AI technologies as a method of predictive analytics
AI technologies as a method of predictive analytics
Annotation
PII
S207751800000137-9-1
DOI
10.18254/S0000137-9-1
Publication type
Article
Статус публикации
Published
Authors
Dmitry Alferev 
Affiliation: Federal State Budgetary Institution of Sciences Vologda Research Center of the Russian Academy of Sciences
Address: Russian Federation, Vologda
Abstract
The article presents an analysis of currently used methods and tools for predictive analytics in the socio-economic space: inter-sectoral balance, econometrics, simulation models, expert systems. Identified their main advantages and disadvantages. The possible areas of their application are described. An alternative analysis and data processing based on the ideas and concepts of artificial intelligence is proposed. Its advantages in comparison with classical data analysis tools are presented.
Keywords
artificial intelligence, predictive analytics, artificial neural networks
Received
26.10.2018
Date of publication
08.11.2018
Number of characters
18861
Number of purchasers
2
Views
343
Readers community rating
0.0 (0 votes)
Cite Download pdf

To download PDF you should sign in

1 Прогнозирование служит важным инструментом при принятии сложных социально-экономических управленческих решений. Их итоговая эффективность зависит от последовательности событий, возникающих после их непосредственного осуществления. Соответственно, возможность предсказания будущих сценариев позволяет сделать наилучший выбор, который, в противоположном случае, обречен на неудачу.
2 В этой связи целью статьи является обоснование необходимости использования современных технологий искусственного интеллекта при прогнозной аналитике социально-экономических трендов.
3 С течением времени прогнозирование становится все более точным и достоверным и включает в себя большее количество различных экономико-математических методов, характеризующихся как количественными, так и качественными экспертными оценками. Для того, чтобы оценить их эффективность при манипуляциях над социально-экономическими системами в настоящий момент, рассмотрим их более подробно.
4 В моделях экономики страны на макроуровне используют метод межотраслевого баланса (МОБ) [1-3], который эффективно себя показывает в случае жесткого централизованного управления. Математическая модель подобной задачи представляет из себя систему уравнений, описывающих производственно-технологическую структуру экономики в номенклатуре продукции отраслей народного хозяйства (видов экономической деятельности), которые находятся во взаимодействии друг с другом и описываются функциями производства, распределения и потребления. Особенностью подобной модели является то, что структура производственных затрат предписывается за счет нормативов и следовательно подразумевает лишь экстенсивный экономический рост. Данный недостаток может быть нивелирован регулярными пересчетами, которые в свою очередь сопровождаются проблемой трудоемкости подготовки новых статистических данных вносимых в модель.
5 В логическом заключении по методу выделим для него характерные особенности и значимые недостатки:
  • позволяет получить жесткую детерминированную оптимальную оценку, основанную на планируемых нормативах и желаемом количественном результате при условии известности структуры исследуемого объекта (экономика страны) и понятности перетоков различного рода ресурсов между элементами системы («затраты-выпуск» продукции отраслей народного хозяйства; их собственное участие в производстве друг друга);
  • может быть использован как для управления системой в целом, так и для конкретно взятых ее частей;
  • для управления экономикой страны необходим большой объем предварительно отобранной и обработанной по заданным правилам информации;
  • условия, вносимые в модель, носят предписывающей характер, что в условиях реальной экономики может быть неверным или неосуществимым.
6 В прикладной прогнозной деятельности чаще используются эконометрические модели, которые также не лишены существенных недостатков [4; 5]. Суть данных методов заключается в построении математических зависимостей (регрессионных уравнений) отдельных статистических показателей по значениям показателей факторов, зафиксированных в прошлом. По построенным функциям может быть осуществлен прогноз, который будет достоверным до тех пор, пока в экономике господствуют аналогичные правила игры и условия, но в случае их смены построенные модели необходимо корректировать, следствием чего может стать изменение не только результата прогнозирования, но и всей функциональной зависимости в целом. Решением может быть пересчет по новым данным, но также как и в случае с МОБ данная процедура является энергозатратной по времени.
7 Отметим особенности эконометрического подхода более подробно:
  • позволяет выявить закономерные связи социально-экономических процессов и явлений на основании статистических данных отмеченных и зафиксированных в прошлом;
  • без количественной информации, эмпирических данных математические зависимости воспроизведены быть не могут. В этой связи эконометрика выступает подтверждением или опровержением гипотез и теорий социально-экономического характера;
  • при выборе моделируемой функциональной (статистической) связи перед исследователем возникает вопрос о том какую из них ему следует выбрать (линейная, экспоненциальная, логарифмическая, полиноминальная, …). Это довольно трудозатратный процесс, который по большому счету опирается на опыт ученого в вопросе обработки и анализа данных и требует глубоких знаний в математическом анализе;
  • крайне неоднозначным является вопрос, касающийся верификации модели (доведение ее расчетных значений до близких к фактическим данным) и включения в ее структуру различного рода параметров. Это одна из ключевых проблем эконометрического анализа, которая также, как и предыдущее положение, требует от исследователя определенных навыков и знаний.
8 В имитационном подходе к моделированию (ИМ) социально-экономических систем [6-9] главным преимуществом выступает возможность прогнозирования нескольких сценариев. Но недостатки обусловлены сложностью подобного рода программ. Моделирование правдоподобного поведения агентов, рассматриваемых в созданной системе, требует от исследователя понимания огромного количества функциональных связей объекта как с внешней средой, в которую он помещен, так и с другими объектами, которые в ней находятся. При этом следует понимать, что объекты различны и до определенного времени сегрегированы, что на порядок увеличивает возможные варианты их поведения. В этой связи адекватные модели подобного рода требуют большого количества специалистов, разбирающихся в исследуемой теме. В случае, когда коллектив исследователей, создающий имитационную программу, невелик, могут быть созданы лишь замкнутые несложные ограниченные модели, либо понадобится значительное количество времени для ее разработки и реализации (несколько лет).
9 Более подробно особенности имитационного моделирования представлены далее:
  • данный подход при должной калибровке позволяет смоделировать такую систему, которая в значительной мере будет походит результатами прогнозирования на исходный объект. При этом у разработчика есть возможность игнорирования жестких детерминированных законов социально-экономического пространства, описанных формализованным математическим языком. В своей работе исследователь может полагаться на ручную регулировку модели до состояния приемлемого им самим или того, который выставил заказчик. В соответствии с этим подход является универсальным и может быть использован как для моделирования социально-экономических процессов, так и для явлений присущих другим научным направлениям (медицина, физика, химия, …);
  • результатом имитационного моделирования является компьютерная программа, которая в наглядной графической форме в виде схем, графиков, структурированных таблиц, визуализированных виртуальных процессов наглядно может продемонстрировать результат исследовательской работы лицам, которые заинтересованы в сути рассматриваемого процесса или явления, но в силу специфики исследуемой области знаний не могут быть в оперативном порядке осмыслены без соответствующей специализированной подготовки;
  • при сложности исследуемой системы и отладке взаимосвязей между ее элементами, даже при возможности ручной калибровки, рассматриваемый объект может быть настолько обширен и разнообразен, что его результатам все равно будут присущи различного рода парадоксы и технические ошибки. С подобной проблемой также сталкивались при создании первых систем, имитирующих интеллект человека [10]. В основе данного моделирования лежало построение логических древ принятия решений, которые при чрезмерной архитектуре становились малопонятными и ошибочными.
10 Еще одним способом прогнозирования выступают экспертные системы [11; 12], основанные на опросе ведущих и авторитетных специалистов в той области знаний, по которой рассматривается проблема.
  • очевидным недостатком такого подхода является высокая доля субъективизма. В связи с этим подобные системы используются лишь в случае, когда исходных данных недостаточно, либо требуется небольшое количество времени на принятие итогового решения;
  • также стоит отметить, что в настоящий момент большинство экспертных систем не умеют самообучаться, а являются совокупной оценкой ответов на поставленные вопросы, компетентных по исследуемой проблематике лиц. Более обобщенно – они представляют собой детерминированный алгоритм, сводящий некое множество вариантов оценок в единый интерпретируемый результат;
  • тем не менее, плюсом подобного подхода является учет множества точек зрения при должных правилах опроса, позволяющий избежать предубеждений какого-либо лица, выступающего в роли эксперта.
11 С развитием вычислительных мощностей компьютеров и электронно-вычислительных машин, а также большого количества данных, расположенного в интернет-пространстве, перечисленные выше методы прогнозирования, могут быть дополнены и значительно улучшены в разрезе результата, который должен быть получен при прогнозе. В настоящий момент наиболее перспективными в этом понимании являются технологии искусственного интеллекта (ИИ), базирующееся на современном подходе моделирования искусственных нейронных сетей. Данное направление в обработке анализа данных и информации стало активно развиваться в последние годы [13].
12 На Всемирном экономическом форуме 2018 г. в Давосе глава Сбербанка России Герман Г.О. указал на то, что искусственный интеллект является подрывной технологией XXI века. Ее обладатель сможет заручиться серьезным конкурентным преимуществом в той сфере деятельности, где будет внедрена данная технология, и оставить позади своих конкурентов, даже если до этого они были лидерами в поле своей деятельности. В настоящий момент Сбербанк активно внедряет интеллектуальные системы во всех направлениях своей работы [14]. Помимо этого им инициирован школьный образовательный проект AI-ACADEMY (Академия искусственного интеллекта) и основано учреждение по подготовке программистов под названием Школа 21. Как можно видеть, оба из них нацелены на подготовку специалистов в сфере программирования интеллектуальных компьютерных систем.
13 Еще одним ярким примером возросшего интереса к сфере ИИ является определение КНР данного направления как национального приоритета. В 2017 г. китайским правительством искусственный интеллект определен национальной стратегией. Данная технология, по мнению представителей власти Китая, позволит выйти стране на лидирующие позиции по показателям экономического развития к 2030 г., обогнав при этом Соединенные Штаты Америки.
14 Преимуществом таких технологий является возможность решения слабо формализуемых задач, в своей структуре имеющих динамический характер протекающих в них процессах. Тем не менее, отметим, что проблемы в их классическом понимании также могут быть решены при помощи технологий ИИ и ответы могут быть получены как близкие к оптимальным, либо даже лучше тех, которые найдены при помощи классических методов прогнозирования, анализа и обработки данных. Моделируемые при этом искусственные нейронные сети (структура математической модели, получаемая при использовании технологий ИИ) дают возможность наладить зависимость в формируемой модели между результирующими оценками и прочими структурными элементами без указания вида взаимосвязи. В этой связи технологию искусственного интеллекта можно рассматривать как универсальный метод аппроксимации.
15 Значительное преимущество использования технологий искусственного интеллекта при моделировании динамики заработной платы (за основу могут быть взяты и другие показатели) показано в работе Степановой Е.Н. [15], где можно видеть меньшее отклонение прогнозируемых оценок в сравнении с классической эконометрической моделью множественной регрессии. (табл. 1, рис. 1 и 2).
16
Факт, руб. Аппроксимация на основе построения искусственной нейронной сети, руб. Отклонение от факта, % Аппроксимация на основе модели множественной регрессии, руб. Отклонение от факта, %
1 2099 2099,5 0,02 2119,7 0,98
2 2131 2142,2 0,52 2187,2 2,57
3 2560 2546,7 0,52 2256,9 13,43
4 2344 2360,3 0,69 2328,8 0,65
5 2373 2401 1,17 2402,9 1,24
6 2513 2527,9 0,59 2479,5 1,35
7 2712 2680 1,19 2558,4 6,00
8 2619 2600 0,73 2640 0,80
9 2646 2650 0,15 2724 2,86
10 2735 2741,6 0,24 2811 2,70
10 2724 2812 3,13 2900,3 6,08
11 3079 3000,5 2,62 2992,6 2,89
Среднее значение 0,96 3,46
Таблица 1. Сравнение динамики заработной платы при использовании технологий искусственного интеллекта и модели множественной регрессии (Составлено по: Степанова Е. Н. Нейросетевое прогнозирование социально-экономического развития региона. Вологда : ВНКЦ ЦЭМИ РАН, 2004. 104 с.)
17

Рисунок 1. Сопоставление нейросетевой модели с эконометрическими и фактическими данными (Составлено по: Степанова Е. Н. Нейросетевое прогнозирование социально-экономического развития региона. Вологда : ВНКЦ ЦЭМИ РАН, 2004. 104 с.)

18

Рисунок 2. Отклонения моделируемых оценок от фактических данных (Составлено по: Степанова Е. Н. Нейросетевое прогнозирование социально-экономического развития региона. Вологда : ВНКЦ ЦЭМИ РАН, 2004. 104 с.)

19 Искусственная нейронная сеть в силу нелинейности смоделированной передаточной функции обеспечивает лучшее качество расчетных оценок по отношению к фактическим данным, нежели регрессия. Отклонение от фактических данных практически каждого спрогнозированного значения не превышает 1,5% (табл. 1) в то время как для регрессии присущи значительные выбросы равные 13,43%; 6,08% и 6,00%. Данную особенность можно наблюдать и из графиков (рис. 1 и рис. 2) без какой-либо количественной оценки. Прогнозная модель, в основе которой заложена искусственная нейронная сеть, практически идентично повторяет динамику фактических значений заработной платы.
20 Успешного результата применения искусственных нейронных сетей по сравнению с использованием классической эконометрической модели при прогнозировании динамики денежного потока также удалось добиться в работе Колмыкова В.В. (табл. 2, рис. 3 и 4) [16], где отклонение расчетных оценок нейросети от фактических данных, превышающее 10%, зафиксировано лишь в последних 5 наблюдениях (Еще одним наблюдением, где отклонение превысило 10%, является оценка под номером 16. Оно составило 10,02%). В регрессионной модели на протяжении всей исследуемой динамики отклонения от фактических данных находятся в диапазоне от 2,1% до 78,02% при средней в 30,64%. В случае с искусственной нейронной сетью средняя арифметическая отклонений от фактических данных по имеющимся наблюдениям составила 14,73%.
21
Факт, усл. ден. ед. Аппроксимация на основе построения искусственной нейронной сети, усл. ден. ед. Отклонение от факта, % Аппроксимация на основе модели регрессии, усл. ден. ед. Отклонение от факта, %
1 1626991,24 1618340,00 0,53 2271190,00 39,59
2 1966434,08 2044490,00 3,97 3142880,00 59,83
3 3139262,45 3105950,00 1,06 2918640,00 7,03
4 5528724,57 5403050,00 2,27 3238540,00 41,42
5 2880060,98 2836220,00 1,52 2483900,00 13,76
6 3355408,29 3359130,00 0,11 2817140,00 16,04
7 2860517,5 2861160,00 0,02 2764270,00 3,36
8 2750906,04 2746270,00 0,17 2907780,00 5,70
9 1076661,33 997308,65 7,37 1410040,00 30,96
10 837881,91 910622,54 8,68 1095640,00 30,76
11 830706,89 806588,49 2,90 812598,65 2,18
12 537569,38 545777,31 1,53 435129,44 19,06
13 806050,64 817571,40 1,43 1013090,00 25,69
14 1262555,33 1270510,00 0,63 980341,86 22,35
15 1447052,63 1427300,00 1,37 936862,13 35,26
16 822848,13 905287,32 10,02 1265880,00 53,84
17 764093,92 781737,39 2,31 950993,97 24,46
18 1984050,29 1985770,00 0,09 1365770,00 31,16
19 827130,36 893403,37 8,01 1258610,00 52,17
20 1195466,71 1186580,00 0,74 1387620,00 16,07
21 781530,07 775440,83 0,78 707664,86 9,45
22 837881,95 803216,16 4,14 820299,14 2,10
23 799243,34 837247,60 4,76 889596,86 11,30
24 737569,38 784920,23 6,42 522178,84 29,20
25 397831,38 548151,63 37,78 651135,71 63,67
26 476408,65 1356500,00 184,73 848085,10 78,02
27 317165,48 455080,22 43,48 517338,32 63,11
28 495071,6 656164,39 32,54 759607,80 53,43
29 693901,43 292558,14 57,84 362813,18 47,71
Среднее значение 14,73 30,64
Таблица 2. Сравнение динамики денежного потока при использовании технологий искусственного интеллекта и модели регрессии (Составлено по: Колмыков В. В. Сравнительный анализ статистической модели и нейронной сети обратного распространения в задаче прогнозирования // Прикладная информатика. 2010. №6. URL : http://www.appliedinformatics.ru/r/articles/article/index.php?article_id_4=691)
22

Рисунок 3. Сопоставление нейросетевой модели с эконометрическими и фактическими данными (Составлено по: Колмыков В. В. Сравнительный анализ статистической модели и нейронной сети обратного распространения в задаче прогнозирования // Прикладная информатика. 2010. №6. URL : http://www.appliedinformatics.ru/r/articles/article/index.php?article_id_4=691)

23

Рисунок 4. Отклонения моделируемых оценок от фактических данных (Составлено по: Колмыков В. В. Сравнительный анализ статистической модели и нейронной сети обратного распространения в задаче прогнозирования // Прикладная информатика. 2010. №6. URL : http://www.appliedinformatics.ru/r/articles/article/index.php?article_id_4=691)

24 Моделям, построенным по принципам технологии искусственного интеллекта присуще не прогнозирование, а распознавание в текущем состоянии социально-экономических явлений ранее встречавшихся ситуаций и в соответствии с этим воспроизведение наиболее точных результатов, которые были сделаны в соответствии со сложившейся ситуацией. Также, как и классические модели, она успешно работает, пока в исследуемой системе не произошли кардинальные изменения, но в отличие от них модель, поддерживающая ИИ, может быть легко доработана, не теряя результаты, полученные на ранних этапах моделирования.
25 Отметим, что социально-экономические системы имеют значительные особенности, среди которых: сложность обнаружения взаимосвязей элементов, которые в ней имеются, а также огромное множество объектов, которые отличаются друг от друга и находятся в постоянной динамике своего развития. В этой связи технологии искусственного интеллекта являются идеальным инструментом для моделирования экономических процессов.
26 Помимо этого, они также могут выступать дополнением к уже известным и зарекомендовавшим себя методам, позволяя автоматизировать рутинные унифицированные операции, связанные с наличием проблемы комбинаторного взрыва, ситуации когда задача может быть гипотетически решена посредством перебора всех возможных вариантов исхода, но их количество настолько велико, что это займет нерационально большое количество времени.
27

Рисунок 5. Использование технологий ИИ в синергии с классическими методами прогнозной аналитики (Источник: составлено автором.)

28 Применение искусственных нейронных сетей в социально-экономической практике является закономерным эволюционным развитием гуманитарных наук в целом. Данный метод может быть использован как отдельно взятый самоидентичный инструмент моделирования и прогнозирования сложных общественных систем, так и во многом является развитием имеющихся и широко использующихся в социально-экономической практике в настоящий момент классических методов прогнозной аналитики (рис. 5).
29 Таким образом, в результате проведенного анализа и систематизации знаний в области применения ИИ в социально-экономических процессах и явлениях в данной работе было продемонстрировано, что технологии искусственного интеллекта имеют ряд преимуществ перед классическими методами прогнозной аналитики, которые обусловлены их применением в неопределенности условий и факторов исследуемой операции; в возможности обработки неструктурированных данных, под которыми мы будет понимать различные графические и звуковые символы, расположенные в хаотичном порядке, без какой-либо предварительной сортировки и отбора; а также сложностью решаемой задачи, обусловленной различными вариантами взаимодействия исследуемых объектов и среды в которой они находятся. Помимо этого, технологии ИИ также могут быть использованы в качестве вспомогательного инструмента, формируя необходимые поправочные коэффициенты в классических моделях для того, чтобы результат моделирования и адекватность прогноза были предельно достоверны и точны. Данная работа может быть полезна кругу лиц, занимающихся вопросами моделирования социально-экономических систем, а также ученым и исследователям, чьими научными интересами являются технологии искусственного интеллекта.

References

1. Ильин В. А., Ускова Т. В., Лукин Е. В., Кожевников С. А. Анализ и моделирование экономики на основе межотраслевого баланса. Вологда : ВолНЦ РАН, 2017. 158 с.

2. Леонтьев В. В. Межотраслевая экономика. М. : Экономика, 1997. 479 с.

3. Ризванова М. А. Применение модели межотраслевого баланса В. Леонтьева в прогнозировании экономики // Вестник Башкирск. ун-та. 2015. №3. URL : http://bulletin-bsu.com/archive/2015/3/30/

4. Айвазян С. А. Методы эконометрики. М. : Магистр, 2010. 512 с.

5. Турунцева М. Эконометрические методы прогнозирования социально-экономических показателей // Некоторые подходы к прогнозированию экономических показателей. М. : ИЭПП, 2005. С.7-23

6. Бахтизин А. Р. Агент-ориентированные модели экономики. М. : Экономика, 2008. 279 с.

7. Корепина Т. А., Россошанская Е. А. Нейронные сети в агент-ориентированных моделях: преимущества и недостатки гибридных методов исследования // Вопросы территориального развития. 2017. №4 (39). URL : http://vtr.vscc.ac.ru/article/2363

8. Макаров В. Л., Бахтизин А. Р., Сушко Е. Д. Агент-ориентированные модели как инструмент апробации управленческих решений // Управленческое консультирование. 2016. №12 (96). URL : https://www.acjournal.ru/jour/article/view/470

9. Духанов А. В., Медведева О. Н. Имитационное моделирование сложных систем: курс лекций. Владимир : Изд-во Владим. гос. ун-та, 2010. 107 с.

10. Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. Погружение в мир нейронных сетей. СПб. : Питер, 2018. 480 с.

11. Држевецкий Ю. А., Затылкин А. В., Юрков Н. К. Экспертные системы как прикладная область искусственного интеллекта // НиКа. 2011. URL : https://cyberleninka.ru/article/n/ekspertnye-sistemy-kak-prikladnaya-oblast-iskusstvennogo-intellekta

12. Матвеев Н. С. Экспертные оценки в задаче многокритериальной оптимизации // Структурные изменения и проблемы реформирования экономики: сб. научн. статей. Вологда : ВоГУ, 1997. С. 108-112

13. Сигель Э. Просчитать будущее. Кто кликнет, купит, соврет или умрет. М. : Альпина Паблишер, 2017. 374 с.

14. Урунов А. А. Влияние искусственного интеллекта, интернет-технологий на рынок труда и стратификацию общества // Шаг в будущее: искусственный интеллект и цифровая экономика: материалы 1-й Международной научно-практической конференции. Вып. 4. Государственный университет управления. М. : Издательский дом ГУУ, 2017. С. 220-225. URL : https://guu.ru/news_ru/46334

15. Степанова Е. Н. Нейросетевое прогнозирование социально-экономического развития региона. Вологда : ВНКЦ ЦЭМИ РАН, 2004. 104 с.

16. Колмыков В. В. Сравнительный анализ статистической модели и нейронной сети обратного распространения в задаче прогнозирования // Прикладная информатика. 2010. №6. URL : http://www.appliedinformatics.ru/r/articles/article/index.php?article_id_4=691