Почему вычислительный интеллект не принимает портфельных решений

Системы обучения против систем принятия решений - и почему архитектуры глобальной оптимизации являются самостоятельной категорией

Краткое резюме

В последние годы термин "искусственный интеллект" стал общим термином практически для всех форм поддержки принятия решений на основе данных. Глубокое обучение, нейронные сети, обучение с подкреплением и связанные с ними методы все чаще воспринимаются как универсальные средства решения проблем - в том числе в контексте стратегических инвестиционных и портфельных решений.

Однако это уравнение структурно неверно.

Вычислительный интеллект (ВИ) - в основном состоящий из нейронных сетей, эволюционных алгоритмов, роевого интеллекта, нечетких систем и вероятностных методов - исторически возник как ответ на неточные, нелинейные и стохастические проблемы реального мира. Системы CI изучают закономерности, аппроксимируют функции и адаптивно подстраиваются под новые данные.

Однако портфельные и инвестиционные решения подчиняются другой логике.

Это не проблемы распознавания образов. Это комбинаторные оптимизационные задачи с ограничениями, бюджетными ограничениями, взаимозависимостями и условиями нормативной базы. В то время как обучающие системы вычисляют вероятности, системы принятия решений должны принимать дискретные решения о выборе - в экспоненциально растущих пространствах решений.

Разница фундаментальна.

В данной статье анализируется структурное различие между адаптивными системами обучения и архитектурами глобальных решений, объясняется математическая природа пространств экспоненциальных портфелей и показывается, почему предварительная глобальная оптимизация является самостоятельной категорией алгоритмического интеллекта.

1. Заблуждение: распознавание образов - это не решение

Успехи современных систем искусственного интеллекта неоспоримы. Языковые модели генерируют связные тексты. Системы распознавания образов с высокой точностью идентифицируют объекты. Архитектуры обучения с подкреплением побеждают чемпионов мира в сложных играх.

Однако эти системы решают конкретную задачу:

Они аппроксимируют неизвестную функцию на основе наблюдаемых данных.

Формально говоря, они минимизируют ошибку между прогнозом и реальностью. Целевое значение является статистическим. Качество измеряется с помощью точности, функций потерь или доверительных интервалов.

Портфельные решения имеют другую структуру.

Здесь нет непрерывной целевой переменной, которую необходимо аппроксимировать. Вместо этого есть набор дискретных вариантов, которые либо выбираются, либо не выбираются. Каждая комбинация изменяет бюджет, риск, использование ресурсов и стратегическое направление.

Разницу можно проиллюстрировать на простом примере:

Нейронная сеть может с высокой вероятностью предсказать, как будет развиваться тот или иной сегмент рынка. Однако решение о том, какие 12 из 47 возможных инвестиционных проектов будут реализованы в рамках бюджета в 100 миллионов евро, - это не задача прогнозирования, а задача комбинаторного выбора.

Системе не нужно изучать, как выглядит та или иная модель. Она должна рассчитать глобальный выбор в условиях ограничений.

Это структурное различие упускается из виду во многих организациях.

2. Обучающиеся системы против систем принятия решений

Чтобы точно понять разницу, необходимо провести систематическое сравнение.

Обучающиеся системы

• Оптимизируют статистические функции ошибок
• Работают с обучающими и тестовыми данными
• Обеспечивают вероятности или непрерывные результаты
• Часто являются стохастическими
• Не имеют встроенной логики ограничений
• Не гарантируют глобальной оптимальности решения

Системы принятия решений

• Оптимизируют дискретную целевую функцию
• Учитывают жесткие ограничения
• Работают в полном пространстве комбинаций
• Требуют ограничений и логики доминирования
• Требуют глобальной согласованности
• Может предоставлять сертификаты оптимальности

Разница заключается не в "уровне интеллекта", а в классе задач.

Обучающиеся системы отвечают на вопрос:

Что является вероятным?

Системы принятия решений отвечают на вопрос:

Какая комбинация оптимальна?

3. Экспоненциальное пространство решений

Центральная математическая проблема портфельных решений - это экспоненциальная комбинаторика.

При N проектах существует ^2N возможных комбинаций.

• 10 проектов → 1 024 комбинации
• 20 проектов → 1 048 576 комбинаций
• 30 проектов → 1,073,741,824 комбинаций
• 50 проектов → более 1 квадриллиона комбинаций

Каждая из этих комбинаций представляет собой потенциальное распределение капитала с собственным профилем риска и доходности.

Кроме того, существуют

• Бюджетные ограничения
• логические зависимости
• Ограничения по ресурсам
• стратегические приоритеты
• нормативные требования

Проблема заключается не в прогнозировании стоимости отдельных проектов. Проблема заключается в одновременной оценке всех допустимых комбинаций.

Эвристические методы ищут части этого пространства. Точные методы структурируют его систематически.

4. Эвристические методы и их структурные ограничения

Эволюционные алгоритмы, роевой интеллект и другие методы CI используют стратегии поиска на основе популяции.

Они эффективны, если:

• Пространство поиска непрерывно
• Аппроксимация достаточна
• Не требуется доказательство оптимальности

Однако они не гарантируют, что будет найден глобальный оптимум. Они дают хорошие решения - не обязательно лучшие.

Это приемлемо для классификации изображений.

При принятии решений о многомиллиардных инвестициях возникает другой вопрос управления.

5. Архитектуры точной оптимизации

Здесь начинается другой класс алгоритмических систем.

Смешанно-целочисленное программирование позволяет моделировать дискретные решения при линейных ограничениях.

Методветвления и соединения систематически разбивает пространство поиска и математически исключает нерелевантные области.

Программирование с ограничениями использует логическую согласованность для уменьшения комбинаторного взрыва.

Стохастическое программирование формально включает неопределенность в модель оптимизации.

Надежная оптимизация защищает от наихудших сценариев.

Теория глобальной оптимизации предоставляет доказательства сходимости и сертификаты оптимальности.

Эти методы не являются алгоритмами обучения. Это архитектуры принятия решений.

6. Управление и подотчетность

При принятии стратегических инвестиционных решений важна не только точность, но и подотчетность.

Приблизительный результат может быть правдоподобным. Однако он не может доказать, что лучшей альтернативы не существует.

Глобальный оптимизационный подход может - при определенных допущениях - обеспечить доказательство оптимальности.

Это различие важно с точки зрения регулирования, ответственности и стратегии.

7. От искусственного интеллекта к интеллекту принятия решений

Не каждая интеллектуальная система является системой принятия решений.

Интеллект принятия решений в смысле глобальной оптимизации портфеля означает

• Полный анализ пространства комбинаций
• Формирование структурных барьеров
• Устранение доминирования
• Предварительный расчет оптимальных конфигураций

Это не расширение машинного обучения. Это другая категория алгоритмической архитектуры.

В то время как системы обучения извлекают знания, системы принятия решений строят оптимальные состояния.

Это различие фундаментально.

8. Математика, лежащая в основе портфельных решений

Чтобы полностью понять структурное различие между системами обучения и архитектурами принятия решений, необходимо четко рассмотреть математическую природу портфельных решений.

Стратегическое инвестиционное решение может быть формально представлено как оптимизационная задача:

Максимизировать: f(x)

При ограничениях:

• Ax ≤ b (бюджетные и ресурсные ограничения)
• x ∈ {0^,1}N (дискретный выбор)
• логические зависимости между проектами
• Ограничения рисков
• минимальные стратегические требования

Вектор решений x описывает, какие проекты будут выбраны. Каждая переменная может принимать только два состояния: реализовать или не реализовать.

Целевая функция может содержать несколько измерений:

• Рентабельность инвестиций
• Профиль денежных потоков
• Ключевые показатели риска
• стратегический приоритет
• Капитальные обязательства

Даже умеренное количество проектов создает комбинаторное пространство, которое растет экспоненциально. Это свойство не является проблемой программного обеспечения. Оно присуще математике.

Обучающаяся система может попытаться спрогнозировать стоимость проектов.

Система принятия решений, однако, должна оценить все допустимые комбинации в условиях ограничений.

В этом и заключается структурное различие.

9. Почему приблизительность не тождественна оптимальности

Эвристические методы могут находить очень хорошие решения. Во многих технических приложениях они эффективны и достаточны.

Однако между "очень хорошим" и "глобально оптимальным" есть качественное различие.

Приближенное решение отвечает на вопрос:

Является ли это решение хорошим?

Глобальная оптимизация отвечает на вопрос:

Существует ли лучшее решение?

Это различие не семантическое, а структурное.

Финансовому директору не нужно знать, выглядит ли инвестиционная комбинация правдоподобной. Ему нужно знать, является ли она наилучшей из имеющихся альтернатив при заданных ограничениях.

Без полного или систематически ограниченного поиска в пространстве решений этот вопрос остается без ответа.

10. Метод ветвей и границ и структурные ограничения

Методы ветвления и ограничения являются примером того, как экспоненциальное пространство поиска может быть структурно управляемым.

Пространство делится на подпространства (ветвление). Для каждого подпространства вычисляется верхняя и нижняя граница (bounding).

Если граница доказывает, что не может быть найден результат лучше, чем лучший на данный момент, это подпространство исключается.

Это не эвристический поиск, а математическое исключение.

Эта логика имеет решающее значение:

Система не обязана полностью оценивать каждую комбинацию. Однако она должна доказать, что неоцененные комбинации не превышают оптимум.

Это структурно отличается от стохастического поиска.

11. Смешанно-целочисленное программирование как модель принятия решений

Смешанно-интегральное программирование (MIP) представляет собой формальную модель, позволяющую объединить дискретные и непрерывные переменные.

Оно позволяет

• точное отображение бюджетных ограничений
• логических зависимостей проекта
• Ограничения пропускной способности
• линейные и нелинейные целевые переменные

В сочетании с процедурами "ветвь и граница" или "плоскость среза" создается архитектура решений, которая не только находит решения, но и подтверждает их оптимальность.

Это особенно важно, когда решения являются капиталоемкими или чувствительными к нормативным требованиям.

12. Неопределенность: стохастическая и робастная

Многие организации утверждают, что неопределенность делает точную оптимизацию невозможной.

Это ошибочное мнение.

Стохастическое программирование явно включает сценарии в модель. Надежная оптимизация определяет величины неопределенности и оптимизирует по наихудшему варианту.

Неопределенность не игнорируется. Она формально моделируется.

Это отличает структурированные архитектуры принятия решений от аппроксимаций, основанных исключительно на данных.

13. Управление и возможность аудита

Стратегические решения все чаще подвергаются контролю со стороны регулирующих органов.

Возникают вопросы:

• Почему проект А был реализован, а проект Б - нет?
• Были ли рассмотрены все альтернативы?
• Был ли бюджет использован оптимально?
• Существует ли понятный процесс принятия решений?

Эвристические системы часто не обеспечивают полной прозрачности в отношении отвергнутых альтернатив.

Архитектуры глобальной оптимизации, напротив, предоставляют документацию:

• Сокращение пространства поиска
• Отношения доминирования
• Доказательства границ
• Сертификаты оптимальности

Это создает возможность аудита и отслеживания.

14. Интеллект решений как самостоятельная категория

Интеллектуальные решения не являются подкатегорией машинного обучения.

Это самостоятельный класс алгоритмических систем, которые:

• моделируют полные пространства решений
• используют комбинаторные структуры
• Интегрируют ограничения
• обеспечивают глобальную согласованность
• Позволяют доказывать оптимальность

В то время как обучающие системы вычисляют вероятности, интеллектуальные системы принятия решений строят оптимальные состояния.

15. Ex-ante вместо ex-post

Многие организации анализируют решения задним числом.

Оптимизация ex-ante означает.

Наилучшая конфигурация рассчитывается до того, как будет выделен капитал.

Это не только снижает альтернативные издержки, но и уменьшает структурные ошибки.

16. От комбинаторного взрыва к структурной управляемости

Экспоненциальные пространства не являются неразрешимыми.

Они сложны.

Через:

• Устранения доминирования
• Формирование барьеров
• Использование избыточности
• Распараллеливание
• Структурный анализ

пространство решений может быть систематически сокращено.

Однако для этого требуется архитектура, предназначенная для структурирования решений, а не для распознавания образов.

17. Роль StratePlan

StratePlan разработан как архитектура глобальных решений.

Это не модель прогнозирования и не система машинного обучения в чистом виде.

Архитектура анализирует полные пространства комбинаций портфелей в условиях ограничений, бюджетных ограничений и многоцелевых требований.

Глобальный оптимум рассчитывается заранее путем систематического формирования ограничений, сокращения комбинаторной структуры и использования алгоритмической избыточности.

Неправдоподобно. Не моделируется. Не аппроксимируется.

Но структурно определена.

18. Взгляд финансового директора: распределение капитала как оптимизационная задача

Для финансовых директоров капитал - это не статистическая ожидаемая величина, а дефицитный ресурс.

Каждая инвестиция имеет альтернативные издержки.

Неоптимизированная комбинация означает

• упущенная выгода
• ненужные капиталовложения
• стратегическое нерациональное распределение

Предварительная глобальная оптимизация превращает распределение капитала из правдоподобного решения в просчитанное.

19. Вывод: не каждая интеллектуальная система принимает оптимальные решения

Вычислительный интеллект является мощным и незаменимым во многих областях.

Однако в первую очередь он решает задачи обучения.

Портфельные и инвестиционные решения - это структурно комбинаторные оптимизационные задачи.

Для их решения требуются архитектуры, которые:

• рассматривать все пространство
• Интегрировать ограничения
• Формально моделировать неопределенность
• могут доказать глобальную оптимальность

Интеллектуальность решений начинается там, где заканчивается аппроксимация.

Глобальный оптимум - это не мнение.

Это свойство данных - и структуры пространства решений.

FAQ - Системы обучения, системы принятия решений и глобальная оптимизация портфеля ценных бумаг

1. Разве вычислительный интеллект уже не является достаточно мощным для принятия портфельных решений?

Вычислительный интеллект является чрезвычайно мощным во многих областях применения - особенно в распознавании образов, прогнозировании и адаптивном управлении. Однако портфельные решения представляют собой другой класс проблем.

В то время как системы КИ вычисляют вероятности или приближенные решения, портфельные решения требуют дискретного выбора оптимальной комбинации в условиях ограничений. Математическая структура принципиально отличается: прогнозирование - это непрерывная задача аппроксимации, а выбор портфеля - комбинаторная оптимизационная задача.

CI может оказать поддержку. Однако он не заменит глобальную архитектуру принятия решений.

2. Почему "очень хорошего" решения недостаточно?

В оперативных приложениях может быть достаточно очень хорошего решения. Однако при принятии капиталоемких стратегических решений очень важно, существует ли лучшая альтернатива.

Эвристическое решение может показаться правдоподобным. Однако оно не может доказать, что в рамках допустимых ограничений не существует лучшей комбинации.

Глобальная оптимизация отвечает именно на этот вопрос.

3. Не являются ли экспоненциальные пространства решений принципиально неразрешимыми?

Экспоненциальные пространства решений сложны, но не неразрешимы. На практике часто нет необходимости в полном перечислении всех комбинаций.

Эффективное пространство поиска может быть радикально сокращено за счет создания границ, отношений доминирования, сокращения структуры и систематических методов поиска, таких как ветвление и соединение.

Вопрос не в том, растет ли это пространство экспоненциально, а в том, существует ли архитектура, способная структурно управлять им.

4. Что отличает метод ветвления и связывания от эвристического поиска?

Эвристический поиск оценивает образцы в пространстве решений. Ветвление и связь систематически декомпозирует это пространство и математически исключает подпространства, если они не могут превзойти оптимум.

Решающее различие заключается в доказательстве оптимальности. Эвристика находит хорошие решения. Метод ветвления и связывания может доказать, что лучшего решения не существует.

5. Не является ли смешанно-целочисленное программирование слишком медленным для больших портфелей?

Смешанно-целочисленное программирование требует больших вычислительных затрат. Однако современные решатели сочетают в себе ветвление и связывание, планы разрезания, эвристику и распараллеливание.

Кроме того, решаемость зависит не столько от чистого размера задачи, сколько от структуры модели. Структурированные модели портфелей часто могут быть решены гораздо эффективнее, чем это можно было бы предположить на неструктурированных пространствах поиска.

Решающим фактором является архитектура, а не только количество переменных.

6. Как учитывается неопределенность в глобальной оптимизации?

Неопределенность может быть формально интегрирована, например, с помощью

• стохастическое программирование с использованием деревьев сценариев
• Оптимизация по ожидаемому значению
• Условная стоимость с учетом риска (CVaR)
• робастная оптимизация с учетом неопределенных величин

Таким образом, неопределенность не игнорируется, а явным образом моделируется.

7. Означает ли глобальная оптимизация детерминированную жесткость?

Нет. Детерминированность в данном контексте означает не жесткость, а понятность и структурную согласованность.

Модель глобальной оптимизации может быть гибко параметризована. Изменения в предположениях приводят к новым расчетным оптимумам. Гибкость заключается в параметрах, а не в произвольности решения.

8. Чем Decision Intelligence отличается от машинного обучения?

Машинное обучение извлекает закономерности из данных и генерирует прогнозы. Decision Intelligence моделирует пространства решений и вычисляет оптимальные состояния в условиях ограничений.

Машинное обучение отвечает на вопрос: "Что является вероятным?"

Decision Intelligence отвечает на вопрос: "Какая допустимая комбинация максимизирует целевое значение?"

Оба метода можно комбинировать - но они решают разные классы задач.

9. Может ли машинное обучение быть частью архитектуры принятия решений?

Да, модели прогнозирования могут, например, предоставлять входные параметры для оптимизационной модели, такие как ожидаемые денежные потоки или значения рисков.

Однако сама оптимизация остается независимым этапом, на котором рассчитываются дискретные решения по выбору в условиях ограничений.

10. Почему управление является ключевым аргументом в пользу глобальной оптимизации?

Стратегические инвестиционные решения все чаще подвергаются контролю со стороны регулирующих органов и внутреннему аудиту.

Приблизительный метод редко может прозрачно показать, какие альтернативы были рассмотрены и отклонены.

Процесс глобальной оптимизации систематически документирует:

• оцениваемые комбинации
• исключенные подобласти
• Отношения доминирования
• Доказательства оптимальности

Это повышает возможность повторного рассмотрения и отслеживания решений.

11. Как глобальная оптимизация связана с NP-трудными проблемами?

Многие портфельные решения являются NP-трудными. Это не означает, что они неразрешимы. Это означает, что в худшем случае не может быть гарантировано полиномиальное время выполнения.

На практике реальные задачи часто структурированы таким образом, что возможны эффективные решения. Кроме того, современные вычислительные архитектуры позволяют проводить распараллеливание и эвристическое ускорение в точных рамках.

12. Всегда ли необходима глобальная оптимизация?

Не в каждой ситуации.

Для оперативных, краткосрочных или малозначимых решений может быть достаточно приближения.

Однако чем выше капитальные затраты, стратегическая значимость и чувствительность к нормативным требованиям, тем больше необходимость в структурной оптимизации.

13. Как масштабируется архитектура глобальных решений?

Масштабирование происходит посредством:

• Распараллеливания
• Формирование барьеров
• Уменьшение доминирования
• Структурирование модели
• Декомпозиция проблемы

Решающим фактором является то, что масштабирование достигается не случайным поиском, а структурной редукцией.

14. Как интегрируется многоцелевая оптимизация?

Многоцелевая оптимизация может быть отображена с помощью взвешенных целевых функций, анализа фронта Парето или лексикографической расстановки приоритетов.

Архитектура должна не игнорировать конфликтующие цели, а систематически отображать их.

15. Что означает фраза "Глобальный оптимум - это свойство данных"?

Математически оптимальное решение существует при определенных параметрах, ограничениях и целевых функциях. Это не мнение, а результат структурного расчета.

Если параметры меняются, то меняется и оптимум. Однако существование оптимума не зависит от субъективных предпочтений.

16. Чем моделирование отличается от оптимизации?

Моделирование оценивает сценарии. Оптимизация систематически перебирает пространство решений и выявляет наилучшую допустимую альтернативу.

Моделирование отвечает на вопрос: "Что будет, если?"

Оптимизация отвечает на вопрос: "Какое решение максимизирует целевое значение среди всех допустимых альтернатив?"

17. Как предварительная оптимизация снижает альтернативные издержки?

Издержки упущенной выгоды возникают, когда лучшая альтернатива существует, но не реализуется.

Глобальный расчет снижает вероятность структурного неправильного распределения, поскольку рассматриваются или математически исключаются все допустимые комбинации.

18. Заменяет ли Decision Intelligence управление?

Нет. Она не заменяет определение стратегических целей или нормативную расстановку приоритетов.

Однако он заменяет интуитивные, эвристические или политически предвзятые решения о распределении структурными расчетами.

19. Как обеспечивается прозрачность?

Прозрачность обеспечивается за счет

• четкого моделирования ограничений
• документированные целевые функции
• понятное формирование границ
• воспроизводимые процессы расчета

Это обеспечивает возможность отслеживания на уровне совета директоров и аудита.

20. Когда начинается интеллектуальное принятие решений?

Интеллектуальное принятие решений начинается тогда, когда организации осознают, что сложные инвестиционные решения - это не проблемы прогнозирования, а комбинаторные структурные задачи.

Она начинается там, где аппроксимации уже недостаточно - и становится необходимой структурная оптимизация.

---

Дополнительный FAQ - Почему классический ИИ структурно не справляется с портфельными решениями

1. Почему нейронная сеть не может просто выучить оптимальный портфель?

Нейронная сеть обучается функции на основе исторических данных. Она аппроксимирует корреляции между входными данными и целевыми значениями.

Однако оптимальный портфель - это не наблюдаемая целевая переменная, а результат дискретного комбинированного решения в условиях ограничений.

Не существует обучающего набора данных, который бы правильно классифицировал все возможные комбинации как "оптимальные" или "неоптимальные".

Оптимум не является историческим наблюдением - это математическое свойство всего пространства решений.

2. Почему обучение с подкреплением не может гарантировать оптимальное распределение капитала?

Обучение с подкреплением оптимизирует процесс через исследовательское взаимодействие с окружающей средой. Оно изучает политику с помощью функций вознаграждения.

Однако портфельные решения - это не последовательные процессы проб и ошибок, а скорее одноразовые дискретные решения с высокой капитализацией в условиях ограничений.

Исследование в реальном пространстве здесь невозможно. Неверные решения необратимы и дорогостоящи.

RL может обучать адаптивным стратегиям. Однако она не может систематически доказывать полное комбинаторное пространство.

3. Почему предсказание не равно оптимизации?

Классические системы ИИ - это машины предсказания.

Они отвечают на такие вопросы, как:

• Как будет развиваться проект A?
• Какова вероятность неудачи?
• Как меняется рынок?

Однако оптимизация отвечает на вопросы:

Какая комбинация всех проектов максимизирует целевой показатель при ограничениях по бюджету и рискам?

Прогнозирование - это исходные данные. Оптимизация - это логика принятия решений.

Путать эти два понятия - ошибка категории.

4. Почему классический ИИ плохо масштабируется в экспоненциальных пространствах решений?

Модели машинного обучения масштабируются с объемом данных, а не с комбинаторной структурой.

Портфель из 40 проектов создает более триллиона возможных комбинаций. Эти комбинации не существуют в качестве обучающих примеров.

Модель не может выучить комбинации, которые никогда не были явно оценены.

Экспоненциальные пространства решений требуют структурного поиска и граничной логики, а не обобщения шаблонов.

5. Почему эвристические методы ИИ не обеспечивают уверенности в управлении?

Эвристические методы дают хорошие или очень хорошие решения.

Однако, как правило, они не могут документально подтвердить

• какие комбинации были структурно исключены
• существует ли лучшее решение
• какие отношения доминирования применялись

Правдоподобия недостаточно для обеспечения безопасности досок и ревизий. Необходима структурная прослеживаемость.

6. Почему проблема "черного ящика" здесь особенно важна?

При классификации изображений или генерации текста отсутствие полной интерпретируемости вполне допустимо.

Это проблематично при распределении капитала.

Когда выделяются миллиардные бюджеты, их нужно уметь объяснить:

• Почему была выбрана именно эта комбинация?
• Какие альтернативы были отвергнуты?
• Какие ограничения были обязательными?

Аппроксимация "черного ящика" не заменит структурного доказательства решения.

7. Почему моделирование не является решением?

Моделирование оценивает сценарии.

Оно отвечает на такие вопросы, как:

• Что произойдет, если мы выберем эту комбинацию?
• Как поведет себя портфель при определенных предположениях?

Однако оно не дает ответа на следующие вопросы

Какая допустимая комбинация является лучшей из всех альтернатив?

Моделирование носит исследовательский характер. Оптимизация носит выборочный характер.

8. Почему "поддержка принятия решений с помощью ИИ" часто является лишь поддержкой прогнозов?

Многие системы, обозначенные как "поддерживаемые ИИ", обеспечивают:

• Значения баллов
• Прогнозы рисков
• Рекомендации по расстановке приоритетов

Окончательный выбор часто делается эвристически или политически.

Структурная оптимизация решений заменяет этот эвристический окончательный выбор систематическим расчетом.

9. Почему классический ИИ терпит неудачу, особенно с ограничениями?

Модели машинного обучения в первую очередь не предназначены для обеспечения жестких логических ограничений.

Однако бюджетные ограничения, предельные возможности или нормативные требования не являются мягкими - они обязательны к исполнению.

Оптимизационные модели интегрируют эти ограничения формально. Модели машинного обучения часто аппроксимируют их неявно или по нисходящей.

Это структурно отличается.

10. Почему "больше данных" не является решением?

Большее количество данных повышает точность прогноза.

Однако это не уменьшает комбинаторный взрыв дискретных пространств решений.

Количество возможных портфелей зависит не от объема данных, а от количества дискретных проектов.

Экспоненциальная структура не может быть отменена масштабированием данных.

11. Почему локальной оптимизации недостаточно?

Многие методы ИИ сходятся к локальным оптимумам или стабильным состояниям.

Портфельные решения требуют глобального взгляда.

Локальный оптимум может оказаться неоптимальным, если другая комбинация - структурно более далекая - предлагает более высокую степень достижения цели.

Глобальная оптимизация предотвращает эту структурную слепоту.

12. Почему интеллектуальное принятие решений не является подкатегорией ИИ?

Классический ИИ разрабатывался в основном с целью воспроизведения человеческого восприятия и распознавания образов.

Интеллект принятия решений в смысле глобальной оптимизации портфеля возникает из теории комбинаторной оптимизации.

Он основан не столько на обучении, сколько на структуре, сокращении пространства поиска и логике оптимизации.

Обе дисциплины связаны, но не идентичны.

13. Когда классический ИИ достаточен, а когда нет?

Он достаточен, когда:

• Предсказание является основной проблемой
• Приближение является достаточным
• Ошибки допустимы

Недостаточно, если

• требуется дискретный выбор при ограничениях
• Бюджетные ограничения являются обязательными
• Альтернативные издержки значительны
• Требуется доказательство управления

Именно здесь начинается структурная оптимизация решений.

14. В чем суть структурного сбоя?

Структурный провал классического ИИ в портфельных решениях кроется не в его производительности, а в классе задач.

ИИ - мощная технология для распознавания образов и прогнозирования.

Однако оптимизация портфеля - это не проблема паттернов, а проблема комбинаторной структуры.

Тот, кто приравнивает эти два понятия, путает вероятность с оптимальностью.

Заключительные слова

Саша Риссель, генеральный директор mAInthink GmbH

В настоящее время мы переживаем этап, когда почти каждое технологическое решение подпадает под термин "ИИ". Распознавание образов, языковые модели, системы прогнозирования - все это впечатляющие достижения. Но есть одна вещь, которую мы не должны путать:

Интеллект в смысле обучения - это не то же самое, что интеллект в смысле принятия решений.

Решения о бизнесе и государственных инвестициях - это не проблемы прогнозирования. Это комбинаторные структурные задачи с ограничениями, бюджетными ограничениями и противоречивыми целями. Тот, кто относится к ним как к проблемам распознавания образов, сводит их к вероятности - и теряет при этом структуру.

StratePlan возникла именно из этого осознания.

Мы используем гибридный ИИ там, где это имеет смысл - для параметризации, моделирования неопределенности, прогнозирования развития событий. Но реальное решение не аппроксимируется. Оно вычисляется.

Благодаря точной многопоточной архитектуре, сокращению комбинаторной структуры и детерминированной логике оптимизации мы анализируем полные пространства решений, а не просто сценарии.

Это не шумиха.
Это математика.

Наша цель не в том, чтобы сделать лучшие предположения.
Наша цель - обеспечить принятие структурно лучших решений.

Потому что капитал конечен.
Стоимость возможностей реальна.
А глобальный оптимум - это не мнение.

Это свойство данных - и структуры пространства решений.

-
Саша Риссель
Генеральный директор, mAInthink GmbH