المكاسب:
- القدرة على التمييز بين مكان وجود الذكاء الاصطناعي في سير العمل التجريبي (تنظيف البيانات، والرمز، والتصور، وتفسير المسودة) في الوقت الفعلي، ومكان ترك القرارات مثل اختيار النموذج، والمطالبة بالسببية، وقرار النشر للخبير، وفقًا لمستوى مخاطر المهمة
- القدرة على تطبيق نظام يتحقق من كل مخرجات الذكاء الاصطناعي (الرقم، المعامل، الكود، التعليق) من خلال خطوات إعادة الحساب والربط بالمصدر والتصفية الإحصائية.
- القدرة على معالجة البيانات الدقيقة ومجموعات البيانات السرية/المرخصة بأمان ضمن نطاق KVKK/GDPR واتفاقيات استخدام البيانات واكتساب عادة اختيار الأدوات المناسبة.
تتكرر نفس الأسئلة كل يوم على مكتب خبير في الاقتصاد القياسي أو الإحصائي التطبيقي: هل مجموعة البيانات هذه موثوقة؟ ماذا تفعل بهذه القيم المفقودة؟ ماذا يقول معامل هذا الانحدار حقًا؟ فهل هذه العلاقة سببية أم ارتباطية فقط؟ نظرًا لأهمية هذه القيمة الاحتمالية، هل يمكنني كتابتها في المقالة أو ملخص السياسة؟ بعض هذه الأسئلة متكررة، ومكثفة التعليمات البرمجية، وتستغرق وقتًا طويلاً: تنظيف البيانات، ورسم نفس الرسم البياني عشر مرات، وتصحيح أخطاء كود R أو Python، وترتيب النتائج في جدول. ويحدد آخرون بشكل مباشر صحة النتائج، أو صدق النشر، أو دقة القرار السياسي.
الذكاء الاصطناعي (باختصار الذكاء الاصطناعي، الذكاء الاصطناعي - أنظمة الكمبيوتر التي يمكنها إنتاج النصوص والرموز مثل البشر، والتعرف على الأنماط، وتلخيص البيانات وكتابة التعليقات؛ الشكل الأكثر استخدامًا اليوم هو نماذج اللغة الكبيرة، أي الأنظمة التي يتم تدريبها على نص ضخم وبناء الجمل من خلال التنبؤ بالكلمة التالية) يقع في منتصف هذا الجدول مباشرةً. عند استخدامه بشكل صحيح، فإنه يقلل ساعات كود تنظيف البيانات إلى دقائق، ويذكرك بتركيب اختبار إحصائي معقد، أو يقوم بصياغة تفسير للمعامل. عند استخدامه بشكل غير صحيح، فإنه يقدم رقمًا مؤكدًا ولكنه ملفق تمامًا، أو أهمية زائفة، أو علاقة غير سببية باعتبارها "اكتشافًا".
هذه الوحدة الأولى ليست مقدمة برمجية. والغرض منه هو توضيح مكان وضع الذكاء الاصطناعي في سير عملك التجريبي وأين لا يجب وضعه أبدًا. يعد الاقتصاد القياسي مجالًا "مهمًا للأسلوب" و"مهمًا للقرار" بشكل غير مباشر: يمكن أن يكون معامل النموذج الذي تقوم بإنشائه مدخلاً لقرار سعر الفائدة الذي يتخذه البنك المركزي، أو تغيير سياسة الجهة التنظيمية، أو استثمار الشركة بمليون دولار. دعونا نوضح المبدأ الأساسي من البداية: الذكاء الاصطناعي هو مساعد تحليلي، وليس باحثًا. تقع المسؤولية والموافقة النهائية على اختيار النموذج واستراتيجية التحديد وتأكيد العلاقة السببية والنشر وقرارات السياسة على عاتق الخبير المختص.
طبقات سير العمل التجريبي ومكان الذكاء الاصطناعي
ومن المفيد تقسيم الدراسة التجريبية إلى ثلاث طبقات. طبقة التنفيذ هي العمل الفني اليومي: كود تنظيف البيانات، ورسم الرسم البياني، وتنسيق الجدول، وتصحيح أخطاء بناء الجملة. طبقة الطريقة هي القرار التحليلي: أي نموذج، أي استراتيجية تحديد، أي اختبار، أي فحص للافتراضات. طبقة التفسير والقرار هي معنى النتائج: ما يقوله المعامل، هل هو سببي، وماذا يعني بالنسبة للسياسة، في حالة نشره. يمس الذكاء الاصطناعي الطبقات الثلاث، ولكن بسلطة مختلفة في كل منها. في طبقة التنفيذ، يقوم الذكاء الاصطناعي بصياغة التعليمات البرمجية وإنشاءها بسرعة؛ في طبقة التفسير والقرار، يتم تقديم المدخلات فقط ويتخذ الخبير القرار.
دعونا نحدد بعض المصطلحات الأساسية من البداية. الاقتصاد القياسي هو الفرع الذي يحلل البيانات الاقتصادية والاجتماعية باستخدام الأساليب الإحصائية ويقيس العلاقات. الانحدار هو أسلوب يصمم عدديا العلاقة بين متغير النتيجة (المتغير التابع) مع واحد أو أكثر من المتغيرات التوضيحية (المتغيرات المستقلة). المعامل هو الرقم الذي يوضح عدد وحدات التغيير في المتوسط التي يرتبط بها تغيير وحدة واحدة في متغير توضيحي في متغير النتيجة. القيمة p هي احتمال حدوث النتيجة المرصودة (أو نتيجة أكثر تطرفًا) عن طريق الصدفة عندما لا يوجد أي تأثير فعليًا. وسنشرح هذه المفاهيم واحدًا تلو الآخر في الوحدات التالية؛ في الوقت الحالي، اعرف هذا: في كل هذه الأمور، يمنحك الذكاء الاصطناعي المخطط والكود والتفسير، لكنه لا يتخذ قرارات علمية.
يلخص الجدول التالي دور الذكاء الاصطناعي ومستوى مخاطره حسب المهمة:
كويست
دور الذكاء الاصطناعي
مستوى المخاطر
من يوافق
كتابة كود تعقيم البيانات
مولد الكود
منخفض
محلل نفسه (مع اختبار الكود)
مسودة الرسم البياني/الجدول
مولد رسم
منخفض
محلل
تذكير بناء جملة الاختبار/النموذج
مساعد مرجعي
منخفض متوسط
محلل
مشروع تفسير المعامل
كاتب مسودة
متوسطة
اقتصادي قياسي
اختيار استراتيجية النموذج/التحديد
المدخلات المساعدة
عالية
باحث خبير
دعوى السببية
مجرد مسودة، وليست الكلمة الأخيرة أبدًا
عالية جدا
خبير + مراجعة الأقران
قرار النشر/السياسة
الإدخال فقط
عالية جدا
المحقق/المؤسسة المسؤولة
ضع في اعتبارك السطر الوحيد في هذا الجدول: مع ارتفاع المخاطر، يتقلص دور الذكاء الاصطناعي وتنمو موافقة الخبراء.
لماذا "التحقق" هو جوهر هذا العمل
تبدو النماذج اللغوية واثقة من إجابتها، لكنها قد لا تكون متأكدة. في اللغة التقنية، يُسمى هذا الهلوسة: وهي تلفيق النموذج لمعلومات غير موجودة في جملة سلسة، تمامًا كما لو كانت صحيحة. بالنسبة لعالم الاقتصاد القياسي، يعد هذا فخًا مميتًا. يمكن أن يعطيك النموذج رقمًا دقيقًا مثل "الارتباط بين البطالة والتضخم في تركيا بين 2015-2020 هو 0.62"؛ ومع ذلك، فهو لم ير بياناتك مطلقًا وهذا الرقم مختلق بالكامل. أو قد يقول: "القيمة الاحتمالية للاختبار الأبيض كانت 0.03"؛ في حين أنه لم يجر أي اختبارات. يمكنه استدعاء دالة R باستخدام وسيطة غير موجودة بالفعل. يغني الثلاثة بنفس الطلاقة. الشيء الوحيد الذي يفصل بين الصواب والخطأ هو معرفتك وعادتك في التحقق.
يتكون نظام التحقق من ثلاث خطوات:
- إعادة الحساب/التشغيل في بيئتك الخاصة: احسب كل رقم ونسبة ونتيجة اختبار ومعامل يقدمه الذكاء الاصطناعي في R/Python باستخدام بياناتك الخاصة، وليس من ذاكرة الذكاء الاصطناعي. استخدم الذكاء الاصطناعي لكتابة الكود، وليس لتذكر النتيجة. تشغيل التعليمات البرمجية، يمكنك إنتاج الإخراج.
- رابط إلى المصدر: اعتمد على الكتب المدرسية ومقالات الطرق والوثائق الرسمية لقواعد الطريقة والصيغ والتعريفات. تأكد من تصريح منظمة العفو الدولية "افتراض هذا الاختبار" بمصدر موثوق.
- المرشح الإحصائي: اختبر بأعين الخبراء ما إذا كانت المخرجات تتعارض مع المنطق الإحصائي (الافتراضات، العينة، حجم التأثير، عدم اليقين). رفض نتيجة "ذات معنى ولكن سخيفة".
تحذير: إن وضع معامل أو اختبار أو تفسير تم إنشاؤه بواسطة الذكاء الاصطناعي في مقالة أو أطروحة أو مذكرة سياسية دون التحقق من صحتها يشبه نشر نتيجة لم تتم مراجعتها. فقط لأن الإخراج بطلاقة ليس صحيحا؛ فقط لأن الرقم يبدو مؤكدا، فهو ليس حقيقيا.
الخصوصية: البيانات الدقيقة والبيانات المرخصة محمية بشكل خاص
تُستخدم البيانات الجزئية (السجلات الفردية على مستوى الفرد أو الأسرة أو الشركة أو المريض) بشكل متكرر في الاقتصاد القياسي. معظم هذه البيانات هي بيانات شخصية ومحمية بموجب قانون حماية البيانات الشخصية (KVKK) في تركيا واللائحة العامة لحماية البيانات (GDPR) في أوروبا. بالإضافة إلى ذلك، غالبًا ما تقوم هيئة الإحصاء التركية والبنوك المركزية ومقدمو بيانات اللوحات والمصادر التجارية بتزويد البيانات باتفاقية استخدام البيانات؛ تحظر هذه الاتفاقيات نقل البيانات إلى أطراف ثالثة. يعد لصق جدول يحتوي على معلومات الهوية أو الدخل أو الصحة أو أسرار الشركة في أداة دردشة عامة تعمل بالذكاء الاصطناعي بمثابة انتهاك لـ KVKK/GDPR وانتهاك للعقد؛ لأن البيانات تذهب إلى خادم خارجي ويمكن استخدامها في التدريب النموذجي في بعض الأدوات.
القاعدة بسيطة: احتفظ بالبيانات في بيئتها الآمنة، واطلب من الذكاء الاصطناعي فقط التعليمات البرمجية والأساليب. سير العمل المثالي هو كما يلي: اطلب من الذكاء الاصطناعي رمز التحليل، ثم تقوم بتشغيل الكود باستخدام البيانات الحقيقية على جهاز الكمبيوتر/خادم المؤسسة الخاص بك. إذا كان عليك حقًا مشاركة البيانات، فقم بإخفاء الهوية (إزالة حقول المعرف)، والتجميع (المتوسط/العدد بدلاً من الأفراد)، واختيار الأدوات المؤسسية، ولديك اتفاقية معالجة البيانات، ولا تستخدم بياناتك في التعليم.
ثلاث حالات صغيرة
الحالة 1 - الاستخدام الآمن والفعال. قضى أحد الباحثين لأول مرة 6 ساعات في تنظيف 40 ألف صف من بيانات ميزانية الأسرة يدويًا. دون مشاركة البيانات على الإطلاق، قام فقط بوصف أسماء المتغيرات وبنيتها للذكاء الاصطناعي وطلب رمز التنظيف. قام الذكاء الاصطناعي بإنشاء نص R؛ قام الباحث بتشغيل الكود في بيئته الخاصة، وفحص عدد الأسطر والإحصائيات الموجزة لكل خطوة، وأصلح خطأين منطقيين. المدة: 70 دقيقة بدلاً من 6 ساعات. البيانات لم تخرج أبدا. وبقيت المسؤولية على عاتق الباحث.
الحالة 2 - فخ الرقم الذي لم يتم التحقق منه. سأل أحد طلاب الدراسات العليا منظمة العفو الدولية: "ما هي المرونة بين نمو الناتج المحلي الإجمالي والاستثمار الأجنبي المباشر؟" أعطى الذكاء الاصطناعي بثقة رقمًا "حوالي 0.34" على الرغم من عدم تمكنه من الوصول إلى أي بيانات. وكتب الطالب ذلك في ملخص الأدب؛ وعندما سأل مستشاره عن المصدر، تبين أن الرقم لا أساس له وهو مفبرك بالكامل. الخطأ: توقع إحصائيات ملموسة من الذكاء الاصطناعي دون تقديم البيانات والموارد له.
الحالة 3 - السرية وخرق العقد. قام أحد المحللين بتحميل برنامج Excel، الذي تلقاه من لجنة شركة مرخصة، والذي يحتوي على اسم الشركة وحجم مبيعاتها، إلى أداة ذكاء اصطناعي متاحة للعامة وقال "نفذ انحدار اللوحة". يحظر عقد مزود البيانات نقل البيانات إلى أنظمة الطرف الثالث؛ أدى الحادث إلى مراجعة الامتثال. كانت الطريقة الصحيحة هي استبدال أسماء الشركات برموز مجهولة أو عدم مشاركة أي بيانات وطلب رمز انحدار اللوحة فقط وتشغيله في بيئته الخاصة.
موجه ضعيف / موجه قوي
حث ضعيف:
تحليل العلاقة بين التضخم والبطالة وبيان المعامل.
هذا الادعاء خاطئ: لم يتم تقديم أي بيانات إلى الذكاء الاصطناعي، وليس من الواضح أي بلد أو فترة أو نموذج. لا يمكن للذكاء الاصطناعي الإجابة إلا بمعامل مختلق.
مطالبة قوية:
دورك: أنت مساعد تحليل يساعد باحث الاقتصاد القياسي. أنا لا أشارك البيانات معك؛ أريد فقط رمز RUNNABLE R. لدي لوحة سنوية: متغيرات البلد، السنة، البطالة، التضخم (جميعها رقمية). المهمة: 1) كتابة رمز انحدار لوحة التأثيرات الثابتة للبطالة ~ التضخم (حزمة plm)، 2) شرح كل خطوة في الكود باستخدام سطر تعليق، 3) لاحظ أنه يجب تفسير المعامل على أنه علائقي، وليس سببي، 4) قم بتكوين وسيطة الوظيفة التي لست متأكدًا منها؛ سأقوم بتشغيل والتحقق من النتيجة في بيئتي الخاصة.
في هذا الطلب، لم تتم مشاركة أي بيانات، وكان الدور والحزم وتوقع التعليقات وحظر "التلفيق" واضحًا. لا يزال بإمكانك تشغيل والتحقق من الإخراج بنفسك.
يلخص الجدول التالي قواعد الجملة الواحدة في هذا الدرس:
المبدأ
ماذا يعني ذلك
الذكاء الاصطناعي هو مساعد
القرار العلمي والمسؤولية تعود للخبير
اطلب الكود و احصل على النتيجة
الذكاء الاصطناعي لا يتذكر الرقم؛ تقوم بتشغيله وحسابه
الاحتفاظ بالبيانات
لا تترك البيانات الصغيرة/المرخصة البيئة الآمنة
تحقق
يتم فحص كل قضية، رمز، تعليق؛ التصنيع مرفوض
الأخطاء الشائعة
- توقع إحصائيات ملموسة من الذكاء الاصطناعي دون تقديم بيانات. لا يمكن للنموذج الوصول إلى البيانات؛ المعامل والارتباط والقيمة الاحتمالية التي يقدمها وهمية. اطلب الرمز دائمًا وأنتج النتيجة بنفسك.
- الاعتماد على وظائف الهلوسة. قد يقترح الذكاء الاصطناعي دالة أو وسيطة R/Python غير موجودة. لا تقبل الرمز دون تشغيله والتحقق منه.
- تحميل البيانات الجزئية إلى الأداة العامة. إنه انتهاك لـ KVKK/GDPR واتفاقية استخدام البيانات. إخفاء هوية البيانات أو عدم مشاركتها على الإطلاق.
- الخلط بين الطلاقة والدقة. قد تكون المراجعة المكتوبة جيدًا غير دقيقة. وجمال الجملة ليس دليلا.
- قبول اللغة السببية دون سيطرة. غالبًا ما يقول YZ "X يزيد Y"؛ في حين أن معظم الانحدارات تظهر العلاقات فقط. الدفاع عن المطالبة السببية مع التصميم.
نصيحة: عند العمل مع الذكاء الاصطناعي، اسأل نفسك هذا السؤال: "إذا طلب أحد المراجعين أو المدققين هذه النتيجة، فهل يمكنني إظهار المصدر والحساب؟" إذا كانت الإجابة لا، فإن الناتج ليس جاهزًا للاستخدام بعد.
في ملخص
يوفر الذكاء الاصطناعي تسريعًا حقيقيًا وهائلًا في طبقة التنفيذ (التعليمات البرمجية، والتنظيف، والرسم البياني، والمسودة) لسير عمل الاقتصاد القياسي والإحصائيات؛ ومع ذلك، فإن اختيار النموذج، والسببية، والتفسير، والنشر، وقرارات السياسة تنتمي إلى الخبير. ثلاثة تخصصات أساسية: لا تذكر الذكاء الاصطناعي بالرقم، واطلب الرمز وقم بإنشاء النتيجة والتحقق منها بنفسك؛ لا تقم بإزالة البيانات الصغيرة/المرخصة من البيئة الآمنة؛ تصفية الإحصائية كل الناتج. إن مخرجات الذكاء الاصطناعي التي لم يتم التحقق منها لا تقل خطورة عن النتائج التي لم تتم مراجعتها.
مهمة التطبيق
فكر في مجموعة البيانات الخاصة بك (أو مثال). اطلب رمز الذكاء الاصطناعي لـ R أو Python الذي ينتج إحصائيات وصفية ورسمًا بيانيًا بسيطًا عن طريق وصف بنية المتغير ببساطة، دون مشاركة البيانات. قم بتشغيل التعليمات البرمجية الواردة في البيئة الخاصة بك. ثم احتفظ بقائمة مرجعية: (1) هل تم تشغيل الكود بدون أخطاء، (2) هو عدد الأسطر/الملاحظات كما توقعت، (3) أي من جمل التعليق الخاصة بالذكاء الاصطناعي تستخدم لغة سببية ويجب إصلاحها. اكتب في فقرة واحدة عن الوقت الذي أنقذك فيه الذكاء الاصطناعي وعن خطأ واحد على الأقل اكتشفته.
قائمة مرجعية
- [ ] لم أطلب من الذكاء الاصطناعي أن يطلب إحصائيات محددة؛ لقد طلبت الرمز وأنتج النتيجة بنفسي.
- [ ] قمت بإعادة حساب كل رقم ونتيجة اختبار قدمتها في بيئتي الخاصة.
- [ ] لقد تحققت من أن الوظائف/الوسائط التي يستخدمها موجودة بالفعل.
- [ ] لم أقم بتحميل البيانات الصغيرة/الشخصية/المرخصة إلى أداة عامة.
- [ ] قمت بوضع علامة على التعليقات التي تحتوي على لغة سببية ونقلتها إلى اللغة العلائقية.
- [ ] أنا قادر على إظهار مصدر المخرجات وحسابها للمدقق.