Példa:Jövőkutatás:Online vita IX.
Pásztor Márta marta@interm.gtk.gau.hu
Mesterséges intelligencia alkalmazása a gazdasági előrejelzésekben
„A mesterséges intelligencia kutatások célja olyan feladatok számítógépes megoldása, amelyeket nem tudunk képlettel megoldani.”
Bevezetés
A fenti, kissé misztikus definíció jól jellemzi a mesterséges intelligencia (MI) módszerek univerzális, mindazonáltal nehezen implementálható eredményeit az előrejelzésekben. A gazdasági előrejelzésekben zömmel a klasszikus matematikai-statisztikai módszerek dominálnak, melyek könnyen bemutatható képlettel adnak eredményt. A MI módszerekkel viszont algoritmusokat, tudáshálókat, szabály alapú tanuló rendszereket építünk. Ennek implementálása a gazdasági szakemberek számára sokszor ütközik nehézségekbe.
A Szent István Egyetem egykori Gazdasági Informatika Tanszékén közel 20 éve folyik az MI módszerek előrejelzésre történő alkalmazásának kutatása. A kezdeti fázis után, melyben inkább a szakértői köröknek szóló, nagy becslési pontosságot favorizáló, számítógépes összefüggés-keresési eljárások álltak az előtérben, az elmúlt években a súlypont átkerült a nagyközönségnek szánt (jól oktatható) ok-okozati összefüggéseket és az emberi gondolkodásmódot jobban visszatükröző alternatívákra.
A releváns szoftvercégek újabb programjai, melyek a gazdasági életben képződő, nagy adatmennyiségekben rejlő összefüggéseket kívánják feltárni, alkalmazzák például a neurális hálókat is. Mivel minden módszertan annyit ér, amennyire eladható, az említett alkalmazás jelzi, hogy a MI módszertan a gyakorlati életben is szerepet kaphat. Fontos szerep hárul tehát az oktatókra, hogy megértessék a módszer alkalmazhatóságát, valamint a kutatókra-fejlesztőkre, hogy jól áttekinthető modellek kerüljenek a gazdasági szakemberek elé.
A mesterséges intelligencia jelentősége
A számítógép megjelenése óta a kutatókat fokozott módon foglalkoztatta az emberi érzékelés, agytevékenység, gondolkodás és logika leképezése, azaz az általános érvényű problémamegoldás gondolata. Néhány eufórikus és szkeptikus fázis után mára letisztulni és kikristályosodni látszik egy újszerű világkép (a mesterséges intelligencia, artificial intelligence), melynek jelen tanulmány szempontjából tekintett lényege a klasszikus statisztikai-matematika önkorlátozó jellegének feloldása révén olyan új ismeretszerzési és ismeretábrázolási formák kidolgozása, melyek segítségével régóta ismert feladatok új megvilágításba kerülhetnek.
Mesterséges intelligencia kutatásnak nevezhető – a legegyszerűbb megközelítés szerint – mindaz, ami a számítógépet képessé teszi arra, amit eddig csak az ember tudott (pl. kép-, hangfelismerés, sakkjáték, elemzés stb.). Ebből adódóan a mesterséges intelligencia kutatásnak számtalan területe létezik. Ezek között az egyik a problémák konkrét tartalmi vonatkozásaitól mentes automatikus ismeretszerzés (context free automatical knowledge acquisition). A „tartalom-független” jellegnek (a problémától elvonatkoztatható megoldások) és a módszertani karakternek megfelelően az alkalmazási területek szinte felölelik a valóság teljességét. Ezen belül azonban az egyik legperspektivikusabb feladatcsoportot a prognosztikai feladatok jelentik.
A prognosztika alapkérdései nagyon egyszerűek: Hogyan és milyen pontossággal lehet a valóságról eddig rendelkezésre álló tapasztalatok (objektum-attribútum-idő-érték-tömb) alapján tetszőleges objektum tetszőleges attribútumának tetszőleges időbeli értékét (várható intervallumát, a változás irányát) levezetni? A válaszadáshoz a gyakorlatban öt lépés szükséges: adatválogatás és -tisztítás, összefüggéskeresés, modellválasztás, prezentáció és felhasználás (e két utóbbi lépéssel, mivel azok csak részben függenek az előrejelzési módszertantól, a „Módszer és alkalmazó” részben térek ki).
A technikai megvalósításban rengeteg erőforrást emészt fel a rendelkezésre álló tapasztalatok közül a relevánsak (adott előrejelzési módszerhez szükségesek) megtalálása és kiválogatása. A mesterséges intelligencia módszerek többsége képes zajos, hiányos adatokon is jó közelítéssel dolgozni, sőt a modellalkotáshoz szükségtelen adatokat figyelmen kívül hagyni.
Az összefüggéskeresés (múlt-jelen-jövő adatai között) pedig adott keresési cél esetén nem más, mint a lehetséges megoldások (függvények) halmazának hatékony szűkítése. A létrejött technikák alapján egy relatíve gyors és fokozatos közeledés biztosítható a megcélzott összefüggésformák felé. Így a számítógép segítségével olyan – a komplex jelenségeket is jól közelítő – összefüggések is feltárhatók, melyek létezése az ember előtt esetleg örökre rejtve maradt volna – pl. befektetés-optimalizálás (Benedek [2001], csődelőrejelzés (Virág–Kristóf [2005].
Főként a neurális hálók működésénél szükséges, hogy az adatokat egy nagyobb tanuló, és egy kisebb teszt adatrészre osszuk. Az összefüggést a tanuló részre iteratív eljárással építik fel, és a kapott algoritmus helyességét a tesztadatokon ellenőrzik. A módszer-, illetve modellválasztást megkönnyíti a tanulás-teszt beválási eredmények jelzése.
Alkalmazási lehetőségek az előrejelzésben
A mesterséges intelligencia módszerek elnevezés alatt a szakirodalmakban különféle módszerekkel és módszertanokkal találkozhatunk. Előrejelzési szempontból lényegesek a gépi tanulásra, a mesterséges neurális hálózatokra, az esetalapú következtetésre és az ágensekre támaszkodó technikák. Kutatócsoportunk az alábbi technikákat fejlesztette és tesztelte a gazdasági prognosztikai alkalmazások közül:
• Függvény- és Mintázatgenerátor: két, hasonló elven működő, legjobban mesterséges neuronális hálókhoz (MNH) hasonlítható eljárás. Legfontosabb tulajdonságuk, hogy nem parametrizált függvénykapcsolatokkal dolgoznak, hanem véletlenszerűen választott műveletekkel állítják elő a függvényt. Működésük során a meglévő adatokat általában egy nagyobb tanuló, és egy kisebb tesztadat részre osztjuk. Mindkét eljárás a tanuló – input – adatokat transzformálva hipotézisfüggvényt hoz létre (összefüggés keresés). A tanulásban elért függvény illeszkedésének helyességét a tesztadatokon vizsgáljuk. A függvény adatsorhoz való optimális illeszkedésének a futtatási idő, illetve a felhasználó (alkalmazó) igényei szabnak határt. Általánosságban megállapítható, hogy ha a tanulás során a legteljesebb illeszkedésre törekszünk, akkor életbe lép a „túltanulás” jelensége, vagyis a tanuló adatokra „tökéletesen” illeszkedő függvény nagyon gyengén közelíti a tesztadatok alakulását. Fontos tehát megtalálni azt a függvényt, amikor a két adatbázist megközelítően ugyanolyan pontossággal írja le. Az előrejelzések során ez biztosítja a legeredményesebb (a valóságot legjobban közelítő) prognózist. • Trianguláris WAM (Weight-Activity-Modell = Súlyok és aktivitások): a módszer lényege, hogy az alapadatok transzformációjával létrehozunk egy olyan idősorosan és oszloponként egy helyi értékkel elcsúsztatott mátrixot, amely az egymás után időben következő adatok egymáshoz viszonyított növekedését (1), illetve csökkenését (0) tükrözi. Ezekhez véletlenszerűen generálunk egy számot, és egy műveleti jelet, majd e három érték (0/1, a hozzá tartozó szám és műveleti jel) összefűzésével újabb mátrixot kapunk. Ennek a mátrixnak a visszanyúlási mélységnek megfelelő sor és oszlopértékeinek összegzésével kapjuk a változás irányát jelző értéket, ha összehasonlítjuk a véletlenszerűen generált küszöbértékkel, mely a mátrix minimum- és maximumeleme között helyezkedik el (0/1). Ha az első mátrixban található értékkel megegyezik az adat, akkor jó az előrejelzés. • Eset alapú következtetés (CBR = Case Based Reasoning): az emberi gondolkodás algoritmikus közelítésével működik, a múltbéli események (esetgyűjtemény) között keres olyan jelenséget, amely hasonlít a jelenbeliekhez, és a múltban hasonló után következő esemény(ek) – a hasonlóság alapján megfelelően transzformálva – képezi(k) az előrejelzési értéke(ke)t. A múltban tapasztaltak között mindig található egy-egy olyan szituáció, mely jobban hasonlít a jelenlegi problémára, mint a többi. S ennek következményeivel kapcsolatban pedig elvárható, hogy a jelenlegi helyzet megoldását jól reprezentálja. A gondolatvilág lényege a hasonlóság fogalma, mely egyszerre misztikusan bonyolult és kézenfekvően egyszerű. • Adatptív autonóm ágensek (adaptív döntési automaták, AAA): az eset alapú következtetés (hasonlóság) gondolatvilágából kiindulva működnek, de futás közben a jelen események folyamatos feldolgozásra kerülnek (bővítve az esetgyűjteményt), és a hasonlóság dinamikus újraértelmezésre kerül. Így a jelenben zajló események folyamatosan befolyásolják az előrejelzést.
Saját kutatásokból (Pásztor [1998]), és más forrásból (pl. Kristóf [2003]) is bizonyítást nyert, hogy a mesterséges intelligencia módszerek jobban modellezik a gazdasági valóságot, és azért jobb előrejelzésekre képesek, mint a hagyományos matematikai-statisztikai módszerek. Ki kell azonban mondani azt is, hogy helyes modell nincs! Nem tudjuk ugyanis definiálni a helyes és a helytelen fogalmát, így nem lehet eldönteni azt sem, hogy két modell közül melyik lesz a jövőben a helyesebb (ami a tényleges alkalmazás szempontjából lényegesebb, mint az ex post – tetszőlegesen befolyásolható – pontosság).
A józan kritika oldaláról közelítve a mesterséges intelligenciák adta lehetőséghez el kell mondani, hogy a hatékony technikák elméleti korlátja pontosan az egyetlen kiindulási feltételben keresendő, vagyis abban, hogy senki és soha nem tud olyan célfüggvényt megfogalmazni, mely magától értetődően biztosítja azt, hogy a múltbeli adatokra vonatkozó modelleredmények a jövőben is legalább ilyen szinten igazak legyenek. Vagyis nem helyálló a hétköznapi logikai megközelítés, miszerint ami a múltban elég sokszor igaz volt, az egy törvényszerűség, tehát a jövőben is általában igaz lesz.
Üzleti intelligencia
Üzleti intelligencia (Business Intelligence, BI) elnevezéssel az utóbbi években találkozhatunk, a gazdasági-vállalatirányítási szoftvereket gyártó cégek kínálatában. E körbe olyan alkalmazások és technológiák tartoznak, melyek célja, hogy a szükséges adatokhoz való hozzáférés biztosításával, ezen adatok megfelelő tárolásával, valamint sokoldalú elemzési lehetőségekkel támogassák a vállalati döntéshozatalt. Az üzleti intelligencia megoldások magukban foglalják tehát az adattárolási, a valós idejű lekérdezési, analitikai, előrejelzési és adatbányászati eljárások modern formáit.
A vállalati döntéstámogatásra specializálódott szoftvergyártók lépésről-lépésre alakították ki a magas szintű elemző modulokat. Klasszikus fejlődési menetként először az alapvető adatok tárolását, nyomtatását és visszakeresését oldották meg. A tárolt adatok mennyiségének növekedésével, a számítógépes feldolgozási potenciál gyorsulásával, a cégek sokrétű nemzetközi érdekeltségeivel és kapcsolataival együtt jelent meg az igény a különféle adatfeldolgozásokra. Természetesen előbb az egyszerűbb üzleti analízisek, majd a komolyabb technológiát kívánó adattárházak, az adatok közötti rejtett összefüggéseket kereső adatbányászati eszközök és a prognosztikai modulok jelentek meg.
Ma a szoftverpiacon releváns cégek mindegyike beépít az üzleti alkalmazásaiba előrejelző modulokat, a klasszikus matematikai-statisztikai módszereket ugyanúgy tartalmazzák, mint a mesterséges intelligencia módszereket. Ez az alkalmazási forma is erősíti az MI gazdasági előrejelzésben elfoglalt szerepének jelentőségét.
Gyakorlati alkalmazásának korlátja lehet azonban, hogy tesztjeink alapján (OTKA F030664 pályázat, Pitlik et al. [2000a]) az üzleti szoftverek előrejelzési pontossága nem éri el nyitott, szabadon paraméterezhető és testre szabható saját alkalmazások és a jól felkészített alkalmazó együtteseként elért szintet.
Módszer és alkalmazó
Az adott problémához adekvát módszer megtalálása sok esetben azon múlik, hogy a felhasználó ismeri-e azt, és bízik-e benne. Ezért a módszerek tartalmi fejlesztése mellett nem elhanyagolható szempont azok alkalmazásának ergonómiája sem (Pitlik et al. [2001]). A HOM-E/O-MINING szójáték (Pitlik et al. [2000b]) utal arra, hogy az arra alkalmas (fogékony) felhasználó a piaci szoftverek „black box” (azaz kevés paraméter beállításától eltekintve az alkalmazó előtt rejtve maradó algoritmusokat futtató) technikáján túllépve saját maga kísérletezhessen az algoritmuskeresés érdekes és kreatív, de sokszor fáradságos munkájával. A leendő döntéshozó így gyakorlatot szerez a helyes alapadatok, feldolgozási módszerek kiválasztásában, a kapott modellek szelektálásában, vagyis a helytelen és a helyes becslések (előrejelzések) nagy valószínűséggel történő klasszifikálásában. Ez a személyes tapasztalatszerzés növelheti az alkalmazó hitét a módszerek megbízhatóságában.
A MI módszerek létjogosultsága az elemzésekben nehezen vitatható, oktatása a gazdasági szakemberképzésben mégsem kap kellő súlyt. Ennek egyik oka valószínűleg, hogy a gazdasági képzésben – az informatikai és mérnöki képzésekhez képest – kevés (az előbb említett, kísérletező kedvű) fogékony hallgatóval találkozhatunk (saját tapasztalatok és Ispány [2006]). Más részről meg kell említeni, hogy viszonylag kevés szoftvergyártó biztosít oktatási és kutatási célra adatelemző programot az egyetemek számára, főleg saját oktatási programokat indítanak, multinacionális cégeknél dolgozó elemzők számára.
A fejlett számítógépes programokkal szimbiózisban munkálkodó elemző és döntéshozó, aki helyesebb jövőképpel rendelkezik társainál, mérhető piaci előnyre szert téve a gazdasági élet legtöbb területén továbbra is ritka. Ezért szükséges, hogy az emberi egyedek között a strukturált gondolkodási képességben meglévő különbségeket a képzés során felismerjük, s társadalmi szinten tudatosan használjuk. Hiszen ez az a réteg, amely képes az egyre növekvő adat- és eljárásvagyonnal (technológiai lehetőségekkel) gazdálkodni visszaellenőrzött minőségű szimulációk, előrejelzések előállítása érdekében.
Összegezés
A mesterséges intelligencia módszerek immár nem kizárólag tudósok kutatásaiban bizonyították, hogy jobb, a valóságot jobban közelítő előrejelzéseket lehet alkotni segítségükkel, hanem a gyakorlati gazdasági életben is beépültek a módszertanba.
A gazdaságirányítási (döntéstámogató) szoftverek elterjedésével az elemző munka egyre kevésbé specialisták feladata (pl.: a bankszektorban), egyes döntési szintek is egyre lejjebb csúsznak a vállalati hierarchiában (a multinacionális vállalatoknál). E jelenségnek az oktatásban is vissza kell tükröződnie: a gazdasági képzésben a hallgatóknak a modern döntéstámogató technikákkal és szoftverekkel is meg kell ismerkedniük.
Az oktatásban egy részről a fontosabb szoftverek egyetemi oktatásba való bekerülése lényeges (az irodai programokhoz hasonlóan), más részről olyan egyszerű, átlátható de valósághű alkalmazások fejlesztése, mely a nem matematikai-statisztikai megoldást és gondolkodásmenetet is be- és elfogadhatóvá teszi a jövő döntéshozói számára.
Felhasznált irodalom
1. Benedek G. [2001]: Evolúciós alkalmazások elõrejelzési modellekben – II. Közgazdasági Szemle, XLVIII. évfolyam, 1. szám, 18–30. o. 2. Ispány M. [2006]: Adatbányászat oktatása SAS-sal a Debreceni Egyetemen. SAS Felsőoktatási Fórum, Budapest, 2006. július 11. 3. Kristóf T. [2003]: Vállalatok jövőbeni megítélésének elméleti és módszertani alapjai. In: Nováky E. – Kristóf T. (szerk.): Ókori jövőképek és jövőkutatás a vállalati gyakorlatban. MTA-BKÁE Komplex Jövőkutatás Kutatócsoport Füzetek 2., BKÁE Jövőkutatási Kutatóközpont, Budapest, 56-61. o. 4. Pásztor M. [1999]: Mesterséges intelligencia kutatások hasznosítása az előrejelzés készítésében. In: Gidai E. – Nováky E. – Tóth A. (szerk.): Magyarország az ezredforduló után. V. Magyar Jövőkutatási Konferencia, MTA Budapest, 1998. december 11-12. MTA Jövőkutatási Bizottság, Budapest, 147-154. o. 5. Pitlik L. – Pásztor M. – Popovics A. – Bunkóczi L. [2000a]: Mesterséges intelligencia alapú prognosztikai modulok adaptálása az EU/SPEL-Hungary rendszerhez az alapadatbázisok konzisztenciájának egyidejű ellenőrzésével. 2. részjelentés az OTKA F030664 sz. pályázathoz. Szent István Egyetem, Gödöllő 6. Pitlik L. – Pásztor M. – Popovics A. – Bunkóczi L. [2000b]: HOM-E/O-MINING, avagy adatbányászati módszertan alkalmazása területfejlesztést érintő előrejelzések készítésében. Magyar Informatikusok II. Világtalálkozója, Budapest, 2000. június 5-8. (konferencia előadás 2. kötet pp. 797.) 7. Pitlik L. – Pásztor M. – Popovics A. – Bunkóczi L. [2001]: Információs többletérték realizálása az ember és a gép szimbiózisa révén. Magyar jövőképek a jövő Európájában - Társadalmi trendek, Lillafüred 2001. szeptember 13-15. MTA JKB konferencia 8. Virág M. – Kristóf T. [2005]: Az első hazai csődmodell újraszámítása neurális hálók segítségével, Közgazdasági Szemle, LII. évfolyam, 2. szám, 144-162. o.
