ФРС США: прогнозы нейросетей по инфляции более точны, чем у экспертов
ФРС США указывает, что нейронные сети в составе больших языковых моделей (LLM) более точно предугадывают инфляционную динамику, чем экономисты. Об этом сообщается в исследовании «Искусственный интеллект и прогнозирование инфляции» ФРС США, на него ссылаются «Ведомости».
Аналитики регулятора провели сравнение прогнозов динамики цен в США, составленные моделью PaLM (Google), с «Обзор профессиональных прогнозистов» от ФРС на промежутке 2019–2023 годов.
Нейронные сети показывают меньше ошибок при составлении прогнозов, касающихся инфляции в США
Составляя прогнозы нейронные сети показывают меньшие значения среднеквадратичной ошибки (MSE), чем экономисты. Так, для PaLM средний показатель отклонения за 2019–2023 годы составил 3,02, в то время как для экспертного прогноза — 5,70.
Однако, языковые модели с меньшей точностью предсказывают инфляцию в краткосрочной перспективе. При составлении прогноза для текущего квартала величина MSE у PaLM составила 0,39, у экспертов — 0,29.
Зато динамику цен на долгосрочной перспективе нейросети оценивают более точно. PaLM демонстрировала MSE в 7,87, когда давала прогноз на аналогичный квартал следующего года (например, когда прогнозировала инфляцию в I квартале 2021 года, «находясь» в I квартале 2020), для экспертов показатель при этом составлял 13,79, то есть в 1,75 раза больше.
В ФРС указывают, что ответы нейросетей иногда бывают непредсказуемыми
В ФРС указывают, что ответы нейросетей иногда бывают непредсказуемыми. Ответы отличаются при составлении одного и того же запроса. Возникает и проблема «черного ящика»: когда внутреннее содержание системы наблюдателю неизвестно, ему доступны только «вход» для ввода информации и «выход» для отображения результатов работы.
Тем не менее в ФРС считают, что большие языковые модели могут быть использованы, как мощный и недорогой инструмент для прогнозирования макроэкономических показателей американской экономики.
Что такое нейронная сеть
Нейронная сеть представляет собой серию алгоритмов, которые пытаются распознать основные отношения в наборе данных с помощью процесса, имитирующего работу человеческого мозга. В этом смысле нейронные сети относятся к системам нейронов, органическим или искусственным по своей природе.
Нейронные сети могут адаптироваться к изменению входных данных; поэтому сеть генерирует наилучший возможный результат без необходимости переделывать критерии вывода. Концепция нейронных сетей, уходящая своими корнями в искусственный интеллект, стремительно набирает популярность в разработке торговых и аналитических систем.
Нейронная сеть работает аналогично нейронной сети человеческого мозга. «Нейрон» в нейронной сети — это математическая функция, которая собирает и классифицирует информацию в соответствии с определенной архитектурой.
Нейронные сети широко используются в приложениях для финансовых операций, планирования предприятия, торговли, бизнес-аналитики и обслуживания продуктов. Нейронные сети также получили широкое распространение в бизнес-приложениях, таких как решения для прогнозирования и маркетинговых исследований, обнаружения мошенничества и оценки рисков.
Сети более эффективны, чем люди или более простые аналитические модели. Нейронные сети также можно запрограммировать на изучение предыдущих результатов для определения будущих результатов на основе сходства с предыдущими входными данными.
Нейронные сети часто могут выполнять несколько задач одновременно (или, по крайней мере, распределять задачи, которые должны выполняться модульными сетями одновременно).
Наконец, нейронные сети постоянно расширяются для новых приложений. В то время как ранние теоретические нейронные сети были очень ограничены в своем применении в различных областях, сегодня нейронные сети используются в медицине, науке, финансах, сельском хозяйстве или безопасности.
Подпишись на Tелеграм канал, чтобы быть в курсе новостей криптомира и не пропустить грядущий бычий цикл в крипте!! Переходи по ссылке прямо сейчас — https://t.me/like_freedman
Автор: Вадим Груздев, аналитик Freedman Сlub Crypto News
