De ce inteligența computațională nu ia decizii de portofoliu

Sisteme de învățare vs. sisteme decizionale - și de ce arhitecturile de optimizare globală sunt o categorie de sine stătătoare

Rezumat

În ultimii ani, termenul "inteligență artificială" a devenit un termen generic pentru aproape orice formă de suport decizional bazat pe date. Învățarea profundă, rețelele neuronale, învățarea prin consolidare și metodele conexe sunt din ce în ce mai mult înțelese ca soluții universale de rezolvare a problemelor - inclusiv în contextul deciziilor strategice de investiții și de portofoliu.

Cu toate acestea, această ecuație este incorectă din punct de vedere structural.

Inteligența computațională (IC) - compusă în principal din rețele neuronale, algoritmi evolutivi, inteligența roiurilor, sisteme fuzzy și metode probabilistice - a apărut istoric ca răspuns la problemele imprecise, neliniare și stocastice din lumea reală. Sistemele IC învață modele, aproximează funcții și se adaptează la date noi.

Cu toate acestea, deciziile de portofoliu și de investiții urmează o logică diferită.

Acestea nu sunt probleme de recunoaștere a modelelor. Acestea sunt probleme de optimizare combinatorie în condiții de constrângeri, restricții bugetare, interdependențe și condiții-cadru de reglementare. În timp ce sistemele de învățare calculează probabilități, sistemele decizionale trebuie să ia decizii de selecție discrete - în spații decizionale în creștere exponențială.

Diferența este fundamentală.

Prezenta lucrare analizează diferența structurală dintre sistemele de învățare adaptive și arhitecturile decizionale globale, explică natura matematică a spațiilor de portofoliu exponențiale și arată de ce optimizarea globală ex-ante este o categorie de inteligență algoritmică de sine stătătoare.

1. Concepția greșită: recunoașterea modelelor nu este o decizie

Succesele sistemelor moderne de inteligență artificială sunt incontestabile. Modelele lingvistice generează texte coerente. Sistemele de recunoaștere a imaginilor identifică obiecte cu o precizie ridicată. Arhitecturile de învățare prin întărire înving campionii mondiali în jocuri complexe.

Cu toate acestea, aceste sisteme rezolvă o problemă specifică:

Ele aproximează o funcție necunoscută pe baza datelor observate.

Formal vorbind, ele minimizează un termen de eroare între predicție și realitate. Valoarea țintă este statistică. Calitatea este măsurată cu ajutorul preciziei, al funcțiilor de pierdere sau al intervalelor de încredere.

Deciziile de portofoliu urmează o structură diferită.

Aici nu există o variabilă țintă continuă care să fie aproximată. În schimb, există un set de opțiuni discrete care sunt selectate sau nu sunt selectate. Fiecare combinație modifică bugetul, riscul, utilizarea resurselor și direcția strategică.

Un exemplu simplu ilustrează diferența:

O rețea neuronală poate prezice cu o probabilitate ridicată modul în care se va dezvolta un segment de piață. Cu toate acestea, decizia cu privire la care 12 din 47 de proiecte de investiții posibile vor fi realizate în cadrul unui buget de 100 de milioane EUR nu este o problemă de predicție, ci o problemă de selecție combinatorie.

Sistemul nu trebuie să învețe cum arată un model. Acesta trebuie să calculeze o selecție globală în funcție de constrângeri.

Această diferență structurală este ignorată în multe organizații.

2. Sisteme de învățare vs. sisteme de decizie

Pentru a înțelege exact diferența, este necesară o comparație sistematică.

Sisteme de învățare

• Optimizează funcțiile statistice de eroare
• Lucrează cu date de instruire și de testare
• Furnizează probabilități sau rezultate continue
• Sunt adesea stocastice
• Nu au o logică de constrângere inerentă
• Nu garantează optimitatea globală a deciziei

Sisteme decizionale

• Optimizează o funcție obiectiv discretă
• Iau în considerare constrângeri dificile
• Funcționează într-un spațiu complet de combinații
• Necesită limite și logică de dominanță
• Necesită coerență globală
• Poate furniza certificate de optimitate

Diferența nu constă în "nivelul de inteligență", ci în clasa de probleme.

Sistemele de învățare răspund la întrebarea:

Ce este probabil?

Sistemele decizionale răspund la întrebarea:

Care combinație este optimă?

3. Spațiul decizional exponențial

Provocarea matematică centrală a deciziilor de portofoliu este combinatorica exponențială.

Cu N proiecte, există ^2N combinații posibile.

• 10 proiecte → 1 024 de combinații
• 20 de proiecte → 1.048.576 de combinații
• 30 de proiecte → 1.073.741.824 de combinații
• 50 de proiecte → peste 1 cvadrilion de combinații

Fiecare dintre aceste combinații reprezintă o alocare potențială de capital cu propriul profil de risc și rentabilitate.

În plus, există

• Restricții bugetare
• dependențe logice
• Limitări ale resurselor
• priorități strategice
• cerințe de reglementare

Problema nu este prognozarea valorilor proiectelor individuale. Problema este evaluarea simultană a tuturor combinațiilor admisibile.

Metodele euristice caută părți ale acestui spațiu. Metodele exacte îl structurează sistematic.

4. Metodele euristice și limitele lor structurale

Algoritmii evolutivi, inteligența roiurilor și alte metode CI utilizează strategii de căutare bazate pe populație.

Ele sunt eficiente dacă:

• Spațiul de căutare este continuu
• Aproximarea este suficientă
• Nu este necesară o dovadă a optimității

Cu toate acestea, ele nu garantează că se va găsi optimul global. Ele oferă soluții bune - nu neapărat cele mai bune.

Acest lucru este acceptabil pentru clasificarea imaginilor.

Pentru deciziile de investiții de miliarde de dolari, se pune o altă problemă de guvernanță.

5. Arhitecturi de optimizare precisă

Aici începe o altă clasă de sisteme algoritmice.

Programarea cu numere întregi mixte permite modelarea deciziilor discrete sub constrângeri liniare.

Branch-and-bound împarte sistematic spațiul de căutare și exclude matematic zonele irelevante.

Programarea prin constrângeri utilizează coerența logică pentru a reduce explozia combinatorie.

Programarea stocastică integrează în mod formal incertitudinea în modelul de optimizare.

Optimizarea robustă protejează împotriva scenariilor negative.

Teoria optimizării globale furnizează dovezi de convergență și certificate de optimitate.

Aceste metode nu sunt algoritmi de învățare. Ele sunt arhitecturi decizionale.

6. Guvernanță și responsabilitate

Deciziile strategice de investiții nu se referă doar la acuratețe, ci și la responsabilitate.

Un rezultat aproximativ poate fi plauzibil. Cu toate acestea, el nu poate dovedi că nu există o alternativă mai bună.

O abordare de optimizare globală poate - în cadrul unor ipoteze definite - să ofere dovada optimității.

Această diferență este relevantă din perspectiva reglementării, a răspunderii și a strategiei.

7. De la inteligența artificială la inteligența decizională

Nu orice sistem inteligent este un sistem decizional.

Inteligența decizională în sensul optimizării globale a portofoliului înseamnă

• Analiza completă a spațiului combinațiilor
• Formarea de bariere structurale
• Eliminarea dominanței
• Calculul ex-ante al configurațiilor optime

Aceasta nu este o extensie a învățării automate. Este o categorie diferită de arhitectură algoritmică.

În timp ce sistemele de învățare extrag cunoștințe, sistemele de decizie construiesc stări optime.

Distincția este fundamentală.

8. Matematica din spatele deciziilor de portofoliu

Pentru a înțelege pe deplin diferența structurală dintre sistemele de învățare și arhitecturile decizionale, trebuie luată în considerare în mod explicit natura matematică a deciziilor de portofoliu.

O decizie de investiție strategică poate fi reprezentată formal ca o problemă de optimizare:

Maximizarea: f(x)

Sub constrângerile:

• Ax ≤ b (constrângeri legate de buget și resurse)
• x ∈ {0^,1}N (selecție discretă)
• dependențe logice între proiecte
• Limite de risc
• cerințe strategice minime

Vectorul de decizie x descrie proiectele care sunt selectate. Fiecare variabilă poate lua numai două stări: realizare sau nerealizare.

Funcția țintă poate conține mai multe dimensiuni:

• Randamentul investițiilor
• Profilul fluxului de numerar
• Cifrele-cheie de risc
• prioritate strategică
• Angajamentul de capital

Chiar și un număr moderat de proiecte creează un spațiu combinatorial care crește exponențial. Această proprietate nu este o problemă de software. Ea este inerentă din punct de vedere matematic.

Un sistem de învățare ar încerca să prevadă valorile proiectelor.

Cu toate acestea, un sistem decizional trebuie să evalueze toate combinațiile admisibile în funcție de constrângeri.

Aceasta este diferența structurală.

9. De ce aproximarea nu este același lucru cu optimitatea

Metodele euristice pot găsi soluții foarte bune. În multe aplicații tehnice, acestea sunt eficiente și suficiente.

Cu toate acestea, există o diferență calitativă între "foarte bună" și "optimă la nivel global".

O soluție aproximativă răspunde la întrebarea:

Este această soluție bună?

O optimizare globală răspunde la întrebare:

Există o soluție mai bună?

Această diferență nu este semantică, ci structurală.

Un director financiar nu trebuie să știe dacă o combinație de investiții pare plauzibilă. El trebuie să știe dacă aceasta este cea mai bună alternativă disponibilă în condițiile date.

Fără o cercetare completă sau limitată sistematic a spațiului decizional, această întrebare rămâne fără răspuns.

10. Branch-and-bound și constrângerile structurale

Metodele branch-and-bound sunt un exemplu de control structural al unui spațiu de căutare exponențial.

Spațiul este împărțit în subspații (ramificare). Se calculează o limită superioară și una inferioară pentru fiecare subspațiu (bounding).

Dacă o limită dovedește că nu se poate găsi un rezultat mai bun decât cel mai bun de până acum, acest subspațiu este exclus.

Aceasta nu este o căutare euristică, ci o excludere matematică.

Această logică este esențială:

Sistemul nu trebuie să evalueze complet fiecare combinație. Cu toate acestea, el trebuie să demonstreze că combinațiile neevaluate nu depășesc optimul.

Acest lucru este structural diferit de căutarea stocastică.

11. Programarea cu numere întregi mixte ca model decizional

Programarea mixtă în numere întregi (MIP) oferă un cadru formal de modelare pentru a combina variabile discrete și continue.

Aceasta permite

• maparea exactă a constrângerilor bugetare
• dependențele logice ale proiectului
• Limite de capacitate
• variabile țintă liniare și neliniare

Împreună cu procedurile "branch-and-bound" sau "cutting-plane", se creează o arhitectură decizională care nu numai că găsește soluții, ci și certifică optimitatea acestora.

Acest lucru este deosebit de important atunci când deciziile necesită capital intensiv sau sunt sensibile la reglementări.

12. Incertitudinea: stocastică vs. robustă

Multe organizații susțin că incertitudinea face imposibilă optimizarea exactă.

Aceasta este o neînțelegere.

Programarea stocastică integrează în mod explicit scenariile în model. Optimizarea robustă definește cantitățile de incertitudine și optimizează în cel mai rău caz.

Incertitudinea nu este ignorată. Ea este modelată în mod formal.

Acest lucru deosebește arhitecturile decizionale structurate de aproximările bazate exclusiv pe date.

13. Guvernanță și auditabilitate

Deciziile strategice sunt supuse din ce în ce mai mult controlului reglementărilor.

Întrebările care apar:

• De ce proiectul A a fost realizat și proiectul B nu?
• Au fost luate în considerare toate alternativele?
• Bugetul a fost utilizat în mod optim?
• Există un proces decizional inteligibil?

Adesea, sistemele euristice nu oferă transparență completă cu privire la alternativele respinse.

Arhitecturile de optimizare globală, pe de altă parte, oferă documentație:

• Reduceri ale spațiului de căutare
• Relații de dominanță
• Dovezi ale limitelor
• Certificate de optimitate

Acest lucru creează auditabilitate și trasabilitate.

14. Inteligența decizională ca o categorie independentă

Inteligența decizională nu este o subcategorie a învățării automate.

Este o clasă independentă de sisteme algoritmice care:

• modelează spații decizionale complete
• utilizează structuri combinatorii
• Integrează constrângeri
• aplică coerența globală
• Permit demonstrarea optimității

În timp ce sistemele de învățare calculează probabilități, inteligența decizională construiește stări optime.

15. Ex-ante în loc de ex-post

Multe organizații analizează deciziile ex post.

Optimizarea ex ante înseamnă

Cea mai bună configurație este calculată înainte de angajarea capitalului.

Acest lucru reduce nu numai costurile de oportunitate, ci și alocările structurale greșite.

16. De la explozia combinatorie la controlabilitatea structurală

Spațiile exponențiale nu sunt nerezolvabile.

Ele reprezintă o provocare.

Prin:

• Eliminarea dominanței
• Formarea de bariere
• Utilizarea redundanței
• Paralelizarea
• Analiza structurală

un spațiu decizional poate fi redus sistematic.

Totuși, acest lucru necesită o arhitectură concepută pentru structura deciziilor și nu pentru recunoașterea modelelor.

17. Rolul StratePlan

StratePlan este conceput ca o arhitectură decizională globală.

Nu este un model de predicție și nu este un sistem pur de învățare automată.

Arhitectura analizează spații complete de combinare a portofoliului în funcție de constrângeri, restricții bugetare și cerințe multi-obiectiv.

Optimul global este calculat ex-ante prin formarea sistematică a constrângerilor, reducerea structurii combinatorii și utilizarea redundanței algoritmice.

Nu este plauzibil. Nu simulat. Nu aproximat.

Ci determinat structural.

18. Perspectiva directorului financiar: alocarea capitalului ca o problemă de optimizare

Pentru directorii financiari, capitalul nu este o valoare statistică așteptată, ci o resursă limitată.

Fiecare investiție are costuri de oportunitate.

O combinație neoptimizată înseamnă

• randamente ratate
• angajament inutil de capital
• ponderare strategică greșită

Optimizarea globală ex-ante transformă alocarea capitalului dintr-o decizie plauzibilă într-una calculată.

19. Concluzie: nu toate sistemele inteligente iau decizii optime

Inteligența computațională este puternică și indispensabilă în multe domenii.

Cu toate acestea, ea rezolvă în primul rând probleme de învățare.

Deciziile privind portofoliul și investițiile sunt probleme de optimizare combinatorie din punct de vedere structural.

Acestea necesită arhitecturi decizionale care:

• iau în considerare spațiul complet
• Integrează constrângerile
• Modelează formal incertitudinea
• pot dovedi optimitatea globală

Inteligența decizională începe acolo unde se termină aproximarea.

Optimul global nu este o opinie.

Este o proprietate a datelor - și a structurii spațiului decizional.

Întrebări frecvente - Sisteme de învățare, sisteme decizionale și optimizarea portofoliului global

1. Inteligența computațională nu este deja suficient de puternică pentru deciziile de portofoliu?

Inteligența computațională este extrem de puternică în multe domenii de aplicare - în special în recunoașterea modelelor, prognoză și control adaptiv. Cu toate acestea, deciziile de portofoliu reprezintă o clasă diferită de probleme.

În timp ce sistemele IC calculează probabilități sau soluții aproximative, deciziile de portofoliu necesită selectarea discretă a unei combinații optime în funcție de constrângeri. Structura matematică este fundamental diferită: prognoza este o problemă de aproximare continuă, iar selecția portofoliului este o problemă de optimizare combinatorie.

IC poate oferi sprijin. Cu toate acestea, ea nu înlocuiește o arhitectură decizională globală.

2. De ce nu este suficientă o soluție "foarte bună"?

În aplicațiile operaționale, o soluție foarte bună poate fi suficientă. Cu toate acestea, în cazul deciziilor strategice mari consumatoare de capital, este esențial să se stabilească dacă există o alternativă mai bună.

O soluție euristică poate părea plauzibilă. Cu toate acestea, ea nu poate dovedi că nu există o combinație mai bună în limitele constrângerilor admisibile.

Optimizarea globală răspunde exact la această întrebare.

3. Spațiile decizionale exponențiale nu sunt în mod fundamental imposibil de rezolvat?

Spațiile decizionale exponențiale sunt dificile, dar nu imposibil de rezolvat. Enumerarea completă a tuturor combinațiilor nu este adesea necesară în practică.

Spațiul de căutare efectiv poate fi redus drastic prin crearea de limite, relații de dominanță, reducerea structurii și metode de căutare sistematică, cum ar fi branch-and-bound.

Întrebarea nu este dacă spațiul crește exponențial, ci dacă există o arhitectură care îl poate controla structural.

4. Ce deosebește căutarea euristică de căutarea de tip branch-and-bound?

Căutarea euristică evaluează eșantioane din spațiul de decizie. Branch-and-bound descompune sistematic spațiul și exclude matematic subspațiile dacă acestea nu pot depăși optimul.

Diferența decisivă constă în demonstrarea optimității. Heuristica găsește soluții bune. Branch-and-bound poate dovedi că nu există soluții mai bune.

5. Programarea mixtă integrală nu este prea lentă pentru portofoliile mari?

Programarea mixtă integrală este intensivă din punct de vedere computațional. Cu toate acestea, soluționatoarele moderne combină branch-and-bound, planurile de tăiere, euristica și paralelizarea.

În plus, solvabilitatea depinde mai puțin de dimensiunea problemei pure decât de structura modelului. Modelele de portofoliu structurate pot fi adesea rezolvate mult mai eficient decât ar sugera spațiile de căutare nestructurate.

Factorul decisiv este arhitectura - nu doar numărul de variabile.

6. Cum este luată în considerare incertitudinea în optimizarea globală?

Incertitudinea poate fi integrată în mod formal, de exemplu prin

• programarea stocastică cu arbori de scenarii
• Optimizarea valorii așteptate
• Valoarea condiționată la risc (CVaR)
• optimizare robustă împotriva cantităților de incertitudine

Incertitudinea nu este astfel ignorată, ci modelată în mod explicit.

7. Optimizarea globală înseamnă rigiditate deterministă?

Deterministă în acest context nu înseamnă rigidă, ci inteligibilă și coerentă din punct de vedere structural.

Un model de optimizare globală poate fi parametrizat în mod flexibil. Modificarea ipotezelor conduce la calcularea unor noi optimi. Flexibilitatea constă în parametri - nu în caracterul arbitrar al soluției.

8. Prin ce diferă inteligența decizională de învățarea automată?

Învățarea automată extrage modele din date și generează predicții. Inteligența decizională modelează spațiile decizionale și calculează stările optime în funcție de constrângeri.

Machine Learning răspunde la întrebarea: "Ce este probabil?"

Inteligența decizională răspunde la întrebarea: "Care combinație admisibilă maximizează valoarea țintă?"

Ambele pot fi combinate - dar ele rezolvă clase diferite de probleme.

9. Învățarea automată poate face parte dintr-o arhitectură decizională?

Da, modelele de prognoză pot, de exemplu, să furnizeze parametri de intrare pentru un model de optimizare, cum ar fi fluxurile de numerar preconizate sau valorile de risc.

Cu toate acestea, optimizarea în sine rămâne o etapă independentă care calculează decizii de selecție discrete în cadrul unor constrângeri.

10. De ce este guvernanța un argument-cheie pentru optimizarea globală?

Deciziile strategice de investiții sunt supuse din ce în ce mai mult controlului de reglementare și auditului intern.

O metodă aproximativă rareori poate arăta în mod transparent ce alternative au fost luate în considerare și respinse.

Un proces de optimizare globală documentează sistematic:

• combinațiile evaluate
• subzonele excluse
• Relațiile de dominanță
• Dovezi ale optimității

Acest lucru sporește posibilitatea de revizuire și trasabilitatea deciziilor.

11. Cum se raportează optimizarea globală la problemele NP-hard?

Multe decizii de portofoliu sunt NP-hard. Aceasta nu înseamnă că ele nu pot fi rezolvate. Înseamnă că, în cel mai rău caz, nu poate fi garantat un timp de execuție polinomial.

În practică, problemele din lumea reală sunt adesea structurate astfel încât sunt posibile soluții eficiente. În plus, arhitecturile moderne de calcul permit paralelizarea și accelerarea euristică într-un cadru exact.

12. Este optimizarea globală întotdeauna necesară?

Nu în orice situație.

Aproximarea poate fi suficientă pentru deciziile operaționale, pe termen scurt sau cu valoare redusă.

Cu toate acestea, cu cât angajamentul de capital, relevanța strategică și sensibilitatea reglementărilor sunt mai mari, cu atât este mai mare nevoia de optimizare structurală.

13. Cum se scalează o arhitectură decizională globală?

Scalarea are loc prin:

• Paralelizarea
• Formarea de bariere
• Reducerea dominanței
• Structurarea modelului
• Descompunerea problemei

Factorul decisiv este că scalarea nu se realizează prin căutare aleatorie, ci prin reducere structurală.

14. Cum este integrată optimizarea multi-obiectiv?

Optimizarea multi-obiectiv poate fi cartografiată folosind funcții de obiectiv ponderate, analiza frontului Pareto sau prioritizarea lexicografică.

Arhitectura nu trebuie să ignore obiectivele conflictuale, ci să le cartografieze sistematic.

15. Ce înseamnă "Optimul global este o proprietate a datelor"?

O soluție optimă din punct de vedere matematic există în condițiile unor parametri, restricții și funcții țintă definite. Aceasta nu este o opinie, ci rezultatul unui calcul structural.

Dacă parametrii se modifică, optimul se modifică. Cu toate acestea, existența unui optim este independentă de preferințele subiective.

16. Cu ce diferă simularea de optimizare?

Simularea evaluează scenarii. Optimizarea caută sistematic spațiul soluțiilor și identifică cea mai bună alternativă admisibilă.

Simularea răspunde: "Ce se întâmplă dacă?"

Optimizarea răspunde: "Care decizie maximizează valoarea țintă dintre toate alternativele admisibile?"

17. Cum reduce optimizarea ex-ante costurile de oportunitate?

Costurile de oportunitate apar atunci când există o alternativă mai bună, dar aceasta nu este realizată.

Calculul global reduce probabilitatea unei alocări structurale greșite, deoarece toate combinațiile admisibile sunt luate în considerare sau excluse matematic.

18. Inteligența decizională este un substitut pentru management?

Nu. Nu înlocuiește definirea obiectivelor strategice sau prioritizarea normativă.

Cu toate acestea, ea înlocuiește deciziile de alocare intuitive, euristice sau părtinitoare din punct de vedere politic cu calcule structurale.

19. Cum este asigurată transparența?

Transparența este creată prin

• modelarea clară a constrângerilor
• funcții țintă documentate
• formarea limitelor inteligibile
• procese de calcul reproductibile

Acest lucru permite trasabilitatea la nivel de consiliu și de audit.

20. Când începe inteligența decizională?

Inteligența decizională începe atunci când organizațiile realizează că deciziile de investiții complexe nu sunt probleme de previziune, ci probleme structurale combinatorii.

Ea începe atunci când aproximarea nu mai este suficientă și optimizarea structurală devine necesară.

---

Întrebări frecvente suplimentare - De ce inteligența artificială clasică eșuează structural în deciziile de portofoliu

1. De ce o rețea neuronală nu poate învăța pur și simplu portofoliul optim?

O rețea neuronală învață o funcție bazată pe date istorice. Aceasta aproximează corelațiile dintre intrări și valorile țintă.

Cu toate acestea, portofoliul optim nu este o variabilă țintă observabilă, ci rezultatul unei decizii de combinare discretă sub constrângeri.

Nu există un set de date de formare care să clasifice corect toate combinațiile posibile ca fiind "optime" sau "neoptime".

Optimul nu este o observație istorică - este o proprietate matematică a spațiului decizional complet.

2. De ce învățarea prin consolidare nu poate garanta alocarea optimă a capitalului?

Învățarea prin consolidare optimizează prin interacțiunea exploratorie cu un mediu. Ea învață politici prin intermediul funcțiilor de recompensă.

Cu toate acestea, deciziile de portofoliu nu sunt procese secvențiale de încercare și eroare, ci decizii punctuale, discrete, cu capitalizare ridicată, supuse unor restricții.

Explorarea în spațiul real nu este posibilă aici. Deciziile greșite sunt ireversibile și costisitoare.

RL poate învăța strategii adaptive. Cu toate acestea, nu poate demonstra sistematic un spațiu combinatorial complet.

3. De ce predicția nu este egală cu optimizarea?

Sistemele clasice de inteligență artificială sunt mașini de predicție.

Ele răspund la întrebări precum:

• Cum este probabil să evolueze proiectul A?
• Care este probabilitatea de eșec?
• Cum se schimbă piața?

Cu toate acestea, optimizarea răspunde întrebărilor:

Care combinație a tuturor proiectelor maximizează cifra țintă în condițiile restricțiilor bugetare și de risc?

Previziunile sunt date de intrare. Optimizarea este logica decizională.

Confuzia dintre cele două este o eroare de categorie.

4. De ce inteligența artificială clasică se adaptează slab în spații decizionale exponențiale?

Modelele de învățare automată cresc în funcție de volumul de date, nu de structura combinatorie.

Un portofoliu de 40 de proiecte generează peste un trilion de combinații posibile. Aceste combinații nu există ca exemple de instruire.

Un model nu poate învăța combinații care nu au fost niciodată evaluate explicit.

Spațiile decizionale exponențiale necesită o căutare structurală și o logică a limitelor - nu generalizarea modelelor.

5. De ce metodele euristice de inteligență artificială nu oferă certitudinea guvernării?

Metodele euristice oferă soluții bune sau foarte bune.

Cu toate acestea, de obicei, ele nu pot documenta

• ce combinații au fost excluse structural
• dacă există o soluție mai bună
• ce relații de dominanță au fost aplicate

Plauzibilitatea nu este suficientă pentru securitatea plăcii și a revizuirii. Este necesară trasabilitatea structurală.

6. De ce este problema cutiei negre deosebit de critică în acest caz?

În clasificarea imaginilor sau generarea de text, o lipsă de interpretabilitate completă este tolerabilă.

Ea este problematică în alocarea de capital.

Atunci când sunt alocate bugete de miliarde de euro, acestea trebuie să poată fi explicate:

• De ce a fost aleasă această combinație?
• Ce alternative au fost respinse?
• Ce constrângeri erau obligatorii?

Aproximarea cutiilor negre nu înlocuiește o dovadă structurală a deciziei.

7. De ce simularea nu este o soluție?

Simularea evaluează scenariile.

Ea răspunde la întrebări precum:

• Ce se întâmplă dacă alegem această combinație?
• Cum se comportă portofoliul în funcție de anumite ipoteze?

Cu toate acestea, ea nu răspunde

Care combinație admisibilă este cea mai bună dintre toate alternativele?

Simularea este exploratorie. Optimizarea este selectivă.

8. De ce "suportul decizional asistat de IA" este adesea doar un suport pentru previziuni?

Multe sisteme etichetate drept "susținute de IA" oferă rezultate:

• Valori ale scorului
• Previziuni privind riscurile
• Recomandări de prioritizare

Selecția finală este adesea făcută în continuare euristic sau politic.

Optimizarea structurală a deciziilor înlocuiește această selecție finală euristică cu un calcul sistematic.

9. De ce eșuează inteligența artificială clasică, în special în cazul constrângerilor?

Modelele de învățare automată nu sunt concepute în primul rând pentru a garanta restricții logice dure.

Cu toate acestea, restricțiile bugetare, limitele de capacitate sau cerințele de reglementare nu sunt soft - ele sunt obligatorii.

Modelele de optimizare integrează formal aceste constrângeri. Modelele de învățare le aproximează adesea implicit sau în aval.

Aceasta este o diferență structurală.

10. De ce "mai multe date" nu este o soluție?

Mai multe date îmbunătățesc precizia previziunilor.

Cu toate acestea, nu reduce explozia combinatorie a spațiilor de decizie discrete.

Numărul de portofolii posibile nu depinde de cantitatea de date, ci de numărul de proiecte discrete.

Structura exponențială nu poate fi anulată prin scalarea datelor.

11. De ce optimizarea locală nu este suficientă?

Multe metode de inteligență artificială converg către optimi locali sau stări stabile.

Deciziile de portofoliu necesită o viziune globală.

Un optim local poate fi suboptimal dacă o altă combinație - structural mai îndepărtată - oferă o îndeplinire mai mare a obiectivului.

Optimizarea globală previne această orbire structurală.

12. De ce inteligența decizională nu este o subcategorie a IA?

IA clasică a fost dezvoltată în primul rând cu scopul de a reproduce percepția umană și recunoașterea modelelor.

Inteligența decizională în sensul optimizării globale a portofoliului provine din teoria optimizării combinatorii.

Ea nu se bazează în primul rând pe învățare, ci pe structură, pe reducerea spațiului de căutare și pe logica optimizării.

Ambele discipline sunt înrudite - dar nu identice.

13. Când este suficientă inteligența artificială clasică - și când nu?

Este suficientă atunci când:

• Predicția este problema principală
• Aproximarea este suficientă
• Erorile sunt tolerabile

Nu este suficient dacă

• este necesară selecția discretă sub constrângeri
• Constrângerile bugetare sunt obligatorii
• Costurile de oportunitate sunt semnificative
• Este necesară dovada guvernanței

Aici începe optimizarea structurală a deciziilor.

14. Care este esența eșecului structural?

Eșecul structural al IA clasică în deciziile de portofoliu nu constă în performanța sa, ci în clasa de probleme.

IA este o tehnologie puternică pentru recunoașterea modelelor și previziuni.

Cu toate acestea, optimizarea portofoliului nu este o problemă de tipare, ci o problemă de structură combinatorie.

Oricine le echivalează pe cele două confundă probabilitatea cu optimitatea.

Cuvânt de încheiere

Sascha Rissel, CEO mAInthink GmbH

Traversăm în prezent o fază în care aproape orice soluție tehnologică este subsumată termenului "AI". Recunoașterea tiparelor, modelele lingvistice, sistemele de previziune - toate acestea sunt progrese impresionante. Dar există un lucru pe care nu trebuie să îl confundăm:

Inteligența în sensul învățării nu este aceeași cu inteligența în sensul luării deciziilor.

Deciziile de afaceri și de investiții publice nu sunt probleme de previziune. Ele sunt probleme structurale combinatorii supuse unor constrângeri, restricții bugetare și obiective contradictorii. Oricine le tratează ca pe o problemă de recunoaștere a modelelor le reduce la probabilitate - și pierde structura în acest proces.

StratePlan a apărut tocmai din această constatare.

Folosim inteligența artificială hibridă acolo unde are sens - pentru parametrizare, pentru modelarea incertitudinii, pentru previzionarea evoluțiilor. Dar decizia reală nu este aproximată. Aceasta este calculată.

Cu ajutorul arhitecturii precise multithreading, al reducerii structurii combinatorii și al logicii de optimizare deterministă, analizăm spații decizionale complete - nu doar scenarii.

Acest lucru nu este exagerat.
Aceasta este matematică.

Scopul nostru nu este să oferim ipoteze mai bune.
Scopul nostru este să permitem luarea unor decizii mai bune din punct de vedere structural.

Deoarece capitalul este limitat.
Costurile de oportunitate sunt reale.
Iar optimul global nu este o opinie.

Este o proprietate a datelor - și a structurii spațiului de decizie.

-
Sascha Rissel
CEO, mAInthink GmbH