Prečo počítačová inteligencia nerobí portfóliové rozhodnutia

Učiace sa systémy vs. rozhodovacie systémy - a prečo sú globálne optimalizačné architektúry samostatnou kategóriou

Zhrnutie

V posledných rokoch sa pojem "umelá inteligencia" stal všeobecným pojmom pre takmer každú formu podpory rozhodovania založenej na údajoch. Hlboké učenie, neurónové siete, posilňovanie učenia a súvisiace metódy sa čoraz viac chápu ako univerzálne riešenia problémov - dokonca aj v kontexte strategických investičných a portfóliových rozhodnutí.

Toto prirovnanie je však štrukturálne nesprávne.

Výpočtová inteligencia (CI) - v podstate pozostávajúca z neurónových sietí, evolučných algoritmov, rojovej inteligencie, fuzzy systémov a pravdepodobnostných metód - historicky vznikla ako reakcia na nepresné, nelineárne a stochastické problémy reálneho sveta. Systémy CI sa učia vzory, aproximujú funkcie a adaptívne sa prispôsobujú novým údajom.

Portfóliové a investičné rozhodnutia sa však riadia inou logikou.

Nie sú to problémy rozpoznávania vzorov. Sú to kombinatorické optimalizačné problémy s obmedzeniami, rozpočtovými obmedzeniami, vzájomnými závislosťami a regulačnými rámcovými podmienkami. Zatiaľ čo systémy učenia počítajú pravdepodobnosti, rozhodovacie systémy musia robiť diskrétne výberové rozhodnutia - v exponenciálne rastúcich rozhodovacích priestoroch.

Tento rozdiel je zásadný.

V tomto článku sa analyzuje štrukturálny rozdiel medzi adaptívnymi učiacimi sa systémami a globálnymi rozhodovacími architektúrami, vysvetľuje sa matematická povaha exponenciálnych priestorov portfólia a ukazuje sa, prečo je ex ante globálna optimalizácia samostatnou kategóriou algoritmickej inteligencie.

1. Mylná predstava: rozpoznávanie vzorov nie je rozhodovanie

Úspechy moderných systémov umelej inteligencie sú nepopierateľné. Jazykové modely generujú súvislé texty. Systémy na rozpoznávanie obrazov identifikujú objekty s vysokou presnosťou. Architektúry posilňovania učenia porážajú svetových šampiónov v zložitých hrách.

Tieto systémy však riešia špecifický problém:

Aproximujú neznámu funkciu na základe pozorovaných údajov.

Formálne povedané, minimalizujú chybový člen medzi predikciou a skutočnosťou. Cieľová hodnota je štatistická. Kvalita sa meria pomocou presnosti, stratových funkcií alebo intervalov spoľahlivosti.

Rozhodnutia o portfóliu majú odlišnú štruktúru.

Tu neexistuje spojitá cieľová premenná, ktorá sa aproximuje. Namiesto toho existuje súbor diskrétnych možností, ktoré sa buď vyberú, alebo nevyberú. Každá kombinácia mení rozpočet, riziko, využitie zdrojov a strategické smerovanie.

Rozdiel ilustruje jednoduchý príklad:

Neurónová sieť dokáže s vysokou pravdepodobnosťou predpovedať, ako sa bude vyvíjať trhový segment. Rozhodnutie o tom, ktorých 12 zo 47 možných investičných projektov sa zrealizuje v rámci rozpočtu 100 miliónov EUR, však nie je problémom predpovede - ale problémom kombinatorického výberu.

Systém sa nemusí učiť, ako vyzerá vzor. Musí vypočítať globálny výber v rámci obmedzení.

Tento štrukturálny rozdiel sa v mnohých organizáciách prehliada.

2. Učiace sa systémy vs. rozhodovacie systémy

Na presné pochopenie tohto rozdielu je potrebné systematické porovnanie.

Učiace sa systémy

• Optimalizujú štatistické chybové funkcie
• Pracujú s tréningovými a testovacími údajmi
• Poskytujú pravdepodobnosti alebo spojité výstupy
• Sú často stochastické
• Nemajú vlastnú logiku obmedzení
• Nezaručujú globálnu optimálnosť rozhodnutia

Rozhodovacie systémy

• Optimalizujú diskrétnu účelovú funkciu
• Uvažujú tvrdé obmedzenia
• Pracujú v úplnom priestore kombinácií
• Vyžadujú obmedzenia a logiku dominancie
• Vyžadujú globálnu konzistenciu
• Môže poskytnúť certifikáty optimality

Rozdiel nie je v "úrovni inteligencie", ale v triede problémov.

Učiace sa systémy odpovedajú na otázku:

Čo je pravdepodobné?

Rozhodovacie systémy odpovedajú na otázku:

Ktorá kombinácia je optimálna?

3. Exponenciálny rozhodovací priestor

Ústrednou matematickou úlohou portfóliových rozhodnutí je exponenciálna kombinatorika.

Pri N projektoch existuje ^2N možných kombinácií.

• 10 projektov → 1 024 kombinácií
• 20 projektov → 1 048 576 kombinácií
• 30 projektov → 1 073 741 824 kombinácií
• 50 projektov → viac ako 1 kvadrilión kombinácií

Každá z týchto kombinácií predstavuje potenciálnu alokáciu kapitálu s vlastným profilom rizika a výnosu.

Okrem toho existujú

• Rozpočtové obmedzenia
• logické závislosti
• Obmedzenia zdrojov
• strategické priority
• regulačné požiadavky

Problémom nie je prognózovanie hodnôt jednotlivých projektov. Problémom je súčasné vyhodnotenie všetkých prípustných kombinácií.

Heuristické metódy prehľadávajú časti tohto priestoru. Exaktné metódy ho systematicky štruktúrujú.

4. Heuristické metódy a ich štrukturálne limity

Evolučné algoritmy, rojová inteligencia a iné metódy CI využívajú stratégie vyhľadávania založené na populácii.

Sú efektívne, ak:

• Vyhľadávací priestor je spojitý
• Aproximácia je dostatočná
• Nevyžaduje sa dôkaz optimality

Nezaručujú však, že sa nájde globálne optimum. Poskytujú dobré riešenia - nie nevyhnutne najlepšie.

To je prijateľné pre klasifikáciu obrazu.

V prípade investičných rozhodnutí v hodnote niekoľkých miliárd dolárov vzniká iná otázka riadenia.

5. Presné optimalizačné architektúry

Tu sa začína ďalšia trieda algoritmických systémov.

Zmiešané celočíselné programovanie umožňuje modelovať diskrétne rozhodnutia pri lineárnych obmedzeniach.

Rozvetvenie a ohraničenie systematicky rozdeľuje priestor hľadania a matematicky vylučuje irelevantné oblasti.

Programovanie s obmedzeniami využíva logickú konzistenciu na zníženie kombinatorickej explózie.

Stochastické programovanie formálne integruje neistotu do optimalizačného modelu.

Robustná optimalizácia chráni pred najhoršími scenármi.

Teória globálnej optimalizácie poskytuje dôkazy konvergencie a certifikáty optimality.

Tieto metódy nie sú učiace sa algoritmy. Sú to rozhodovacie architektúry.

6. Riadenie a zodpovednosť

Strategické investičné rozhodnutia nie sú len o presnosti, ale aj o zodpovednosti.

Približný výsledok môže byť vierohodný. Nemôže však dokázať, že neexistuje lepšia alternatíva.

Globálny optimalizačný prístup môže - za definovaných predpokladov - poskytnúť dôkaz o optimálnosti.

Tento rozdiel je dôležitý z regulačného, zodpovednostného a strategického hľadiska.

7. Od umelej inteligencie k inteligencii rozhodovania

Nie každý inteligentný systém je rozhodovací systém.

Rozhodovacia inteligencia v zmysle globálnej optimalizácie portfólia znamená

• Úplnú analýzu priestoru kombinácií
• Vytváranie štrukturálnych bariér
• Eliminácia dominancie
• Ex-ante výpočet optimálnych konfigurácií

Nejde o rozšírenie strojového učenia. Ide o inú kategóriu algoritmickej architektúry.

Zatiaľ čo učiace sa systémy získavajú znalosti, rozhodovacie systémy konštruujú optimálne stavy.

Tento rozdiel je zásadný.

8. Matematika v pozadí portfóliových rozhodnutí

Na úplné pochopenie štrukturálneho rozdielu medzi učiacimi sa systémami a rozhodovacími architektúrami je potrebné explicitne zohľadniť matematickú povahu portfóliových rozhodnutí.

Strategické investičné rozhodnutie možno formálne reprezentovať ako optimalizačný problém:

Maximalizovať: f(x)

Pri dodržaní obmedzení:

• Ax ≤ b (rozpočtové a zdrojové obmedzenia)
• x ∈ {0^,1}N (diskrétny výber)
• logické závislosti medzi projektmi
• Obmedzenia rizika
• minimálne strategické požiadavky

Rozhodovací vektor x opisuje, ktoré projekty sa vyberajú. Každá premenná môže nadobudnúť len dva stavy: realizovať alebo nerealizovať.

Cieľová funkcia môže obsahovať niekoľko dimenzií:

• Návratnosť investície
• Profil peňažných tokov
• Kľúčové hodnoty rizika
• strategickú prioritu
• Kapitálový záväzok

Aj pri miernom počte projektov vzniká kombinatorický priestor, ktorý exponenciálne rastie. Táto vlastnosť nie je softvérovým problémom. Je jej matematicky vlastná.

Učiaci sa systém by sa pokúsil predpovedať hodnoty projektov.

Rozhodovací systém však musí vyhodnotiť všetky prípustné kombinácie v rámci obmedzení.

To je štrukturálny rozdiel.

9. Prečo aproximácia nie je to isté ako optimálnosť

Heuristické metódy môžu nájsť veľmi dobré riešenia. V mnohých technických aplikáciách sú účinné a postačujúce.

Medzi "veľmi dobrým" a "globálne optimálnym" však existuje kvalitatívny rozdiel.

Približné riešenie odpovedá na otázku:

Je toto riešenie dobré?

Globálna optimalizácia odpovedá na otázku:

Existuje lepšie riešenie?

Tento rozdiel nie je sémantický, ale štrukturálny.

Finančný riaditeľ nepotrebuje vedieť, či sa kombinácia investícií javí ako pravdepodobná. Potrebuje vedieť, či je to najlepšia dostupná alternatíva pri daných obmedzeniach.

Bez úplného alebo systematicky obmedzeného prehľadávania rozhodovacieho priestoru zostáva táto otázka nezodpovedaná.

10. Rozvetvené a štrukturálne obmedzenia

Metódy vetvenia a ohraničenia sú príkladom toho, ako možno exponenciálny prehľadávací priestor štrukturálne kontrolovať.

Priestor je rozdelený na podpriestory (vetvenie). Pre každý podpriestor sa vypočíta horná a dolná hranica (ohraničenie).

Ak sa pri ohraničení preukáže, že nemožno nájsť lepší výsledok ako doteraz najlepší, tento podpriestor sa vylúči.

Nejde o heuristické hľadanie, ale o matematické vylúčenie.

Táto logika je kľúčová:

Systém nemusí úplne vyhodnotiť každú kombináciu. Musí však dokázať, že nevyhodnotené kombinácie nepresahujú optimum.

Tým sa štrukturálne líši od stochastického vyhľadávania.

11. Zmiešané celočíselné programovanie ako rozhodovací model

Zmiešano-celočíselné programovanie (MIP) poskytuje formálny modelovací rámec na kombináciu diskrétnych a spojitých premenných.

Umožňuje

• presné mapovanie rozpočtových obmedzení
• logické závislosti projektu
• Kapacitné obmedzenia
• lineárnych a nelineárnych cieľových premenných

V spojení s postupmi vetiev a hraníc alebo reznej roviny sa vytvára rozhodovacia architektúra, ktorá nielen nájde riešenia, ale aj potvrdí ich optimálnosť.

To je dôležité najmä vtedy, keď sú rozhodnutia kapitálovo náročné alebo citlivé na reguláciu.

12. Neistota: stochastické vs. robustné

Mnohé organizácie tvrdia, že neistota znemožňuje presnú optimalizáciu.

Ide o nedorozumenie.

Stochastické programovanie explicitne integruje scenáre do modelu. Robustná optimalizácia definuje veličiny neistoty a optimalizuje proti najhoršiemu prípadu.

Neistota sa neignoruje. Je formálne modelovaná.

Tým sa štruktúrované rozhodovacie architektúry odlišujú od aproximácií založených výlučne na údajoch.

13. Riadenie a auditovateľnosť

Strategické rozhodnutia čoraz viac podliehajú regulačnej kontrole.

Vznikajú otázky:

• Prečo bol projekt A realizovaný a projekt B nie?
• Boli zvážené všetky alternatívy?
• Bol rozpočet využitý optimálne?
• Existuje zrozumiteľný rozhodovací proces?

Heuristické systémy často neposkytujú úplnú transparentnosť o zamietnutých alternatívach.

Na druhej strane globálne optimalizačné architektúry poskytujú dokumentáciu:

• Redukcie priestoru vyhľadávania
• Vzťahy dominancie
• Dôkazy hraníc
• Certifikáty optimálnosti

Tým sa vytvára auditovateľnosť a sledovateľnosť.

14. Rozhodovacia inteligencia ako samostatná kategória

Rozhodovacia inteligencia nie je podkategóriou strojového učenia.

Je to nezávislá trieda algoritmických systémov, ktoré:

• modelujú úplné rozhodovacie priestory
• využívajú kombinatorické štruktúry
• Integrujú obmedzenia
• presadzujú globálnu konzistenciu
• Umožňujú dôkazy optimality

Zatiaľ čo učiace sa systémy počítajú pravdepodobnosti, rozhodovacia inteligencia konštruuje optimálne stavy.

15. Ex-ante namiesto ex-post

Mnohé organizácie analyzujú rozhodnutia ex post.

Optimalizácia ex ante znamená

Najlepšia konfigurácia sa vypočíta pred vyčlenením kapitálu.

Tým sa znižujú nielen náklady obetovaných príležitostí, ale aj štrukturálne nesprávne alokácie.

16. Od kombinatorickej explózie k štrukturálnej kontrolovateľnosti

Exponenciálne priestory nie sú neriešiteľné.

Sú však náročné.

Prostredníctvom:

• Eliminácia dominancie
• Vytvorenie bariéry
• Využitie redundancie
• Paralelizácia
• Štrukturálnej analýzy

rozhodovací priestor možno systematicky redukovať.

To si však vyžaduje architektúru, ktorá je navrhnutá pre rozhodovaciu štruktúru, a nie pre rozpoznávanie vzorov.

17. Úloha StratePlan

StratePlan je navrhnutý ako globálna rozhodovacia architektúra.

Nie je to predikčný model ani čistý systém strojového učenia.

Architektúra analyzuje kompletné priestory kombinácií portfólia v rámci obmedzení, rozpočtových obmedzení a viacúčelových požiadaviek.

Globálne optimum sa vypočíta ex ante prostredníctvom systematického vytvárania obmedzení, redukcie kombinatorickej štruktúry a využitia algoritmickej redundancie.

Nie je pravdepodobné. Nie je simulované. Nie je aproximované.

Ale štrukturálne určené.

18. Perspektíva finančných riaditeľov: alokácia kapitálu ako optimalizačný problém

Pre finančných riaditeľov nie je kapitál štatisticky očakávanou hodnotou, ale vzácnym zdrojom.

Každá investícia má náklady obetovanej príležitosti.

Neoptimalizovaná kombinácia znamená

• chýbajúce výnosy
• zbytočný kapitálový záväzok
• strategicky nesprávne váženie

Ex-ante globálna optimalizácia mení alokáciu kapitálu z pravdepodobného rozhodnutia na vypočítané rozhodnutie.

19. Záver: Nie každý inteligentný systém robí optimálne rozhodnutia

Výpočtová inteligencia je výkonná a nepostrádateľná v mnohých oblastiach.

Rieši však predovšetkým problémy učenia.

Portfóliové a investičné rozhodnutia sú štrukturálne kombinatorické optimalizačné problémy.

Vyžadujú si rozhodovacie architektúry, ktoré:

• zohľadňujú celý priestor
• Integrujú obmedzenia
• Formálne modelujú neistotu
• dokážu dokázať globálnu optimálnosť

Inteligencia rozhodovania sa začína tam, kde sa končí aproximácia.

Globálne optimum nie je názor.

Je to vlastnosť údajov - a štruktúry rozhodovacieho priestoru.

Často kladené otázky - systémy učenia, rozhodovacie systémy a globálna optimalizácia portfólia

1. Nie je výpočtová inteligencia už dostatočne výkonná na rozhodovanie o portfóliu?

Výpočtová inteligencia je mimoriadne výkonná v mnohých oblastiach použitia - najmä v oblasti rozpoznávania vzorov, prognózovania a adaptívneho riadenia. Rozhodovanie o portfóliu však predstavuje inú triedu problémov.

Zatiaľ čo systémy CI počítajú pravdepodobnosti alebo približné riešenia, portfóliové rozhodnutia si vyžadujú diskrétny výber optimálnej kombinácie v rámci obmedzení. Matematická štruktúra sa zásadne líši: prognózovanie je spojitý aproximačný problém, výber portfólia je kombinatorický optimalizačný problém.

CI môže poskytovať podporu. Nenahrádza však globálnu architektúru rozhodovania.

2. Prečo "veľmi dobré" riešenie nestačí?

V prevádzkových aplikáciách môže stačiť veľmi dobré riešenie. Pri kapitálovo náročných strategických rozhodnutiach je však rozhodujúce, či existuje lepšia alternatíva.

Heuristické riešenie sa môže javiť ako vierohodné. Nemôže však dokázať, že v rámci prípustných obmedzení neexistuje lepšia kombinácia.

Globálna optimalizácia odpovedá práve na túto otázku.

3. Nie sú exponenciálne rozhodovacie priestory v podstate neriešiteľné?

Exponenciálne rozhodovacie priestory sú náročné, ale nie neriešiteľné. Úplný výpočet všetkých kombinácií nie je v praxi často potrebný.

Efektívny prehľadávací priestor sa dá drasticky zmenšiť vytvorením ohraničení, vzťahov dominancie, redukciou štruktúry a systematickými metódami prehľadávania, ako je napríklad vetvenie a ohraničenie.

Otázkou nie je, či priestor rastie exponenciálne - ale či existuje architektúra, ktorá ho dokáže štrukturálne kontrolovať.

4. Čím sa líši vetvenie a ohraničenie od heuristického vyhľadávania?

Heuristické vyhľadávanie vyhodnocuje vzorky v rozhodovacom priestore. Rozvetvenie a ohraničenie systematicky rozkladá priestor a matematicky vylučuje podpriestory, ak nemôžu prekonať optimum.

Rozhodujúci rozdiel spočíva v dôkaze optimality. Heuristika nachádza dobré riešenia. Rozvetvenie a ohraničenie môže dokázať, že neexistuje lepšie riešenie.

5. Nie je zmiešané celočíselné programovanie príliš pomalé pre veľké portfóliá?

Zmiešané celočíselné programovanie je výpočtovo náročné. Moderné riešitele však kombinujú vetvy a hranice, rezacie plány, heuristiku a paralelizáciu.

Okrem toho riešiteľnosť závisí menej od čistej veľkosti problému ako od štruktúry modelu. Štruktúrované portfóliové modely sa často dajú riešiť oveľa efektívnejšie, ako by naznačovali neštruktúrované vyhľadávacie priestory.

Rozhodujúcim faktorom je architektúra - nielen počet premenných.

6. Ako sa zohľadňuje neistota v globálnej optimalizácii?

Neistotu možno formálne integrovať, napr. prostredníctvom

• stochastického programovania so stromami scenárov
• Optimalizácie očakávanej hodnoty
• Podmienenej hodnoty v riziku (CVaR)
• robustná optimalizácia voči neistým veličinám

Neistota sa teda neignoruje, ale explicitne modeluje.

7. Znamená globálna optimalizácia deterministickú rigiditu?

Nie. Deterministická v tomto kontexte neznamená rigidná, ale zrozumiteľná a štrukturálne konzistentná.

Model globálnej optimalizácie sa dá flexibilne parametrizovať. Zmeny predpokladov vedú k novým vypočítaným optimám. Flexibilita spočíva v parametroch - nie v ľubovoľnosti riešenia.

8. V čom sa rozhodovacia inteligencia líši od strojového učenia?

Strojové učenie získava z údajov vzory a generuje predpovede. Rozhodovacia inteligencia modeluje rozhodovacie priestory a vypočítava optimálne stavy v rámci obmedzení.

Strojové učenie odpovedá na otázku: "Čo je pravdepodobné?"

Rozhodovacia inteligencia odpovedá na otázku: "Ktorá prípustná kombinácia maximalizuje cieľovú hodnotu?"

Obidve metódy sa dajú kombinovať - riešia však rôzne triedy problémov.

9. Môže byť strojové učenie súčasťou rozhodovacej architektúry?

Áno, prognostické modely môžu napríklad poskytovať vstupné parametre pre optimalizačný model, ako sú očakávané peňažné toky alebo hodnoty rizika.

Samotná optimalizácia však zostáva nezávislým krokom, ktorý počíta diskrétne výberové rozhodnutia v rámci obmedzení.

10. Prečo je riadenie kľúčovým argumentom pre globálnu optimalizáciu?

Strategické investičné rozhodnutia čoraz viac podliehajú regulačnej kontrole a internému auditu.

Približná metóda môže len zriedka transparentne ukázať, ktoré alternatívy boli zvažované a zamietnuté.

Proces globálnej optimalizácie systematicky dokumentuje:

• hodnotené kombinácie
• vylúčené podoblasti
• Vzťahy dominancie
• Dôkazy optimálnosti

Zvyšuje sa tým možnosť revízie a sledovateľnosť rozhodnutí.

11. Ako súvisí globálna optimalizácia s NP-ťažkými problémami?

Mnohé portfóliové rozhodnutia sú NP-ťažké. To však neznamená, že sú neriešiteľné. Znamená to, že v najhoršom prípade nemožno zaručiť polynomiálny čas behu.

V praxi sú reálne problémy často štruktúrované tak, že sú možné efektívne riešenia. Okrem toho moderné výpočtové architektúry umožňujú paralelizáciu a heuristické zrýchlenie v exaktnom rámci.

12. Je globálna optimalizácia vždy nevyhnutná?

Nie v každej situácii.

Aproximácia môže byť dostatočná pri operatívnych, krátkodobých rozhodnutiach alebo rozhodnutiach s nízkou hodnotou.

Čím väčší je však kapitálový záväzok, strategický význam a regulačná citlivosť, tým väčšia je potreba štrukturálnej optimalizácie.

13. Ako sa globálna architektúra rozhodovania škáluje?

Škálovanie sa uskutočňuje prostredníctvom:

• Paralelného riadenia
• Vytvárania bariér
• Redukcie dominancie
• Štruktúrovanie modelu
• Dekompozície problému

Rozhodujúcim faktorom je, že škálovanie sa nedosahuje náhodným hľadaním, ale štrukturálnou redukciou.

14. Ako je integrovaná viacúčelová optimalizácia?

Viacúčelovú optimalizáciu možno mapovať pomocou vážených účelových funkcií, analýzy Paretovho frontu alebo lexikografickej prioritizácie.

Architektúra nesmie ignorovať konfliktné ciele, ale systematicky ich mapovať.

15. Čo znamená "Globálne optimum je vlastnosť údajov"?

Matematicky optimálne riešenie existuje pri definovaných parametroch, obmedzeniach a cieľových funkciách. Nie je to názor, ale výsledok štrukturálneho výpočtu.

Ak sa zmenia parametre, zmení sa aj optimum. Existencia optima však nezávisí od subjektívnych preferencií.

16. V čom sa simulácia líši od optimalizácie?

Simulácia vyhodnocuje scenáre. Optimalizácia systematicky prehľadáva priestor riešení a identifikuje najlepšiu prípustnú alternatívu.

Simulácia odpovedá na otázku: "Čo sa stane, ak?"

Optimalizácia odpovedá: "Ktoré rozhodnutie maximalizuje cieľovú hodnotu spomedzi všetkých prípustných alternatív?"

17. Ako ex ante optimalizácia znižuje náklady obetovanej príležitosti?

Náklady obetovanej príležitosti vznikajú vtedy, keď existuje lepšia alternatíva, ale nie je realizovaná.

Globálny výpočet znižuje pravdepodobnosť štrukturálne nesprávnej alokácie, keďže sa zvažujú alebo matematicky vylučujú všetky prípustné kombinácie.

18. Je rozhodovacia inteligencia náhradou manažmentu?

Nie. Nenahrádza definovanie strategických cieľov ani normatívne stanovenie priorít.

Nahrádza však intuitívne, heuristické alebo politicky zaujaté rozhodnutia o alokácii štrukturálnymi výpočtami.

19. Ako je zabezpečená transparentnosť?

Transparentnosť sa vytvára

• jasným modelovaním obmedzení
• zdokumentovanými cieľovými funkciami
• zrozumiteľnou tvorbou hraníc
• reprodukovateľnými postupmi výpočtu

To umožňuje sledovateľnosť na úrovni predstavenstva a auditu.

20. Kedy sa začína rozhodovacia inteligencia?

Rozhodovacia inteligencia sa začína vtedy, keď si organizácie uvedomia, že komplexné investičné rozhodnutia nie sú prognostické problémy, ale kombinatorické štrukturálne problémy.

Začína sa tam, kde už nestačí aproximácia - a je potrebná štrukturálna optimalizácia.

---

Doplňujúce FAQ - Prečo klasická AI zlyháva pri štrukturálnych rozhodnutiach o portfóliu

1. Prečo sa neurónová sieť nemôže jednoducho naučiť optimálne portfólio?

Neurónová sieť sa učí funkciu na základe historických údajov. Aproximuje korelácie medzi vstupmi a cieľovými hodnotami.

Optimálne portfólio však nie je pozorovateľná cieľová premenná, ale výsledok diskrétneho kombinačného rozhodnutia v rámci obmedzení.

Neexistuje súbor trénovaných údajov, ktorý by správne klasifikoval všetky možné kombinácie ako "optimálne" alebo "neoptimálne".

Optimum nie je historické pozorovanie - je to matematická vlastnosť celého rozhodovacieho priestoru.

2. Prečo učenie posilnením nemôže zaručiť optimálnu alokáciu kapitálu?

Posilňovacie učenie optimalizuje prostredníctvom prieskumnej interakcie s prostredím. Učí sa politiky prostredníctvom funkcií odmeňovania.

Rozhodnutia o portfóliu však nie sú sekvenčné procesy typu pokus-omyl, ale jednorazové, vysoko kapitalizované diskrétne rozhodnutia v rámci obmedzení.

Skúmanie v reálnom priestore tu nie je možné. Chybné rozhodnutia sú nezvratné a drahé.

RL sa môže učiť adaptívne stratégie. Nemôže však systematicky dokazovať úplný kombinatorický priestor.

3. Prečo sa predikcia nerovná optimalizácii?

Klasické systémy umelej inteligencie sú predikčné stroje.

Odpovedajú na otázky ako napr:

• Ako sa bude pravdepodobne vyvíjať projekt A?
• Aká je pravdepodobnosť neúspechu?
• Ako sa mení trh?

Optimalizácia však odpovedá:

Ktorá kombinácia všetkých projektov maximalizuje cieľovú hodnotu v rámci rozpočtových a rizikových obmedzení?

Vstupom je prognóza. Optimalizácia je logika rozhodovania.

Zamieňanie týchto dvoch kategórií je chybou.

4. Prečo klasická umelá inteligencia zle škáluje v exponenciálnych rozhodovacích priestoroch?

Modely strojového učenia sa škálujú s objemom údajov, nie s kombinatorickou štruktúrou.

Portfólio 40 projektov generuje viac ako trilión možných kombinácií. Tieto kombinácie neexistujú ako trénovacie príklady.

Model sa nemôže naučiť kombinácie, ktoré nikdy neboli explicitne vyhodnotené.

Exponenciálne rozhodovacie priestory si vyžadujú štrukturálne vyhľadávanie a hraničnú logiku - nie zovšeobecňovanie vzorov.

5. Prečo heuristické metódy umelej inteligencie neposkytujú istotu riadenia?

Heuristické metódy poskytujú dobré alebo veľmi dobré riešenia.

Zvyčajne však nedokážu zdokumentovať

• ktoré kombinácie boli štrukturálne vylúčené
• či existuje lepšie riešenie
• ktoré vzťahy dominancie sa uplatnili

Vierohodnosť nie je dostatočná pre bezpečnosť tabúľ a revízií. Vyžaduje sa štrukturálna sledovateľnosť.

6. Prečo je tu problém čiernej skrinky obzvlášť kritický?

Pri klasifikácii obrázkov alebo generovaní textu je nedostatok úplnej interpretovateľnosti tolerovateľný.

Pri alokácii kapitálu je to problematické.

Keď sa prideľujú miliardové rozpočty, musí byť možné ich vysvetliť:

• Prečo bola zvolená práve táto kombinácia?
• Ktoré alternatívy boli zamietnuté?
• Ktoré obmedzenia boli záväzné?

Aproximácia čiernej skrinky nenahradí štrukturálny dôkaz rozhodnutia.

7. Prečo simulácia nie je riešením?

Simulácia vyhodnocuje scenáre.

Odpovedá na otázky, ako napr:

• Čo sa stane, ak zvolíme túto kombináciu?
• Ako sa bude portfólio správať za určitých predpokladov?

Neodpovedá však na

Ktorá prípustná kombinácia je najlepšia zo všetkých alternatív?

Simulácia je prieskumná. Optimalizácia je selektívna.

8. Prečo je "podpora rozhodovania s podporou umelej inteligencie" často len podporou prognóz?

Mnohé systémy označované ako "systémy s podporou umelej inteligencie" poskytujú:

• Hodnoty skóre
• Prognózy rizík
• Odporúčania na stanovenie priorít

Konečný výber sa často stále robí heuristicky alebo politicky.

Štrukturálna optimalizácia rozhodovania nahrádza tento heuristický konečný výber systematickým výpočtom.

9. Prečo klasická umelá inteligencia zlyháva, najmä pri obmedzeniach?

Modely strojového učenia nie sú primárne navrhnuté tak, aby zaručovali tvrdé logické obmedzenia.

Rozpočtové obmedzenia, kapacitné limity alebo regulačné požiadavky však nie sú mäkké - sú záväzné.

Optimalizačné modely tieto obmedzenia formálne integrujú. Modely učenia ich často aproximujú implicitne alebo nadväzne.

To je štrukturálne odlišné.

10. Prečo "viac údajov" nie je riešením?

Viac údajov zvyšuje presnosť prognóz.

Neznižuje však kombinatorickú explóziu diskrétnych rozhodovacích priestorov.

Počet možných portfólií nezávisí od množstva údajov, ale od počtu diskrétnych projektov.

Exponenciálnu štruktúru nemožno zrušiť škálovaním údajov.

11. Prečo lokálna optimalizácia nie je dostatočná?

Mnohé metódy umelej inteligencie konvergujú k lokálnym optimám alebo stabilným stavom.

Rozhodnutia o portfóliu si vyžadujú globálny pohľad.

Lokálne optimum môže byť suboptimálne, ak iná kombinácia - štrukturálne vzdialenejšia - ponúka vyššie splnenie cieľa.

Globálna optimalizácia zabraňuje tejto štrukturálnej slepote.

12. Prečo inteligencia rozhodovania nie je podkategóriou umelej inteligencie?

Klasická AI bola primárne vyvinutá s cieľom reprodukovať ľudské vnímanie a rozpoznávanie vzorov.

Rozhodovacia inteligencia v zmysle globálnej optimalizácie portfólia vychádza z teórie kombinatorickej optimalizácie.

Nie je primárne založená na učení, ale na štruktúre, zmenšovaní prehľadávacieho priestoru a logike optimalizácie.

Obe disciplíny sú príbuzné - ale nie totožné.

13. Kedy je klasická umelá inteligencia dostatočná - a kedy nie?

Je dostatočná vtedy, keď:

• Predpovedanie je hlavným problémom
• Aproximácia je dostatočná
• Chyby sú tolerovateľné

Nie je dostatočná, ak

• sa vyžaduje diskrétny výber podľa obmedzení
• Rozpočtové obmedzenia sú záväzné
• Náklady obetovanej príležitosti sú významné
• Vyžaduje sa dôkaz riadenia

Tu sa začína optimalizácia štrukturálneho rozhodovania.

14. V čom spočíva jadro štrukturálneho zlyhania?

Štrukturálne zlyhanie klasickej UI pri portfóliových rozhodnutiach nespočíva v jej výkonnosti, ale v triede problémov.

AI je výkonná technológia na rozpoznávanie vzorov a prognózovanie.

Optimalizácia portfólia však nie je problém vzorov, ale problém kombinatorickej štruktúry.

Každý, kto tieto dva problémy stotožňuje, si zamieňa pravdepodobnosť s optimálnosťou.

Záverečné slová

Sascha Rissel, generálny riaditeľ spoločnosti mAInthink GmbH

V súčasnosti zažívame fázu, v ktorej sa takmer každé technologické riešenie subsumuje pod pojem "AI". Rozpoznávanie vzorov, jazykové modely, prognostické systémy - to všetko sú pôsobivé pokroky. Je tu však jedna vec, ktorú nesmieme zamieňať:

Inteligencia v zmysle učenia nie je to isté ako inteligencia v zmysle rozhodovania.

Rozhodnutia v oblasti podnikania a verejných investícií nie sú problémami prognózovania. Sú to kombinatorické štrukturálne problémy podliehajúce obmedzeniam, rozpočtovým limitom a protichodným cieľom. Každý, kto s nimi zaobchádza ako s problémom rozpoznávania vzorov, ich redukuje na pravdepodobnosť - a stráca pritom štruktúru.

StratePlan vznikol práve na základe tohto zistenia.

Hybridnú umelú inteligenciu používame tam, kde to má zmysel - na parametrizáciu, na modelovanie neistoty, na prognózovanie vývoja. Skutočné rozhodnutie však nie je aproximované. Je vypočítané.

Vďaka presnej viacvláknovej architektúre, kombinatorickej redukcii štruktúry a deterministickej optimalizačnej logike analyzujeme kompletné rozhodovacie priestory - nielen scenáre.

Toto nie je humbuk.
Toto je matematika.

Naším cieľom nie je poskytovať lepšie predpoklady.
Naším cieľom je umožniť štrukturálne lepšie rozhodnutia.

Pretože kapitál je konečný.
Náklady príležitostí sú skutočné.
A globálne optimum nie je názor.

Je to vlastnosť údajov - a štruktúry rozhodovacieho priestoru.

-
Sascha Rissel
Generálny riaditeľ, mAInthink GmbH