Κέρδη:
- Να είναι σε θέση να διακρίνει πού η τεχνητή νοημοσύνη εξοικονομεί πραγματικό χρόνο στην οικονομική ανάλυση (σύνταξη δεδομένων, προσχέδιο, κώδικας, περίληψη) και πού (ευθύνη πρόβλεψης, απόφαση πολιτικής, επίσημο σχήμα) η απόφαση επαφίεται στον αρμόδιο οικονομολόγο, σύμφωνα με το επίπεδο κινδύνου εργασίας
- Δυνατότητα εφαρμογής πειθαρχίας που επαληθεύει κάθε έξοδο τεχνητής νοημοσύνης μέσω των βημάτων σύνδεσής της με την αρχική πηγή (TURKSTAT/EVDS/IMF), επανυπολογισμού της και διέλευσης από το φίλτρο της οικονομικής κοινής λογικής.
- Δυνατότητα αναγνώρισης των κινδύνων από ψεύτικους αριθμούς (ψευδαισθήσεις), παλαιών ημερομηνιών αποκοπής δεδομένων και διαρροής εμπιστευτικών δεδομένων και απόκτηση της συνήθειας της επιλογής ασφαλών εργαλείων και πόρων.
Το γραφείο ενός οικονομολόγου είναι στην πραγματικότητα ένα εργοστάσιο δεδομένων και κειμένων: ερμηνεύεις τα δεδομένα πληθωρισμού από την TURKSTAT το πρωί, γράφεις ένα σημείωμα πολιτικής για έναν αναπτυξιακό οργανισμό το απόγευμα, καθαρίζεις μια χρονοσειρά και προσπαθείς να κάνεις μια πρόβλεψη το βράδυ. Μεγάλο μέρος αυτής της εργασίας είναι μηχανική, όχι διανοητική: λήψη δεδομένων, μετατροπή μονάδων, επεξεργασία πινάκων, σύνοψη μεγάλων αναφορών, σύνταξη κώδικα. Η τεχνητή νοημοσύνη (AI — μεγάλα γλωσσικά μοντέλα και βοηθητικά εργαλεία) ανακουφίζει ακριβώς αυτό το μηχανικό φορτίο. Αλλά ας ξεκινήσουμε με μια πρόταση που θα επαναλάβουμε σε όλη αυτή την ενότητα: Η τεχνητή νοημοσύνη είναι ο βοηθός του οικονομολόγου, όχι ο ειδικός που τον αντικαθιστά. Η ευθύνη για μια πρόβλεψη για τον πληθωρισμό, μια πρόταση νομισματικής πολιτικής ή ένα δημοσίως διαθέσιμο αριθμό βαρύνει πάντα το άτομο και το ίδρυμα που την υπέγραψε.
Σκεφτείτε αυτήν τη μονάδα σαν ένα "εγχειρίδιο χρήσης": εδώ θα προσδιορίσουμε πού να τοποθετήσετε την τεχνητή νοημοσύνη, πού να μην την τοποθετήσετε ποτέ και πώς να επικυρώσετε κάθε έξοδο. Οι άλλες δέκα μονάδες θα βάλουν σάρκα σε αυτόν τον σκελετό.
Τι επιταχύνει η τεχνητή νοημοσύνη στα οικονομικά και τι όχι;
Ας χωρίσουμε τις εργασίες σε τρία πλαίσια ανάλογα με το επίπεδο κινδύνου. Αυτή η διάκριση είναι η πυξίδα ολόκληρης της ενότητας.
Πράσινο κουτί — Η τεχνητή νοημοσύνη είναι ισχυρή, προσθέτει ταχύτητα (ακόμα έχει αξιολογηθεί). Σύνταξη κώδικα λήψης δεδομένων, πρόταση βημάτων για τον καθαρισμό δεδομένων, σύνοψη μιας εκτενούς αναφοράς ή άρθρου, δημιουργία κώδικα για ένα γράφημα, απλοποίηση και μορφοποίηση κειμένου, επεξήγηση όρων, μετάφραση, σχέδιο σκελετού σημειώσεων πολιτικής. Εδώ το κόστος του σφάλματος είναι χαμηλό και τα λάθη φαίνονται εύκολα.
Κίτρινο κουτί — Η τεχνητή νοημοσύνη βοηθά, αλλά ο άνθρωπος επαληθεύει. Κατασκευή μοντέλου χρονοσειρών, ερμηνεία παλινδρόμησης, υπολογισμός σεναρίου, ερμηνεία δεικτών, σύνθεση βιβλιογραφίας. Εδώ το AI παράγει ένα σχέδιο. Αλλά οι αριθμοί, οι υποθέσεις και η οικονομική λογική δεν πάνε πουθενά χωρίς να ελέγχονται γραμμή προς γραμμή.
Κόκκινο κουτί — Η ευθύνη ανήκει στον άνθρωπο, η τεχνητή νοημοσύνη δεν μπορεί να αποφασίσει. Τελική έγκριση του επίσημου ποσοστού πληθωρισμού/ανάπτυξης, ιδιοκτησία της πρότασης νομισματικής ή δημοσιονομικής πολιτικής, υπογραφή πρόβλεψης που θα δημοσιοποιηθεί, γνώμη που μετατρέπεται σε επενδυτική/πιστωτική απόφαση. Εδώ το AI παράγει μόνο είσοδο. Η κρίση, η ευθύνη και η υπογραφή ανήκουν στο άτομο.
Συμβουλή: Εάν δεν είστε βέβαιοι σε ποιο πλαίσιο να τοποθετήσετε μια εργασία, κάντε την εξής ερώτηση: "Ποιος τραυματίζεται αν αποδειχθεί λάθος αυτή η έξοδος και θα γίνει εύκολα αντιληπτό το σφάλμα;" Εάν η ζημιά είναι μεγάλη και το σφάλμα είναι κρυφό, αυτή η εργασία είναι σχεδόν κόκκινη.
Τρία θεμελιώδη όρια της τεχνητής νοημοσύνης
Για να το χρησιμοποιήσει κανείς με ασφάλεια στα οικονομικά, πρέπει πρώτα να ξέρει πού σκοντάφτει.
1) Κατασκευή (ψευδαίσθηση). Το μοντέλο της μεγάλης γλώσσας μερικές φορές δημιουργεί έναν αριθμό ή μια πηγή που δεν γνωρίζει, σε γλώσσα σίγουρης. Η πρόταση «το έλλειμμα του ισοζυγίου τρεχουσών συναλλαγών του 2023 ήταν 45,2 δισεκατομμύρια δολάρια» φαίνεται αληθινή αλλά μπορεί να είναι εντελώς λανθασμένη. Στα οικονομικά, αυτό είναι θανατηφόρο: ένας εσφαλμένος αριθμός δηλητηριάζει μια έκθεση, μια πρόβλεψη, μια απόφαση.
2) Ημερομηνία αποκοπής δεδομένων. Τα δεδομένα εκπαίδευσης του μοντέλου σταματούν σε μια συγκεκριμένη ημερομηνία. Ο τελευταίος πληθωρισμός, η τελευταία απόφαση για το επιτόκιο και η χθεσινή συναλλαγματική ισοτιμία ενδέχεται να εξαιρεθούν από αυτές τις πληροφορίες. Το AI μπορεί στην πραγματικότητα να σας δώσει έναν αριθμό που είναι αρκετών μηνών ή ετών ως "τελευταία δεδομένα".
3) Αιτιώδης τύφλωση και έλλειψη πλαισίου. Το AI καταγράφει μοτίβα στη γλώσσα. δεν «καταλαβαίνει» την οικονομική αιτιότητα. Κάνει φράσεις όπως «Όταν τα επιτόκια αυξάνονται, ο πληθωρισμός μειώνεται» άπταιστα, αλλά δεν μπορεί να αξιολογήσει υπό ποιες συνθήκες ισχύουν ή σε ποια χώρα σε ποια περίοδο συνέβη το αντίθετο. Δεν μπορεί να δει δομικές ρήξεις (αλλαγή προτύπου με κρίση).
Προσοχή: Το ότι μια πρόταση είναι ευχάριστη και σίγουρη δεν σημαίνει ότι είναι σωστή. Η τεχνητή νοημοσύνη στο πιο πειστικό της μπορεί να είναι και το πιο λάθος.
Πειθαρχία επαλήθευσης: SOURCE–ACCOUNT–Filter
Η καρδιά αυτής της ενότητας είναι μια ενιαία συνήθεια. Ακολουθήστε κάθε έξοδο AI σε τρία βήματα:
- ΠΗΓΗ. Κάθε αριθμός και πραγματικός ισχυρισμός συνδέεται με την αρχική πηγή. Πληθωρισμός από TURKSTAT, ισοτιμία και ισοζύγιο πληρωμών από CBRT, παγκόσμια προβολή από το ΔΝΤ. Αναφέρεστε στην επίσημη δημοσίευση, όχι στον αριθμό που δίνει η AI.
- ΝΟΜΟΣΧΕΔΙΟ. Υπολογίζετε ξανά χειροκίνητα κάθε παράγωγο αριθμό τουλάχιστον μία φορά. Ο ρυθμός ανάπτυξης, η πραγματική αξία και ο δείκτης προκύπτουν με τον σωστό τύπο; Δείτε μια περίοδο στα χαρτιά.
- ΚΟΣΚΙΝΟ. Περνάτε το αποτέλεσμα μέσω της οικονομικής κοινής λογικής: Είναι λογικό αυτό το μέγεθος; Είναι σωστή η πινακίδα; Στο ιστορικό εύρος; Υπάρχει κάποια αντίφαση; Ένα παράλογο αποτέλεσμα είναι συχνά ένα σήμα σφάλματος.
τρεις μίνι θήκες
Περίπτωση 1 — Αποτύπωση της ψεύτικης φιγούρας. Ένας αναλυτής της υπηρεσίας ανάπτυξης είπε στην YZ να "κάνει έναν πίνακα με τα στοιχεία των εξαγωγών του 2023 σε επαρχιακή βάση". Το AI έδωσε μια αξιοπρεπή εικόνα. Στο βήμα SOURCE, ο αναλυτής εξέτασε τις στατιστικές του εξωτερικού εμπορίου της TUIK και είδε ότι τα στοιχεία για τρεις επαρχίες ήταν διπλάσια από τα πραγματικά δεδομένα. Το AI είχε συμπληρώσει τις πληροφορίες που έλειπαν με αριθμούς «εύλογης εμφάνισης». Ο αναλυτής πέταξε το τραπέζι και τράβηξε τα δεδομένα απευθείας από την TURKSTAT. Η κατασκευασμένη φιγούρα πιάστηκε πριν συμπεριληφθεί στην έκθεση.
Περίπτωση 2 — Παλιά παγίδα δεδομένων. Ένας οικονομικός δημοσιογράφος ρώτησε τον YZ, "Ποιο είναι το τρέχον επιτόκιο πολιτικής;" ρώτησε? Η απάντηση που έλαβε ήταν το ποσοστό πριν από οκτώ μήνες. Ο δημοσιογράφος, που έχει τη συνήθεια του ΛΟΓΑΡΙΑΣΜΟΥ/ΠΗΓΗΣ, κοίταξε την τελευταία απόφαση MPK (Επιτροπή Νομισματικής Πολιτικής) της CBRT και χρησιμοποίησε το σωστό επιτόκιο. Αν δεν ρωτούσε, λάθος ενδιαφέρον θα πήγαινε στη δημοσίευση.
Περίπτωση 3 — Οικονομικό φίλτρο. Ένας φοιτητής-ερευνητής ζήτησε από το AI να υπολογίσει μια σειρά πραγματικών μισθών. Το αποτέλεσμα είπε ότι οι πραγματικοί μισθοί αυξήθηκαν κατά 140 τοις εκατό σε ένα χρόνο. Το βήμα FILTER μπήκε στο παιχνίδι: αυτό το μέγεθος δεν ήταν ρεαλιστικό. Στον κώδικα, το AI είχε χρησιμοποιήσει τον αποπληθωριστή (διορθωτικός δείκτης τιμών) με λάθος βάση. Το σφάλμα βρέθηκε, ο τύπος διορθώθηκε και το αποτέλεσμα ήταν εντός του λογικού εύρους.
Τέσσερα πρότυπα με δυνατότητα αντιγραφής
1) Προτροπή συστήματος που ορίζει ρόλους και όρια:
Ο ρόλος σας: βοηθός βοηθός ανάλυσης σε ανώτερο οικονομολόγο. Κανόνες: (1) Μην κάνετε κανέναν αριθμό που δεν σας δίνω. Εάν δεν γνωρίζετε, πείτε "πρέπει να επαληθεύσετε αυτά τα δεδομένα". (2) Καθορίστε από ποια επίσημη πηγή (TURKSTAT/CBRT/IMF, κ.λπ.) θα πρέπει να επιβεβαιώνεται για κάθε αριθμό που παρέχετε. (3) Δηλώστε με σαφήνεια την προϋπόθεση και την αβεβαιότητα όταν κάνετε ισχυρισμό αιτιότητας. Αν καταλαβαίνετε, επιβεβαιώστε με μια φράση.
2) Αίτημα επιβεβαίωσης πηγής:
Αναλύστε τον ακόλουθο ισχυρισμό: "[αξίωση]". Καταγράψτε ποια επίσημη/κύρια πηγή (ίδρυμα, όνομα έκδοσης, σειρά) πρέπει να κοιτάξω για να το επαληθεύσω. Προσδιορίστε σε ποιον ορισμό και περίοδο ανήκει κάθε αριθμός στην αξίωση. Μην δίνετε αριθμούς από τη μνήμη σας.
3) Προτροπή για φιλτράρισμα της εξόδου:
Ελέγξτε το ακόλουθο αποτέλεσμα της ανάλυσης για οικονομική συνέπεια: έχει νόημα το πρόσημο, είναι το μέγεθος εντός του ιστορικού εύρους, είναι οι μονάδες συνεπείς, υπάρχει κάποια κρυφή υπόθεση; Σημειώστε οτιδήποτε θεωρείτε ύποπτο με μια ετικέτα "επαλήθευση".
4) Αίτημα ταξινόμησης κινδύνου εργασίας:
Θα κάνω την εξής εργασία: "[quest]". Κατατάξτε το ως πράσινο (μηχανικό, χαμηλού κινδύνου), κίτρινο (σχέδιο, ανθρώπινος επαληθεύει) ή κόκκινο (απόφαση/ανθρώπινη ευθύνη) και εξηγήστε το γιατί με μια πρόταση.
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμη προτροπή:
Γράψτε μια ανάλυση για την τουρκική οικονομία.
Χωρίς περιεχόμενο και απεριόριστο. Η τεχνητή νοημοσύνη παράγει ένα γενικό, χωρίς πηγή, μη επαληθεύσιμο κείμενο.
Ισχυρή προτροπή:
Ο ρόλος σας: βοηθός ανάλυσης. Έχω τα στοιχεία του ετήσιου ΔΤΚ και της αύξησης του ΑΕΠ 2019-2024 από την TURKSTAT (παρακάτω). Γράψτε ένα σχέδιο σχολίου 3 παραγράφων με βάση αυτά τα δεδομένα. Πάρε κάθε αριθμό από τον πίνακα που σου έδωσα, μην προσθέτεις αριθμούς απ' έξω. Όπου δεν είστε σαφείς, γράψτε "πρέπει να επαληθευτεί". Τέλος, απαριθμήστε ποια σημεία πρέπει να ελέγξω με μη αυτόματο τρόπο.[πίνακας]
Αυτή η προτροπή δίνει μαζί τον ρόλο, τον πόρο, τον περιορισμό και την επαλήθευση. Η έξοδος γίνεται ελεγκτή.
Συνήθη λάθη
- Αντιμετώπιση του αριθμού που δίνεται από το AI ως πηγή. Το AI δεν είναι πόρος. Η TURKSTAT/CBRT/ΔΝΤ είναι η πηγή.
- Λάθος της ευχέρειας για την ακρίβεια. Μια καλογραμμένη πρόταση μπορεί να είναι λάθος.
- Παράκαμψη του πλαισίου εργασιών. Το να περάσετε την εργασία του κόκκινου κουτιού τόσο γρήγορα όσο το πράσινο είναι το πιο ακριβό λάθος.
- Ξεχάστε την ημερομηνία λήξης δεδομένων. Ζητώντας «ρεύμα» και παίρνοντας τον παλιό αριθμό.
- Αδιάκριτη προσκόλληση εμπιστευτικών/ ευαίσθητων στην αγορά δεδομένων στο εργαλείο. Παραβίαση απορρήτου που θα δούμε στην επόμενη ενότητα.
- Παραλείψτε το βήμα χειροκίνητου υπολογισμού. Χρησιμοποιώντας τον παράγωγο αριθμό χωρίς να τον ελέγξετε καθόλου.
Συνοπτικά
Η τεχνητή νοημοσύνη είναι ένας ισχυρός βοηθός που μειώνει σημαντικά τη μηχανική επιβάρυνση του οικονομολόγου. αλλά η ευθύνη για τις προβλέψεις, την πολιτική και τα επίσημα στοιχεία παραμένει στον άνθρωπο. Ταξινομήστε τις εργασίες σε πράσινα-κίτρινα-κόκκινα πλαίσια, λάβετε υπόψη τα τρία θεμελιώδη όρια της τεχνητής νοημοσύνης (κατασκευή, ημερομηνία λήξης δεδομένων, τύφλωση αιτιότητας) και περάστε κάθε έξοδο μέσω του κλάδου SOURCE–ACCOUNT–Filter. Αυτά τα τρία βήματα είναι η ζώνη ασφαλείας για την υπόλοιπη μονάδα.
Εργασία εφαρμογής
Επιλέξτε μια πραγματική εβδομάδα από τη δική σας δουλειά και απαριθμήστε 10 οικονομικές εργασίες που κάνατε εκείνη την εβδομάδα (π.χ. "ερμηνεία δεδομένων πληθωρισμού", "προετοιμασία επαρχιακού πίνακα εξαγωγών", "παραγωγή περίληψης αναφοράς"). Ταξινομήστε κάθε εργασία ως πράσινο/κίτρινο/κόκκινο. Στη συνέχεια, επιλέξτε μια εργασία στο πράσινο πλαίσιο και αφήστε το AI να το κάνει χρησιμοποιώντας τα πρότυπα 1 και 3 παραπάνω, και επιθεωρήστε την έξοδο με SOURCE–ACCOUNT–Filter και σημειώστε τουλάχιστον ένα σφάλμα που θα βρείτε.
λίστα ελέγχου
- [ ] Τοποθέτησα σωστά την εργασία στο πράσινο/κίτρινο/κόκκινο πλαίσιο.
- [ ] Επιβεβαίωσα κάθε αριθμό που έδωσε η τεχνητή νοημοσύνη από την κύρια επίσημη πηγή.
- [ ] Υπολόγισα ξανά τουλάχιστον έναν παράγωγο αριθμό με το χέρι.
- [ ] Φιλτράρισα το αποτέλεσμα μέσω της οικονομικής κοινής λογικής (πρόσημο, μέγεθος, μονάδα).
- [ ] Έλεγξα την ημερομηνία λήξης δεδομένων και τον κίνδυνο πρόσφατου.
- [ ] Δεν χρησιμοποίησα εμπιστευτικά/ευαίσθητα δεδομένα ούτε χρησιμοποίησα ασφαλή/εγκεκριμένα εργαλεία.
- [ ] Έχω διεκδικήσει την κυριότητα του προϊόντος, υποστηρίζοντας ότι έχω την τελική κρίση και την υπογραφή.