de decisão constrói estados óptimos.

15. Ex-ante em vez de ex-post

Muitas organizações analisam as decisões ex post.

A otimização ex ante significa

A melhor configuração é calculada antes de o capital ser afetado.

Isto não só reduz os custos de oportunidade, mas também as más afectações estruturais.

16. Da explosão combinatória à controlabilidade estrutural

Os espaços exponenciais não são insolúveis.

São um desafio.

Através de:

• Eliminação da dominância
• Formação de barreiras
• Utilização de redundância
• Paralelização
• Análise estrutural

um espaço de decisão pode ser sistematicamente reduzido.

No entanto, isto requer uma arquitetura concebida para a estrutura de decisão e não para o reconhecimento de padrões.

17. O papel do StratePlan

O StratePlan foi concebido como uma arquitetura de decisão global.

Não é um modelo de previsão e não é um sistema de aprendizagem automática puro.

A arquitetura analisa espaços de combinação de carteiras completas sob restrições, restrições orçamentais e requisitos multi-objectivos.

O ótimo global é calculado ex-ante através da formação sistemática de restrições, da redução da estrutura combinatória e da utilização da redundância algorítmica.

Não é plausível. Não simulado. Não aproximado.

Mas estruturalmente determinado.

18. Perspetiva do CFO: a afetação de capital como um problema de otimização

Para os diretores financeiros, o capital não é um valor estatístico esperado, mas um recurso escasso.

Cada investimento tem custos de oportunidade.

Uma combinação não optimizada significa

• perda de retorno
• um compromisso de capital desnecessário
• ponderação estratégica incorrecta

A otimização global ex ante transforma a afetação de capital de uma decisão plausível numa decisão calculada.

19. Conclusão: Nem todos os sistemas inteligentes tomam decisões óptimas

A inteligência computacional é poderosa e indispensável em muitos domínios.

No entanto, resolve sobretudo problemas de aprendizagem.

As decisões de carteira e de investimento são problemas de otimização estruturalmente combinatórios.

Exigem arquitecturas de decisão que

• considerem o espaço completo
• Integrem restrições
• Modelam formalmente a incerteza
• possam provar a otimização global

A inteligência da decisão começa onde a aproximação termina.

O ótimo global não é uma opinião.

É uma propriedade dos dados - e da estrutura do espaço de decisão.

FAQ - Sistemas de Aprendizagem, Sistemas de Decisão e Otimização Global de Carteiras

1. A inteligência computacional não é já suficientemente poderosa para as decisões sobre carteiras?

A inteligência computacional é extremamente poderosa em muitos campos de aplicação - especialmente no reconhecimento de padrões, previsão e controlo adaptativo. No entanto, as decisões sobre carteiras representam uma classe diferente de problemas.

Enquanto os sistemas de IC calculam probabilidades ou soluções aproximadas, as decisões de carteira exigem a seleção discreta de uma combinação óptima sujeita a restrições. A estrutura matemática difere fundamentalmente: a previsão é um problema de aproximação contínua, a seleção de carteiras é um problema de otimização combinatória.

O IC pode fornecer apoio. No entanto, não substitui uma arquitetura de decisão global.

2. Porque é que uma solução "muito boa" não é suficiente?

Em aplicações operacionais, uma solução muito boa pode ser suficiente. No entanto, nas decisões estratégicas de capital intensivo, é crucial saber se existe uma alternativa melhor.

Uma solução heurística pode parecer plausível. No entanto, não pode provar que não existe uma combinação melhor dentro das restrições permitidas.

A otimização global responde precisamente a esta questão.

3. Os espaços de decisão exponenciais não são fundamentalmente insolúveis?

Os espaços de decisão exponenciais são um desafio, mas não são insolúveis. A enumeração completa de todas as combinações não é frequentemente necessária na prática.

O espaço de pesquisa efetivo pode ser drasticamente reduzido através da criação de limites, relações de dominância, redução da estrutura e métodos de pesquisa sistemáticos, como o branch-and-bound.

A questão não é se o espaço está a crescer exponencialmente - mas se existe uma arquitetura que o possa controlar estruturalmente.

4. O que distingue o método branch-and-bound da pesquisa heurística?

A pesquisa heurística avalia amostras no espaço de decisão. O método branch-and-bound decompõe sistematicamente o espaço e exclui matematicamente os subespaços se não conseguirem superar o ótimo.

A diferença decisiva reside na prova de optimalidade. A heurística encontra boas soluções. O método Branch-and-Bound pode provar que não existe uma solução melhor.

5. A programação inteira mista não é demasiado lenta para grandes carteiras?

A programação inteira mista é computacionalmente intensiva. No entanto, os solucionadores modernos combinam o branch-and-bound, os planos de corte, a heurística e a paralelização.

Além disso, a solvabilidade depende menos do tamanho do problema puro do que da estrutura do modelo. Os modelos de carteira estruturados podem frequentemente ser resolvidos de forma muito mais eficiente do que os espaços de pesquisa não estruturados sugerem.

O fator decisivo é a arquitetura - e não apenas o número de variáveis.

6. Como é que a incerteza é tida em conta na otimização global?

A incerteza pode ser formalmente integrada, por exemplo, através de

• programação estocástica com árvores de cenários
• Otimização do valor esperado
• Valor condicional em risco (CVaR)
• otimização robusta contra quantidades de incerteza

Assim, a incerteza não é ignorada, mas sim explicitamente modelizada.

7. A otimização global significa rigidez determinística?

Não. Neste contexto, determinista não significa rígido, mas sim compreensível e estruturalmente consistente.

Um modelo de otimização global pode ser parametrizado de forma flexível. Alterações nos pressupostos conduzem a novos óptimos calculados. A flexibilidade reside nos parâmetros - não na arbitrariedade da solução.

8. Em que é que a Inteligência de Decisão difere da Aprendizagem Automática?

A aprendizagem automática extrai padrões dos dados e gera previsões. A Inteligência de Decisão modela espaços de decisão e calcula estados óptimos sob restrições.

A aprendizagem automática responde à pergunta: "O que é provável?"

A Inteligência de Decisão responde à pergunta: "Que combinação admissível maximiza o valor-alvo?"

Ambas podem ser combinadas - mas resolvem classes de problemas diferentes.

9. A aprendizagem automática pode fazer parte de uma arquitetura de decisão?

Sim, os modelos de previsão podem, por exemplo, fornecer parâmetros de entrada para um modelo de otimização, como fluxos de caixa esperados ou valores de risco.

No entanto, a otimização em si continua a ser uma etapa independente que calcula decisões de seleção discreta sob restrições.

10. Porque é que a governação é um argumento fundamental para a otimização global?

As decisões estratégicas de investimento estão cada vez mais sujeitas ao controlo regulamentar e à auditoria interna.

Um método aproximado raramente pode mostrar de forma transparente quais as alternativas que foram consideradas e rejeitadas.

Um processo de otimização global documenta sistematicamente:

• as combinações avaliadas
• sub-áreas excluídas
• Relações de dominância
• Provas de otimização

Isto aumenta a possibilidade de revisão e a rastreabilidade das decisões.

11. Como é que a otimização global se relaciona com os problemas NP-difíceis?

Muitas decisões de carteira são NP-difíceis. Isto não significa que sejam insolúveis. Significa que, no pior dos casos, não é possível garantir um tempo de execução polinomial.

Na prática, os problemas do mundo real são muitas vezes estruturados de modo a que sejam possíveis soluções eficientes. Além disso, as arquitecturas de computação modernas permitem a paralelização e a aceleração heurística num quadro exato.

12. A otimização global é sempre necessária?

Não em todas as situações.

A aproximação pode ser suficiente para decisões operacionais, de curto prazo ou de baixo valor.

No entanto, quanto maior for o compromisso de capital, a relevância estratégica e a sensibilidade regulamentar, maior será a necessidade de otimização estrutural.

13. Como é que uma arquitetura de decisão global é dimensionada?

O escalonamento ocorre através de:

• Paralelização
• Formação de barreiras
• Redução da dominância
• Estruturação de modelos
• Decomposição do problema

O fator decisivo é que o escalonamento não é alcançado por pesquisa aleatória, mas por redução estrutural.

14. Como é integrada a otimização multi-objetivo?

A otimização multiobjectivo pode ser mapeada utilizando funções de objetivo ponderadas, análise da frente de Pareto ou hierarquização lexicográfica.

A arquitetura não deve ignorar objectivos contraditórios, mas sim mapeá-los sistematicamente.

15. O que significa "O ótimo global é uma propriedade dos dados"?

Existe uma solução matematicamente óptima com parâmetros, restrições e funções-alvo definidos. Não se trata de uma opinião, mas do resultado de um cálculo estrutural.

Se os parâmetros mudarem, o ótimo muda. No entanto, a existência de um ótimo é independente da preferência subjectiva.

16. Em que é que a simulação difere da otimização?

A simulação avalia cenários. A otimização procura sistematicamente o espaço de soluções e identifica a melhor alternativa admissível.

A simulação responde: "O que acontece se?"

A otimização responde: "Que decisão maximiza o valor-alvo entre todas as alternativas admissíveis?"

17. Como é que a otimização ex-ante reduz os custos de oportunidade?

Os custos de oportunidade surgem quando existe uma alternativa melhor mas que não é concretizada.

O cálculo global reduz a probabilidade de uma má afetação estrutural, uma vez que todas as combinações possíveis são consideradas ou matematicamente excluídas.

18. A Decision Intelligence é um substituto da gestão?

Não. Não substitui a definição de objectivos estratégicos ou a definição de prioridades normativas.

No entanto, substitui as decisões de afetação intuitivas, heurísticas ou politicamente tendenciosas por cálculos estruturais.

19. Como é que a transparência é assegurada?

A transparência é criada por

• modelação clara das restrições
• funções-alvo documentadas
• formação de limites compreensível
• processos de cálculo reproduzíveis

Isto permite a rastreabilidade ao nível da direção e da auditoria.

20. Quando é que a Inteligência Decisória começa?

A Decision Intelligence começa quando as organizações se apercebem de que as decisões de investimento complexas não são problemas de previsão, mas sim problemas estruturais combinatórios.

Começa quando a aproximação já não é suficiente - e a otimização estrutural se torna necessária.

---

FAQ suplementar - Porque é que a IA clássica falha estruturalmente nas decisões de carteira

1. Porque é que uma rede neuronal não pode simplesmente aprender a carteira óptima?

Uma rede neuronal aprende uma função com base em dados históricos. Aproxima as correlações entre as entradas e os valores-alvo.

No entanto, a carteira óptima não é uma variável-alvo observável, mas o resultado de uma decisão de combinação discreta sob restrições.

Não existe um conjunto de dados de treino que classifique corretamente todas as combinações possíveis como "óptimas" ou "não óptimas".

O ótimo não é uma observação histórica - é uma propriedade matemática do espaço de decisão completo.

2. Porque é que a aprendizagem por reforço não pode garantir uma afetação óptima do capital?

A aprendizagem por reforço optimiza através da interação exploratória com um ambiente. Aprende políticas através de funções de recompensa.

No entanto, as decisões de carteira não são processos sequenciais de tentativa e erro, mas sim decisões pontuais, altamente capitalizadas e sujeitas a restrições.

A exploração no espaço real não é possível neste caso. As decisões erradas são irreversíveis e dispendiosas.

A RL pode aprender estratégias adaptativas. No entanto, não pode provar sistematicamente um espaço combinatório completo.

3. Porque é que a previsão não é igual à otimização?

Os sistemas clássicos de IA são máquinas de previsão.

Respondem a perguntas como:

• Qual é a probabilidade de o projeto A se desenvolver?
• Qual é a probabilidade de fracasso?
• Como é que o mercado está a mudar?

No entanto, a otimização responde:

Qual é a combinação de todos os projectos que maximiza o valor pretendido com restrições orçamentais e de risco?

A previsão é um input. A otimização é a lógica da decisão.

Confundir os dois é um erro de categoria.

4. Porque é que a IA clássica não se adapta bem a espaços de decisão exponenciais?

Os modelos de aprendizagem automática escalam com o volume de dados, não com a estrutura combinatória.

Uma carteira de 40 projectos gera mais de um trilião de combinações possíveis. Estas combinações não existem como exemplos de treino.

Um modelo não pode aprender combinações que nunca foram avaliadas explicitamente.

Os espaços de decisão exponenciais requerem uma pesquisa estrutural e uma lógica de limites - não uma generalização de padrões.

5. Porque é que os métodos heurísticos de IA não fornecem certezas de governação?

Os métodos heurísticos fornecem soluções boas ou muito boas.

No entanto, normalmente não conseguem documentar

• quais as combinações que foram estruturalmente excluídas
• se existe uma solução melhor
• quais as relações de dominância aplicadas

A plausibilidade não é suficiente para a segurança do quadro e da revisão. É necessária uma rastreabilidade estrutural.

6. Porque é que o problema da caixa negra é particularmente crítico neste caso?

Na classificação de imagens ou na geração de texto, a falta de interpretabilidade total é tolerável.

É problemática na afetação de capital.

Quando são atribuídos orçamentos de milhares de milhões, deve ser possível explicá-los:

• Porque é que esta combinação foi escolhida?
• Que alternativas foram rejeitadas?
• Que restrições eram obrigatórias?

A aproximação da caixa negra não substitui uma prova estrutural da decisão.

7. Porque é que a simulação não é uma solução?

A simulação avalia cenários.

Responde a perguntas como:

• O que acontece se escolhermos esta combinação?
• Como é que a carteira se comporta sob determinados pressupostos?

No entanto, não responde a

Que combinação admissível é a melhor de todas as alternativas?

A simulação é exploratória. A otimização é selectiva.

8. Porque é que o "apoio à decisão apoiado por IA" é frequentemente apenas um apoio à previsão?

Muitos sistemas rotulados como "apoiados por IA" fornecem:

• Valores de pontuação
• Previsões de risco
• Recomendações de definição de prioridades

Muitas vezes, a seleção final ainda é feita de forma heurística ou política.

A otimização estrutural da decisão substitui esta seleção final heurística por um cálculo sistemático.

9. Porque é que a IA clássica falha, especialmente com restrições?

Os modelos de aprendizagem automática não foram concebidos para garantir restrições lógicas rígidas.

No entanto, as restrições orçamentais, os limites de capacidade ou os requisitos regulamentares não são brandos - são vinculativos.

Os modelos de otimização integram estas restrições formalmente. Os modelos de aprendizagem aproximam-nas frequentemente de forma implícita ou a jusante.

Isto é estruturalmente diferente.

10. Porque é que "mais dados" não é uma solução?

Mais dados melhoram a exatidão das previsões.

No entanto, não reduz a explosão combinatória dos espaços de decisão discretos.

O número de carteiras possíveis não depende da quantidade de dados, mas do número de projectos discretos.

A estrutura exponencial não pode ser anulada pelo escalonamento dos dados.

11. Porque é que a otimização local não é suficiente?

Muitos métodos de IA convergem para óptimos locais ou estados estáveis.

As decisões de carteira exigem uma visão global.

Um ótimo local pode ser sub-ótimo se outra combinação - estruturalmente mais distante - oferecer um maior cumprimento do objetivo.

A otimização global evita esta cegueira estrutural.

12. Porque é que a inteligência de decisão não é uma subcategoria da IA?

A IA clássica foi desenvolvida principalmente com o objetivo de reproduzir a perceção humana e o reconhecimento de padrões.

A inteligência de decisão, na aceção de otimização global de carteiras, decorre da teoria da otimização combinatória.

Não se baseia essencialmente na aprendizagem, mas na estrutura, na redução do espaço de pesquisa e na lógica de otimização.

Ambas as disciplinas estão relacionadas - mas não são idênticas.

13. Quando é que a IA clássica é suficiente - e quando é que não é?

É suficiente quando:

• A previsão é o problema central
• A aproximação é suficiente
• Os erros são toleráveis

Não é suficiente se

• é necessária uma seleção discreta sob restrições
• As restrições orçamentais são obrigatórias
• Os custos de oportunidade são significativos
• É necessária uma prova de governação

É aqui que começa a otimização da decisão estrutural.

14. Qual é o cerne da falha estrutural?

A falha estrutural da IA clássica nas decisões sobre carteiras não reside no seu desempenho, mas na classe do problema.

A IA é uma tecnologia poderosa para o reconhecimento de padrões e a previsão.

No entanto, a otimização de carteiras não é um problema de padrões, mas sim um problema de estrutura combinatória.

Quem equiparar os dois está a confundir probabilidade com otimização.

Palavras finais

Sascha Rissel, Diretor Executivo da mAInthink GmbH

Estamos atualmente a viver uma fase em que quase todas as soluções tecnológicas são englobadas no termo "IA". Reconhecimento de padrões, modelos de linguagem, sistemas de previsão - todos estes são avanços impressionantes. Mas há uma coisa que não devemos confundir:

A inteligência no sentido da aprendizagem não é o mesmo que a inteligência no sentido da tomada de decisões.

As decisões das empresas e dos investimentos públicos não são problemas de previsão. São problemas estruturais combinatórios sujeitos a constrangimentos, restrições orçamentais e objectivos contraditórios. Qualquer pessoa que os trate como um problema de reconhecimento de padrões reduz esses problemas à probabilidade - e perde a estrutura no processo.

O StratePlan surgiu precisamente desta constatação.

Utilizamos IA híbrida onde faz sentido - para parametrização, para modelação da incerteza, para previsão de desenvolvimentos. Mas a decisão efectiva não é aproximada. É calculada.

Com uma arquitetura multithreading precisa, redução da estrutura combinatória e lógica de otimização determinística, analisamos espaços de decisão completos - e não apenas cenários.

Não se trata de um exagero.
Isto é matemática.

O nosso objetivo não é apresentar melhores hipóteses.
O nosso objetivo é permitir decisões estruturalmente melhores.

Porque o capital é finito.
Os custos de oportunidade são reais.
E o ótimo global não é uma opinião.

É uma propriedade dos dados - e da estrutura do espaço de decisão.

-
Sascha Rissel
Diretor Executivo, mAInthink GmbH