Zakaj računalniška inteligenca ne sprejema odločitev o portfelju

Učni sistemi proti sistemom odločanja - in zakaj so arhitekture za globalno optimizacijo samostojna kategorija

Povzetek

V zadnjih letih je izraz "umetna inteligenca" postal splošen izraz za skoraj vse oblike podatkovno podprte podpore odločanju. Globoko učenje, nevronske mreže, ojačano učenje in sorodne metode se vse bolj razumejo kot univerzalni rešitelji problemov - celo v kontekstu strateških naložbenih in portfeljskih odločitev.

Vendar je ta enačba strukturno napačna.

Računalniška inteligenca (CI) - ki jo v osnovi sestavljajo nevronske mreže, evolucijski algoritmi, inteligenca rojev, fuzzy sistemi in verjetnostne metode - se je zgodovinsko pojavila kot odgovor na nenatančne, nelinearne in stohastične probleme realnega sveta. Sistemi CI se učijo vzorcev, približujejo funkcije in se prilagajajo novim podatkom.

Odločitve o portfeljih in naložbah pa imajo drugačno logiko.

To niso problemi prepoznavanja vzorcev. So kombinatorični problemi optimizacije z omejitvami, proračunskimi omejitvami, soodvisnostmi in regulativnimi okvirnimi pogoji. Medtem ko učni sistemi izračunavajo verjetnosti, morajo odločitveni sistemi sprejemati diskretne izbirne odločitve - v eksponentno rastočih prostorih odločanja.

Razlika je bistvena.

Ta članek analizira strukturno razliko med prilagodljivimi učnimi sistemi in arhitekturami globalnega odločanja, pojasnjuje matematično naravo eksponentno rastočih prostorov portfelja in kaže, zakaj je vnaprejšnja globalna optimizacija samostojna kategorija algoritemske inteligence.

1. Napačno prepričanje: prepoznavanje vzorcev ni odločanje

Uspehi sodobnih sistemov umetne inteligence so nesporni. Jezikovni modeli ustvarjajo koherentna besedila. Sistemi za prepoznavanje slik z veliko natančnostjo prepoznavajo predmete. Arhitekture za učenje z ojačitvijo premagujejo svetovne prvake v zapletenih igrah.

Vendar pa ti sistemi rešujejo specifičen problem:

Približajo neznano funkcijo na podlagi opazovanih podatkov.

Formalno rečeno, zmanjšujejo napako med napovedjo in resničnostjo. Ciljna vrednost je statistična. Kakovost se meri z natančnostjo, funkcijami izgube ali intervali zaupanja.

Odločitve o portfelju imajo drugačno strukturo.

Tu ni neprekinjene ciljne spremenljivke, ki bi se aproksimirala. Namesto tega obstaja niz diskretnih možnosti, ki se izberejo ali ne izberejo. Vsaka kombinacija spremeni proračun, tveganje, uporabo virov in strateško usmeritev.

Razliko ponazarja preprost primer:

Nevronska mreža lahko z veliko verjetnostjo predvidi, kako se bo tržni segment razvijal. Vendar pa odločitev o tem, katerih 12 od 47 možnih naložbenih projektov bo izvedenih v okviru proračuna v višini 100 milijonov EUR, ni problem napovedovanja, temveč problem kombinatorične izbire.

Sistemu se ni treba naučiti, kako je videti vzorec. Izračunati mora globalno izbiro v skladu z omejitvami.

Ta strukturna razlika je v mnogih organizacijah spregledana.

2. Sistemi učenja in sistemi odločanja

Za natančno razumevanje razlike je potrebna sistematična primerjava.

Učni sistemi

• Optimizirajo statistične funkcije napak
• Delajo s podatki za usposabljanje in testiranje
• Zagotavljajo verjetnosti ali zvezne rezultate
• So pogosto stohastični
• Nimajo lastne logike omejitev
• Ne zagotavljajo globalne optimalnosti odločitve

Sistemi odločanja

• Optimizirajo diskretno ciljno funkcijo
• Upoštevajo trdne omejitve
• Delujejo v popolnem prostoru kombinacij
• Zahtevajo omejitve in logiko dominance
• Zahtevajo globalno doslednost
• Lahko zagotovi potrdila o optimalnosti

Razlika ni v "stopnji inteligence", temveč v razredu problemov.

Učni sistemi odgovarjajo na vprašanje:

Kaj je verjetno?

Sistemi odločanja odgovarjajo na vprašanje:

Katera kombinacija je optimalna?

3. Eksponentni prostor odločanja

Osrednji matematični izziv portfeljskih odločitev je eksponentna kombinatorika.

Pri N projektih obstaja ^2N možnih kombinacij.

• 10 projektov → 1.024 kombinacij
• 20 projektov → 1.048.576 kombinacij
• 30 projektov → 1 073 741 824 kombinacij
• 50 projektov → več kot 1 kvadrilion kombinacij

Vsaka od teh kombinacij predstavlja potencialno razporeditev kapitala z lastnim profilom tveganja in donosa.

Poleg tega obstajajo

• Proračunske omejitve
• logične odvisnosti
• Omejitve virov
• strateške prednostne naloge
• regulativne zahteve

Težava ni v napovedovanju vrednosti posameznih projektov. Problem je hkratno ocenjevanje vseh dopustnih kombinacij.

Hevristične metode iščejo dele tega prostora. Natančne metode ga sistematično strukturirajo.

4. Hevristične metode in njihove strukturne omejitve

Evolucijski algoritmi, inteligenca rojev in druge metode IK uporabljajo strategije iskanja na podlagi populacije.

Učinkovite so, če:

• Je iskalni prostor zvezen
• Približevanje je zadostno
• Ni potreben dokaz optimalnosti

Vendar pa ne zagotavljajo, da bo najden globalni optimum. Zagotavljajo dobre rešitve - ne nujno najboljše.

To je sprejemljivo za klasifikacijo slik.

Pri naložbenih odločitvah v vrednosti več milijard dolarjev se pojavlja drugačno vprašanje upravljanja.

5. Natančne optimizacijske arhitekture

Tu se začenja drug razred algoritemskih sistemov.

Mešano celoštevilsko programiranje omogoča modeliranje diskretnih odločitev z linearnimi omejitvami.

Razvejitev in omejitev sistematično razbije iskalni prostor in matematično izključi nepomembna področja.

Programiranje z omejitvami uporablja logično doslednost za zmanjšanje kombinatorične eksplozije.

Stohastično programiranje formalno vključuje negotovost v model optimizacije.

Robustna optimizacija ščiti pred najslabšimi možnimi scenariji.

Teorija globalne optimizacije zagotavlja dokaze o konvergenci in potrdila o optimalnosti.

Te metode niso učni algoritmi. So arhitekture odločanja.

6. Upravljanje in odgovornost

Pri strateških naložbenih odločitvah ne gre le za natančnost, temveč tudi za odgovornost.

Približen rezultat je lahko verodostojen. Vendar pa ne more dokazati, da ne obstaja boljša alternativa.

Pristop globalne optimizacije lahko - ob določenih predpostavkah - dokaže optimalnost.

Ta razlika je pomembna z regulativnega, odgovornostnega in strateškega vidika.

7. Od umetne inteligence do inteligence odločanja

Vsak inteligentni sistem ni sistem odločanja.

Inteligenca odločanja v smislu globalne optimizacije portfelja pomeni

• Popolno analizo prostora kombinacij
• Oblikovanje strukturnih ovir
• Odprava prevlade
• Predhodni izračun optimalnih konfiguracij

To ni razširitev strojnega učenja. Gre za drugačno kategorijo algoritemske arhitekture.

Medtem ko učni sistemi pridobivajo znanje, sistemi odločanja konstruirajo optimalna stanja.

Ta razlika je bistvena.

8. Matematika v ozadju portfeljskih odločitev

Za popolno razumevanje strukturne razlike med učnimi sistemi in arhitekturami odločanja je treba izrecno upoštevati matematično naravo portfeljskih odločitev.

Strateško naložbeno odločitev je mogoče formalno predstaviti kot problem optimizacije:

Maksimaliziraj: f(x)

Ob upoštevanju omejitev:

• Ax ≤ b (proračunske omejitve in omejitve virov)
• x ∈ {0^,1}N (diskretni izbor)
• logične odvisnosti med projekti
• Omejitve tveganja
• minimalne strateške zahteve

Odločitveni vektor x opisuje, kateri projekti so izbrani. Vsaka spremenljivka lahko zavzame le dve stanji: realizirati ali ne realizirati.

Ciljna funkcija lahko vsebuje več razsežnosti:

• Donosnost naložbe
• Profil denarnega toka
• Ključne podatke o tveganju
• strateška prednostna naloga
• Kapitalska obveznost

Že zmerno število projektov ustvarja kombinatorični prostor, ki eksponentno narašča. Ta lastnost ni problem programske opreme. Je matematično inherentna.

Učni sistem bi poskušal napovedati vrednosti projektov.

Sistem odločanja pa mora oceniti vse dopustne kombinacije v okviru omejitev.

To je strukturna razlika.

9. Zakaj približek ni enak optimalnosti

Hevristične metode lahko najdejo zelo dobre rešitve. V številnih tehničnih aplikacijah so učinkovite in zadostne.

Vendar obstaja kvalitativna razlika med "zelo dobro" in "globalno optimalno".

Približna rešitev odgovarja na vprašanje:

Ali je ta rešitev dobra?

Globalna optimizacija odgovarja na vprašanje:

Ali obstaja boljša rešitev?

Ta razlika ni semantična, temveč strukturna.

Finančnemu direktorju ni treba vedeti, ali se kombinacija naložb zdi verjetna. Vedeti mora, ali je to najboljša razpoložljiva alternativa ob danih omejitvah.

Brez popolnega ali sistematično omejenega iskanja v prostoru odločanja to vprašanje ostane neodgovorjeno.

10. Razvejane in omejene ter strukturne omejitve

Metode vej in omejitev so primer, kako je mogoče eksponentni iskalni prostor strukturno nadzorovati.

Prostor se razdeli na podprostore (razvejitev). Za vsak podprostor se izračunata zgornja in spodnja meja (omejitev).

Če se pri omejitvi izkaže, da ni mogoče najti boljšega rezultata od doslej najboljšega, se ta podprostor izključi.

To ni hevristično iskanje, temveč matematično izključevanje.

Ta logika je ključna:

Sistemu ni treba v celoti ovrednotiti vsake kombinacije. Vendar mora dokazati, da neocenjene kombinacije ne presegajo optimuma.

To se strukturno razlikuje od stohastičnega iskanja.

11. Mešano celoštevilsko programiranje kot model odločanja

Mešano celoštevilsko programiranje (MIP) zagotavlja formalni okvir modeliranja za združevanje diskretnih in zveznih spremenljivk.

Omogoča

• natančno preslikavo proračunskih omejitev
• logične odvisnosti projekta
• Omejitve zmogljivosti
• linearne in nelinearne ciljne spremenljivke

V povezavi s postopki razvejanja in omejevanja ali rezanja se ustvari arhitektura odločanja, ki ne le najde rešitve, temveč tudi potrdi njihovo optimalnost.

To je zlasti pomembno, kadar so odločitve kapitalsko intenzivne ali regulatorno občutljive.

12. Negotovost: stohastična in robustna

Številne organizacije trdijo, da zaradi negotovosti natančna optimizacija ni mogoča.

To je napačno razumevanje.

Stohastično programiranje izrecno vključuje scenarije v model. Robustna optimizacija opredeljuje količine negotovosti in optimizira proti najslabšemu primeru.

Negotovost ni prezrta. Formalno se modelira.

Po tem se strukturirane arhitekture odločanja razlikujejo od približkov, ki temeljijo izključno na podatkih.

13. Upravljanje in možnost revizije

Strateške odločitve so vse bolj podvržene regulativnemu nadzoru.

Pojavljajo se vprašanja:

• Zakaj je bil projekt A izveden, projekt B pa ne?
• Ali so bile upoštevane vse alternative?
• Ali je bil proračun optimalno izkoriščen?
• Ali obstaja razumljiv postopek odločanja?

Hevristični sistemi pogosto ne zagotavljajo popolne preglednosti o zavrnjenih alternativah.

Po drugi strani pa arhitekture globalne optimizacije zagotavljajo dokumentacijo:

• Zmanjšanje iskalnega prostora
• Razmerja dominantnosti
• Dokazila o mejah
• Potrdila o optimalnosti

To omogoča revizijo in sledljivost.

14. Inteligenca odločanja kot samostojna kategorija

Inteligenca odločanja ni podkategorija strojnega učenja.

Je neodvisen razred algoritemskih sistemov, ki:

• modelirajo popolne prostore odločanja
• uporabljajo kombinatorične strukture
• Vključujejo omejitve
• uveljavljajo globalno doslednost
• Omogočajo dokaze optimalnosti

Medtem ko učni sistemi izračunavajo verjetnosti, odločitvena inteligenca konstruira optimalna stanja.

15. Ex-ante namesto ex-post

Veliko organizacij analizira odločitve naknadno.

Predhodna optimizacija pomeni

Najboljša konfiguracija se izračuna, preden se nameni kapital.

S tem se ne zmanjšajo le oportunitetni stroški, temveč tudi strukturne napake pri dodeljevanju sredstev.

16. Od kombinatorične eksplozije do strukturne obvladljivosti

Eksponentni prostori niso nerešljivi.

So pa zahtevni.

S pomočjo:

• Izločanje dominacije
• Oblikovanje ovir
• Uporabo redundance
• Vzporejanje
• Strukturna analiza

prostor odločanja se lahko sistematično zmanjša.

Vendar je za to potrebna arhitektura, ki je zasnovana za strukturo odločitev in ne za prepoznavanje vzorcev.

17. Vloga programa StratePlan

StratePlan je zasnovan kot globalna arhitektura za odločanje.

Ni model za napovedovanje in ni sistem za strojno učenje.

Arhitektura analizira celotne prostore kombinacij portfeljev v okviru omejitev, proračunskih omejitev in večpredmetnih zahtev.

Globalni optimum se izračuna vnaprej s sistematičnim oblikovanjem omejitev, zmanjšanjem kombinatorične strukture in algoritmično izrabo redundance.

Ni verodostojno. Ni simulirano. Ni aproksimirano.

Ampak strukturno določen.

18. Pogled finančnega direktorja: alokacija kapitala kot problem optimizacije

Za finančne direktorje kapital ni statistična pričakovana vrednost, temveč redek vir.

Vsaka naložba ima oportunitetne stroške.

Neoptimalna kombinacija pomeni

• zamujene donose
• nepotrebno angažiranje kapitala
• strateško napačno tehtanje

Predhodna globalna optimizacija spremeni alokacijo kapitala iz verjetne odločitve v izračunano odločitev.

19. Sklep: Vsak inteligentni sistem ne sprejema optimalnih odločitev

Računalniška inteligenca je močna in nepogrešljiva na številnih področjih.

Vendar rešuje predvsem probleme učenja.

Portfeljske in naložbene odločitve so strukturno kombinatorični optimizacijski problemi.

Zahtevajo arhitekture odločanja, ki:

• upoštevajo celoten prostor
• Vključujejo omejitve
• Formalno modelirajo negotovost
• lahko dokažejo globalno optimalnost

Inteligenca odločanja se začne tam, kjer se konča aproksimacija.

Globalni optimum ni mnenje.

Je lastnost podatkov - in strukture prostora odločanja.

Pogosta vprašanja - Učni sistemi, sistemi odločanja in globalna optimizacija portfelja

1. Ali ni računalniška inteligenca že dovolj zmogljiva za odločanje o portfelju?

Računalniška inteligenca je izjemno močna na številnih področjih uporabe - zlasti na področju prepoznavanja vzorcev, napovedovanja in prilagodljivega nadzora. Vendar pa odločitve o portfelju predstavljajo drugačen razred problemov.

Medtem ko sistemi računalniške inteligence izračunavajo verjetnosti ali približne rešitve, je pri odločitvah o portfelju potrebna diskretna izbira optimalne kombinacije ob upoštevanju omejitev. Matematična struktura se bistveno razlikuje: napovedovanje je zvezni problem aproksimacije, izbira portfelja pa je kombinatorični problem optimizacije.

KI lahko zagotovi podporo. Vendar pa ne nadomešča globalne arhitekture odločanja.

2. Zakaj "zelo dobra" rešitev ni dovolj?

V operativnih aplikacijah lahko zadostuje zelo dobra rešitev. Pri kapitalsko intenzivnih strateških odločitvah pa je bistveno, ali obstaja boljša alternativa.

Euristična rešitev se lahko zdi verjetna. Vendar ne more dokazati, da v okviru dopustnih omejitev ne obstaja boljša kombinacija.

Globalna optimizacija odgovarja prav na to vprašanje.

3. Ali niso eksponentni prostori odločanja v osnovi nerešljivi?

Eksponentni prostori odločanja so zahtevni, vendar ne nerešljivi. Popolno naštevanje vseh kombinacij v praksi pogosto ni potrebno.

Učinkoviti iskalni prostor je mogoče drastično zmanjšati z ustvarjanjem omejitev, razmerij dominance, zmanjševanjem strukture in sistematičnimi metodami iskanja, kot so metode vej in meja.

Vprašanje ni, ali prostor raste eksponentno - ampak ali obstaja arhitektura, ki ga lahko strukturno nadzoruje.

4. Po čem se vejica in meja razlikuje od hevrističnega iskanja?

Hevristično iskanje ocenjuje vzorce v prostoru odločanja. Razvej in omeji sistematično razčlenjuje prostor in matematično izključuje podprostore, če ne morejo preseči optimuma.

Odločilna razlika je v dokazovanju optimalnosti. Hevristika najde dobre rešitve. Razveji in omeji lahko dokažejo, da boljša rešitev ne obstaja.

5. Ali ni mešano celoštevilsko programiranje prepočasno za velike portfelje?

Mešano celoštevilsko programiranje je računsko intenzivno. Vendar pa sodobni reševalniki združujejo veje in vezi, rezalne načrte, hevristiko in vzporejanje.

Poleg tega je rešljivost manj odvisna od čiste velikosti problema kot od strukture modela. Strukturirane modele portfeljev je pogosto mogoče reševati veliko učinkoviteje, kot bi to nakazovali nestrukturirani iskalni prostori.

Odločilni dejavnik je arhitektura - ne le število spremenljivk.

6. Kako se pri globalni optimizaciji upošteva negotovost?

Negotovost je mogoče formalno vključiti, na primer z

• stohastičnega programiranja z drevesi scenarijev
• Optimizacijo s pričakovano vrednostjo
• Pogojno tvegano vrednostjo (CVaR)
• robustna optimizacija glede na negotovost količin

Negotovost torej ni prezrta, temveč je izrecno modelirana.

7. Ali globalna optimizacija pomeni deterministično togost?

Ne. Determinističnost v tem kontekstu ne pomeni togosti, temveč razumljivost in strukturno skladnost.

Model globalne optimizacije je mogoče prilagodljivo parametrizirati. Spremembe predpostavk vodijo do novih izračunanih optimumov. Prilagodljivost je v parametrih in ne v arbitrarnosti rešitve.

8. Kako se inteligenca odločanja razlikuje od strojnega učenja?

Strojno učenje iz podatkov pridobiva vzorce in ustvarja napovedi. Odločitvena inteligenca modelira prostore odločanja in izračunava optimalna stanja pod omejitvami.

Strojno učenje odgovarja na vprašanje: "Kaj je verjetno?"

Odločitvena inteligenca odgovarja na vprašanje: "Katera dopustna kombinacija maksimira ciljno vrednost?"

Oboje je mogoče kombinirati - vendar rešujeta različne razrede problemov.

9. Ali je lahko strojno učenje del arhitekture odločanja?

Da, modeli napovedovanja lahko na primer zagotavljajo vhodne parametre za optimizacijski model, kot so pričakovani denarni tokovi ali vrednosti tveganja.

Vendar pa sama optimizacija ostaja neodvisen korak, ki izračunava diskretne izbirne odločitve pod omejitvami.

10. Zakaj je upravljanje ključni argument za globalno optimizacijo?

Strateške naložbene odločitve so vse bolj predmet regulativnega nadzora in notranje revizije.

Približna metoda lahko le redko pregledno pokaže, katere alternative so bile obravnavane in zavrnjene.

Postopek globalne optimizacije sistematično dokumentira:

• ovrednotene kombinacije
• izključena podobmočja
• Razmerja prevlade
• Dokaze o optimalnosti

To povečuje možnost ponovnega pregleda in sledljivost odločitev.

11. Kako je globalna optimizacija povezana z NP-težkimi problemi?

Veliko odločitev o portfelju je NP-težkih. To ne pomeni, da so nerešljive. Pomeni, da v najslabšem primeru ni mogoče zagotoviti polinomskega časa izvajanja.

V praksi so realni problemi pogosto strukturirani tako, da so možne učinkovite rešitve. Poleg tega sodobne računalniške arhitekture omogočajo vzporejanje in hevristično pospeševanje v natančnem okviru.

12. Ali je globalna optimizacija vedno potrebna?

Ne v vseh primerih.

Približevanje lahko zadostuje za operativne, kratkoročne odločitve ali odločitve z nizko vrednostjo.

Čim večja pa je kapitalska obveznost, strateška pomembnost in regulativna občutljivost, tem večja je potreba po strukturni optimizaciji.

13. Kako se globalna struktura odločanja razširi?

Širjenje poteka prek:

• Vzporednega delovanja
• Ustvarjanja ovir
• Zmanjšanja prevlade
• Strukturiranja modela
• Dekompozicijo problema

Odločilen dejavnik je, da skaliranja ne dosežemo z naključnim iskanjem, temveč s strukturnim zmanjšanjem.

14. Kako je vključena večobjektivna optimizacija?

Večpredmetno optimizacijo je mogoče preslikati z uporabo tehtanih ciljnih funkcij, analize Paretove fronte ali leksikografske prioritizacije.

Arhitektura ne sme prezreti nasprotujočih si ciljev, temveč jih mora sistematično prikazati.

15. Kaj pomeni "Globalni optimum je lastnost podatkov"?

Matematično optimalna rešitev obstaja pod določenimi parametri, omejitvami in ciljnimi funkcijami. To ni mnenje, temveč rezultat strukturnega izračuna.

Če se parametri spremenijo, se spremeni tudi optimum. Vendar je obstoj optimuma neodvisen od subjektivnih preferenc.

16. Kako se simulacija razlikuje od optimizacije?

Simulacija ocenjuje scenarije. Optimizacija sistematično išče prostor rešitev in določi najboljšo dopustno alternativo.

Simulacija odgovarja na vprašanje: "Kaj se zgodi, če?"

Optimizacija odgovarja: "Katera odločitev med vsemi dopustnimi alternativami maksimira ciljno vrednost?"

17. Kako predhodna optimizacija zmanjšuje oportunitetne stroške?

Oportunitetni stroški nastanejo, kadar obstaja boljša alternativa, vendar ni uresničena.

Globalni izračun zmanjša verjetnost strukturno napačne dodelitve, saj se upoštevajo ali matematično izključijo vse dopustne kombinacije.

18. Ali je inteligenca odločanja nadomestek za upravljanje?

Ne. Ne nadomešča strateške opredelitve ciljev ali normativnega določanja prednostnih nalog.

Nadomešča pa intuitivne, hevristične ali politično pristranske odločitve o dodelitvi s strukturnimi izračuni.

19. Kako je zagotovljena preglednost?

Preglednost se zagotavlja z

• jasnim modeliranjem omejitev
• dokumentirane ciljne funkcije
• razumljivim oblikovanjem meja
• ponovljivimi postopki izračuna

To omogoča sledljivost na ravni odbora in revizije.

20. Kdaj se začne inteligenca odločanja?

Inteligenca odločanja se začne, ko organizacije spoznajo, da kompleksne naložbene odločitve niso problemi napovedovanja, temveč kombinatorični strukturni problemi.

Začne se tam, kjer približek ne zadostuje več in je potrebna strukturna optimizacija.

---

Dodatna vprašanja in odgovori - Zakaj klasična umetna inteligenca pri odločanju o portfelju strukturno odpove

1. Zakaj se nevronska mreža ne more preprosto naučiti optimalnega portfelja?

Nevronska mreža se nauči funkcije na podlagi preteklih podatkov. Aproksimira korelacije med vhodi in ciljnimi vrednostmi.

Vendar optimalni portfelj ni opazljiva ciljna spremenljivka, temveč rezultat odločitve o diskretni kombinaciji pod omejitvami.

Ni nabora podatkov za učenje, ki bi pravilno razvrstil vse možne kombinacije kot "optimalne" ali "neoptimalne".

Optimum ni zgodovinsko opazovanje - je matematična lastnost celotnega prostora odločanja.

2. Zakaj učenje z okrepitvijo ne more zagotoviti optimalne razporeditve kapitala?

Učenje z ojačitvijo se optimizira z raziskovalno interakcijo z okoljem. Politike se uči prek funkcij nagrajevanja.

Vendar pa portfeljske odločitve niso zaporedni procesi poskusov in napak, temveč enkratne, visokokapitalizirane diskretne odločitve z omejitvami.

Raziskovanje v realnem prostoru tu ni mogoče. Napačne odločitve so nepovratne in drage.

RL se lahko nauči prilagodljivih strategij. Vendar pa ne more sistematično dokazovati celotnega kombinatoričnega prostora.

3. Zakaj napovedovanje ni enako optimizaciji?

Klasični sistemi umetne inteligence so stroji za napovedovanje.

Odgovarjajo na vprašanja, kot so:

• Kako se bo projekt A verjetno razvijal?
• Kakšna je verjetnost neuspeha?
• Kako se spreminja trg?

Optimizacija pa odgovarja:

Katera kombinacija vseh projektov maksimizira ciljno vrednost ob upoštevanju omejitev proračuna in tveganja?

Napovedovanje je vhodni podatek. Optimizacija je logika odločanja.

Če ju zamenjamo, gre za napako kategorije.

4. Zakaj klasična umetna inteligenca slabo deluje v eksponentnih prostorih odločanja?

Modeli strojnega učenja se povečujejo s količino podatkov in ne s kombinatorično strukturo.

Portfelj 40 projektov ustvari več kot trilijon možnih kombinacij. Te kombinacije ne obstajajo kot učni primeri.

Model se ne more naučiti kombinacij, ki še nikoli niso bile izrecno ocenjene.

Eksponentni prostori odločanja zahtevajo strukturno iskanje in mejno logiko - ne pa posploševanja vzorcev.

5. Zakaj hevristične metode umetne inteligence ne zagotavljajo gotovosti upravljanja?

Hevristične metode zagotavljajo dobre ali zelo dobre rešitve.

Vendar običajno ne morejo dokumentirati

• katere kombinacije so bile strukturno izključene
• ali obstaja boljša rešitev
• katera razmerja prevlade so bila uporabljena

Verjetnost ne zadostuje za varnost odbora in revizije. Potrebna je strukturna sledljivost.

6. Zakaj je problem črne skrinjice tu še posebej kritičen?

Pri klasifikaciji slik ali generiranju besedil je pomanjkanje popolne razložljivosti dopustno.

Pri dodeljevanju kapitala je to problematično.

Ko se dodeljujejo milijardni proračuni, jih je treba znati razložiti:

• Zakaj je bila izbrana ta kombinacija?
• Katere alternative so bile zavrnjene?
• Katere omejitve so bile zavezujoče?

Približek črne skrinjice ne more nadomestiti strukturnega dokaza odločitve.

7. Zakaj simulacija ni rešitev?

Simulacija ocenjuje scenarije.

Odgovarja na vprašanja, kot so:

• Kaj se zgodi, če izberemo to kombinacijo?
• Kako se portfelj obnaša ob določenih predpostavkah?

Vendar pa ne odgovarja na

Katera dopustna kombinacija je najboljša izmed vseh alternativ?

Simulacija je raziskovalna. Optimizacija je selektivna.

8. Zakaj je "podpora odločanju s pomočjo umetne inteligence" pogosto le podpora pri napovedovanju?

Številni sistemi, označeni kot "podprti z umetno inteligenco", zagotavljajo:

• Vrednosti rezultatov
• Napovedi tveganja
• Priporočila za določanje prednostnih nalog

Končna izbira je pogosto še vedno hevristična ali politična.

Strukturna optimizacija odločitev to hevristično končno izbiro nadomesti s sistematičnim izračunom.

9. Zakaj je klasična umetna inteligenca neuspešna, zlasti pri omejitvah?

Modeli strojnega učenja v prvi vrsti niso zasnovani tako, da bi zagotavljali trdne logične omejitve.

Vendar pa proračunske omejitve, omejitve zmogljivosti ali regulativne zahteve niso mehke - so zavezujoče.

Optimizacijski modeli te omejitve formalno vključujejo. Modeli učenja se jim pogosto približajo implicitno ali v nadaljevanju.

To je strukturno drugačno.

10. Zakaj "več podatkov" ni rešitev?

Več podatkov izboljša natančnost napovedi.

Vendar pa ne zmanjša kombinatorične eksplozije diskretnih prostorov odločanja.

Število možnih portfeljev ni odvisno od količine podatkov, temveč od števila diskretnih projektov.

Eksponentne strukture ni mogoče izničiti s skaliranjem podatkov.

11. Zakaj lokalna optimizacija ne zadostuje?

Številne metode umetne inteligence konvergirajo k lokalnim optimumom ali stabilnim stanjem.

Odločitve o portfelju zahtevajo globalni pogled.

Lokalni optimum je lahko neoptimalen, če druga kombinacija - strukturno bolj oddaljena - ponuja večjo izpolnitev cilja.

Globalna optimizacija preprečuje to strukturno slepoto.

12. Zakaj inteligenca odločanja ni podkategorija umetne inteligence?

Klasična umetna inteligenca je bila razvita predvsem z namenom, da bi reproducirala človeško zaznavanje in prepoznavanje vzorcev.

Inteligenca odločanja v smislu globalne optimizacije portfelja izhaja iz teorije kombinatorične optimizacije.

V prvi vrsti ne temelji na učenju, temveč na strukturi, zmanjšanju iskalnega prostora in logiki optimizacije.

Obe disciplini sta povezani, vendar ne enaki.

13. Kdaj klasična umetna inteligenca zadostuje in kdaj ne?

Zadostuje, kadar:

• Je napovedovanje osrednji problem
• Zadostuje približevanje
• Napake so dopustne

Ni zadostna, če

• se zahteva diskretna izbira pod omejitvami
• Proračunske omejitve so zavezujoče
• Oportunitetni stroški so znatni
• Potreben je dokaz o upravljanju

Tu se začne optimizacija strukturnih odločitev.

14. Kaj je bistvo strukturne napake?

Strukturna neuspešnost klasične umetne inteligence pri portfeljskih odločitvah ni v njeni uspešnosti, temveč v razredu problemov.

UI je zmogljiva tehnologija za prepoznavanje vzorcev in napovedovanje.

Vendar optimizacija portfelja ni problem vzorcev, temveč problem kombinatorične strukture.

Kdor ju enači, zamenjuje verjetnost z optimalnostjo.

Zaključne besede

Sascha Rissel, generalni direktor družbe mAInthink GmbH

Trenutno doživljamo fazo, v kateri se skoraj vsaka tehnološka rešitev uvršča pod izraz "umetna inteligenca". Prepoznavanje vzorcev, jezikovni modeli, sistemi za napovedovanje - vse to so impresivni dosežki. Vendar je nekaj, česar ne smemo zamenjati:

Inteligenca v smislu učenja ni enaka inteligenci v smislu odločanja.

Odločitve o poslovnih in javnih naložbah niso problemi napovedovanja. Gre za kombinatorične strukturne probleme, za katere veljajo omejitve, proračunske omejitve in nasprotujoči si cilji. Kdor jih obravnava kot problem prepoznavanja vzorcev, jih reducira na verjetnost - in pri tem izgubi strukturo.

StratePlan je nastal prav zaradi tega spoznanja.

Hibridno umetno inteligenco uporabljamo tam, kjer je to smiselno - za določanje parametrov, modeliranje negotovosti, napovedovanje razvoja. Vendar dejanske odločitve ne aproksimiramo. Izračunana je.

Z natančno večnitno arhitekturo, kombinatoričnim zmanjševanjem strukture in deterministično logiko optimizacije analiziramo celotne prostore odločanja - ne le scenarijev.

To ni pretiravanje.
To je matematika.

Naš cilj ni zagotoviti boljše predpostavke.
Naš cilj je omogočiti strukturno boljše odločitve.

Ker je kapital omejen.
Oportunitetni stroški so resnični.
In globalni optimum ni mnenje.

Je lastnost podatkov - in strukture prostora odločanja.

-
Sascha Rissel
Izvršni direktor podjetja mAInthink GmbH