અર્થશાસ્ત્રમાં આર્ટિફિશિયલ ઇન્ટેલિજન્સનો પરિચય: ભૂમિકાઓ, સીમાઓ, માન્યતા અને ડેટા એથિક્સ

નફો:

• આર્ટિફિશિયલ ઇન્ટેલિજન્સ આર્થિક પૃથ્થકરણ (ડેટા કમ્પાઇલેશન, ડ્રાફ્ટ, કોડ, સારાંશ)માં વાસ્તવિક સમય ક્યાં બચાવે છે અને ક્યાં (આગાહીની જવાબદારી, નીતિ વિષયક નિર્ણય, સત્તાવાર આંકડો) કાર્ય જોખમ સ્તર અનુસાર, સક્ષમ અર્થશાસ્ત્રી પર નિર્ણય છોડવામાં આવે છે તે પારખવામાં સક્ષમ હોવાને કારણે
• એક એવી શિસ્ત લાગુ કરવાની ક્ષમતા કે જે દરેક કૃત્રિમ બુદ્ધિમત્તાના આઉટપુટને મૂળ સ્ત્રોત (TURKSTAT/EVDS/IMF) સાથે કનેક્ટ કરવાના પગલાઓ દ્વારા ચકાસે છે, તેની પુનઃગણતરી કરે છે અને તેને આર્થિક સામાન્ય જ્ઞાનના ફિલ્ટરમાંથી પસાર કરે છે.
• નકલી નંબરો (આભાસ), જૂની ડેટા કટ-ઓફ તારીખો અને ગોપનીય ડેટા લીક થવાના જોખમોને ઓળખવાની ક્ષમતા અને સલામત સાધનો અને સંસાધનો પસંદ કરવાની ટેવ કેળવવાની ક્ષમતા.

અર્થશાસ્ત્રીનું ડેસ્ક વાસ્તવમાં ડેટા અને ટેક્સ્ટ ફેક્ટરી છે: તમે સવારે તુર્કસ્ટાટમાંથી ફુગાવાના ડેટાનું અર્થઘટન કરો છો, બપોરે વિકાસ એજન્સી માટે પોલિસી નોટ લખો છો, સમય શ્રેણી સાફ કરો છો અને સાંજે આગાહી કરવાનો પ્રયાસ કરો છો. આમાંનું મોટાભાગનું કામ યાંત્રિક છે, માનસિક નથી: ડેટા ડાઉનલોડ કરવું, એકમોનું રૂપાંતર કરવું, કોષ્ટકોનું સંપાદન કરવું, લાંબા અહેવાલોનો સારાંશ આપવો, કોડ લખવો. આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI — મોટા ભાષાના મોડલ અને સહાયક સાધનો) બરાબર આ યાંત્રિક બોજને ઓછો કરે છે. પરંતુ ચાલો એક વાક્યથી શરૂઆત કરીએ જે આપણે આ મોડ્યુલ દરમિયાન પુનરાવર્તન કરીશું: આર્ટિફિશિયલ ઇન્ટેલિજન્સ એ અર્થશાસ્ત્રીનો સહાયક છે, નિષ્ણાત નથી જે તેને બદલે છે. ફુગાવાની આગાહી, નાણાકીય નીતિની દરખાસ્ત અથવા સાર્વજનિક રીતે ઉપલબ્ધ આંકડાની જવાબદારી હંમેશા તે વ્યક્તિ અને સંસ્થાની હોય છે જેણે તેના પર હસ્તાક્ષર કર્યા હોય.

આ એકમને "યુઝર મેન્યુઅલ" ની જેમ વિચારો: અહીં આપણે એઆઈ ક્યાં મૂકવું, ક્યાં ક્યારેય મૂકવું નહીં અને દરેક આઉટપુટને કેવી રીતે માન્ય કરવું તે જણાવીશું. અન્ય દસ એકમો આ હાડપિંજર પર માંસ મૂકશે.

આર્ટિફિશિયલ ઇન્ટેલિજન્સ અર્થશાસ્ત્રમાં શું વેગ આપે છે અને તે શું વેગ આપતું નથી?

ચાલો જોખમ સ્તર અનુસાર કાર્યોને ત્રણ બોક્સમાં વિભાજીત કરીએ. આ ભેદ એ સમગ્ર મોડ્યુલનો હોકાયંત્ર છે.

લીલો બોક્સ — AI શક્તિશાળી છે, ઝડપ ઉમેરે છે (હજુ સમીક્ષા થયેલ છે). ડેટા ડાઉનલોડ કોડ લખવો, ડેટાને શુદ્ધ કરવાનાં પગલાં સૂચવવા, લાંબા અહેવાલ અથવા લેખનો સારાંશ આપવો, ચાર્ટ માટે કોડ જનરેટ કરવો, ટેક્સ્ટને સરળ બનાવવું અને ફોર્મેટ કરવું, શરતો, અનુવાદ, ડ્રાફ્ટ પોલિસી નોટનું હાડપિંજર સમજાવવું. અહીં ભૂલની કિંમત ઓછી છે અને ભૂલો સરળતાથી જોવા મળે છે.

યલો બોક્સ - AI મદદ કરે છે પરંતુ માનવી તેની ચકાસણી કરે છે. સમય શ્રેણીનું મોડેલ બનાવવું, રીગ્રેસન અર્થઘટન, દૃશ્ય ગણતરી, સૂચક અર્થઘટન, સાહિત્ય સંશ્લેષણ. અહીં AI બ્લુપ્રિન્ટ બનાવે છે; પરંતુ સંખ્યાઓ, ધારણાઓ અને આર્થિક તર્ક એક લાઇન દ્વારા તપાસ્યા વિના ક્યાંય જતા નથી.

લાલ બૉક્સ - જવાબદારી માણસની છે, AI નક્કી કરી શકતું નથી. સત્તાવાર ફુગાવાના/વૃદ્ધિના આંકડાની અંતિમ મંજૂરી, નાણાકીય અથવા રાજકોષીય નીતિ દરખાસ્તની માલિકી, સાર્વજનિક થવાની આગાહી પર હસ્તાક્ષર, એક અભિપ્રાય જે રોકાણ/ક્રેડિટ નિર્ણયમાં ફેરવાય છે. અહીં AI માત્ર ઇનપુટ ઉત્પન્ન કરે છે; ચુકાદો, જવાબદારી અને સહી વ્યક્તિની છે.

ટીપ: જો તમને ખાતરી ન હોય કે કાર્યને કયા બોક્સમાં મૂકવું, તો આ પ્રશ્ન પૂછો: "જો આ આઉટપુટ ખોટું નીકળે તો કોને નુકસાન થાય છે, અને શું ભૂલ સરળતાથી ધ્યાનમાં આવશે?" જો નુકસાન મહાન છે અને ભૂલ છુપાયેલી છે, તો તે કાર્ય લાલની નજીક છે.

કૃત્રિમ બુદ્ધિની ત્રણ મૂળભૂત મર્યાદાઓ

અર્થશાસ્ત્રમાં તેનો સુરક્ષિત ઉપયોગ કરવા માટે, સૌ પ્રથમ તે જાણવું જોઈએ કે તે ક્યાં ઠોકર ખાય છે.

1) ફેબ્રિકેશન (આભાસ). મોટા ભાષાનું મોડેલ કેટલીકવાર એવી સંખ્યા અથવા સ્ત્રોત બનાવે છે જે તે જાણતું નથી, આત્મવિશ્વાસપૂર્ણ ભાષામાં. "2023 ચાલુ ખાતાની ખાધ $45.2 બિલિયન હતી" એ વાક્ય સાચું લાગે છે પણ સાવ ખોટું હોઈ શકે છે. અર્થશાસ્ત્રમાં, આ જીવલેણ છે: એક ખોટો આંકડો અહેવાલ, આગાહી, નિર્ણયને ઝેર આપે છે.

2) ડેટા કટઓફ તારીખ. મોડેલનો તાલીમ ડેટા ચોક્કસ તારીખે અટકે છે. નવીનતમ ફુગાવો, વ્યાજ દરનો નવીનતમ નિર્ણય અને ગઈકાલના વિનિમય દરને આ માહિતીમાંથી બાકાત રાખવામાં આવી શકે છે. AI ખરેખર તમને "નવીનતમ ડેટા" તરીકે ઘણા મહિનાઓ કે વર્ષો જૂનો નંબર આપી શકે છે.

3) કારણભૂત અંધત્વ અને સંદર્ભનો અભાવ. AI ભાષામાં પેટર્ન મેળવે છે; આર્થિક કાર્યકારણને "સમજતું" નથી. તે "જ્યારે વ્યાજ દરો વધે છે, ફુગાવો ઘટે છે" જેવા વાક્યો અસ્ખલિત રીતે કરે છે, પરંતુ તે કઈ પરિસ્થિતિમાં માન્ય છે અથવા કયા દેશમાં તેનાથી વિપરીત સ્થિતિ કયા સમયગાળામાં થઈ છે તેનું મૂલ્યાંકન કરી શકતા નથી. તે માળખાકીય વિરામ (કટોકટી સાથે પેટર્નમાં ફેરફાર) જોઈ શકતું નથી.

ધ્યાન: વાક્ય અસ્ખલિત અને આત્મવિશ્વાસપૂર્ણ હોવાનો અર્થ એ નથી કે તે સાચું છે. આર્ટિફિશિયલ ઇન્ટેલિજન્સ તેની સૌથી વધુ ખાતરીપૂર્વકની સૌથી ખોટી હોઈ શકે છે.

ચકાસણી શિસ્ત: સ્ત્રોત–એકાઉન્ટ–ફિલ્ટર

આ મોડ્યુલનું હૃદય એક આદત છે. દરેક AI આઉટપુટને ત્રણ પગલાઓ દ્વારા લો:

1. સ્ત્રોત. દરેક સંખ્યા અને વાસ્તવિક દાવા મૂળ સ્ત્રોત સાથે જોડાયેલા છે. તુર્કસ્ટાટથી ફુગાવો, વિનિમય દર અને CBRT તરફથી ચૂકવણીનું સંતુલન, IMF તરફથી વૈશ્વિક અંદાજ. તમે અધિકૃત પ્રકાશનનો સંદર્ભ આપો છો, AI દ્વારા આપવામાં આવેલ આંકડાનો નહીં.
2. બિલ. તમે મેન્યુઅલી દરેક મેળવેલી સંખ્યાની ઓછામાં ઓછી એક વાર પુનઃગણતરી કરો. શું વૃદ્ધિ દર, વાસ્તવિક મૂલ્ય અને સૂચકાંક સાચા સૂત્રથી લેવામાં આવ્યા છે? કાગળ પરનો સમયગાળો તપાસો.
3. ચાળવું. તમે આર્થિક સામાન્ય સમજ દ્વારા પરિણામ પાસ કરો છો: શું આ કદ વાજબી છે? શું નિશાની સાચી છે? ઐતિહાસિક શ્રેણીમાં? શું કોઈ વિરોધાભાસ છે? ગેરવાજબી પરિણામ ઘણીવાર ભૂલનો સંકેત હોય છે.

ત્રણ નાના કેસો

કેસ 1 - નકલી આકૃતિને પકડવી. ડેવલપમેન્ટ એજન્સીના વિશ્લેષકે YZ ને કહ્યું કે "પ્રાંતીય ધોરણે 2023 નિકાસના આંકડાઓનું ટેબલ બનાવો." AI એ યોગ્ય ચિત્ર આપ્યું. સોર્સ સ્ટેપમાં, વિશ્લેષકે TUIK વિદેશી વેપારના આંકડા જોયા અને જોયું કે ત્રણ પ્રાંતોના આંકડા વાસ્તવિક ડેટા કરતા બમણા હતા; AI એ ખૂટતી માહિતી "વાજબી દેખાતા" નંબરો સાથે ભરી હતી. વિશ્લેષકે ટેબલ ફેંકી દીધું અને સીધા તુર્કસ્ટાટમાંથી ડેટા ખેંચી લીધો. બનાવટી આંકડો રિપોર્ટમાં સામેલ થાય તે પહેલા જ પકડાઈ ગયો હતો.

કેસ 2 — જૂનો ડેટા ટ્રેપ. એક આર્થિક પત્રકારે YZ ને પૂછ્યું, "વર્તમાન નીતિ દર શું છે?" તેણે પૂછ્યું; જે જવાબ મળ્યો તે આઠ મહિના પહેલાનો દર હતો. ACCOUNT/SOURCE ની આદત ધરાવતા પત્રકારે CBRTના છેલ્લા MPK (મોનેટરી પોલિસી કમિટી)ના નિર્ણયને જોયો અને સાચા દરનો ઉપયોગ કર્યો. જો તેણે પૂછ્યું ન હોત, તો ખોટો રસ પ્રકાશનમાં ગયો હોત.

કેસ 3 — આર્થિક ફિલ્ટર. એક વિદ્યાર્થી-સંશોધક પાસે AIની વાસ્તવિક વેતન શ્રેણીની ગણતરી હતી. પરિણામ જણાવે છે કે એક વર્ષમાં વાસ્તવિક વેતનમાં 140 ટકાનો વધારો થયો છે. FILTER પગલું અમલમાં આવ્યું: આ કદ અવાસ્તવિક હતું. કોડમાં, AI એ ખોટા આધાર સાથે ડિફ્લેટર (કિંમત સુધારાત્મક સૂચકાંક) નો ઉપયોગ કર્યો હતો. ભૂલ મળી, સૂત્ર સુધારાઈ ગયું અને પરિણામ વાજબી શ્રેણીમાં આવ્યું.

ચાર નકલ કરી શકાય તેવા નમૂનાઓ

1) સિસ્ટમ પ્રોમ્પ્ટ ભૂમિકાઓ અને સીમાઓ વ્યાખ્યાયિત કરે છે:

તમારી ભૂમિકા: વરિષ્ઠ અર્થશાસ્ત્રી માટે સહાયક વિશ્લેષણ સહાયક. નિયમો: (1) હું તમને ન આપું તે કોઈપણ નંબર બનાવશો નહીં. જો તમને ખબર ન હોય, તો "તમારે આ ડેટા ચકાસવાની જરૂર છે" કહો. (2) તમે પ્રદાન કરો છો તે દરેક નંબર માટે તે કયા અધિકૃત સ્ત્રોત (TURKSTAT/CBRT/IMF, વગેરે)માંથી પુષ્ટિ થયેલ હોવું જોઈએ તે સ્પષ્ટ કરો. (3) કાર્યકારણનો દાવો કરતી વખતે સ્થિતિ અને અનિશ્ચિતતા સ્પષ્ટપણે જણાવો. જો તમે સમજો છો, તો એક વાક્યમાં પુષ્ટિ કરો.

2) સ્ત્રોત-પુષ્ટિ વિનંતી:

નીચેના દાવાનું વિશ્લેષણ કરો: "[દાવો]". આની ચકાસણી કરવા માટે મારે કયા સત્તાવાર/પ્રાથમિક સ્ત્રોત (સંસ્થા, પ્રકાશનનું નામ, શ્રેણી) જોવું જોઈએ તેની સૂચિ બનાવો. દાવાની દરેક સંખ્યા કઈ વ્યાખ્યા અને અવધિનો છે તે ઓળખો. તમારી પોતાની મેમરીમાંથી નંબરો ન આપો.

3) આઉટપુટ ફિલ્ટર કરવા માટે પ્રોમ્પ્ટ:

આર્થિક સુસંગતતા માટે નીચેના વિશ્લેષણ પરિણામને તપાસો: શું ચિહ્નનો અર્થ થાય છે, શું ઐતિહાસિક શ્રેણીમાં તીવ્રતા છે, શું એકમો સુસંગત છે, શું કોઈ છુપાયેલ ધારણા છે? તમને જે કંઈપણ શંકાસ્પદ લાગે તેને "ચકાસણી કરો" ટેગ વડે ચિહ્નિત કરો.

4) કાર્ય જોખમ વર્ગીકરણ વિનંતી:

હું નીચેનું કાર્ય કરીશ: "[શોધ]". તેને લીલા (મિકેનિકલ, ઓછું જોખમ), પીળો (ડ્રાફ્ટ, માનવ ચકાસે છે) અથવા લાલ (નિર્ણય/જવાબદારી માનવ) તરીકે વર્ગીકૃત કરો અને એક વાક્યમાં શા માટે સમજાવો.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

તુર્કીના અર્થતંત્ર વિશે વિશ્લેષણ લખો.

સંદર્ભહીન અને અમર્યાદિત; AI એક સામાન્ય, અનસોર્સ્ડ, અચકાસણીય ટેક્સ્ટ બનાવે છે.

શક્તિશાળી પ્રોમ્પ્ટ:

તમારી ભૂમિકા: વિશ્લેષણ સહાયક. મારી પાસે TURKSTAT (નીચે) તરફથી 2019-2024 વાર્ષિક CPI અને GDP વૃદ્ધિ ડેટા છે. આ ડેટાના આધારે 3-ફકરા ડ્રાફ્ટ ટિપ્પણી લખો; મેં તમને આપેલા ટેબલમાંથી દરેક નંબર લો, બહારથી નંબરો ઉમેરશો નહીં; જ્યાં તમે અસ્પષ્ટ હો, ત્યાં "ચકાસાયેલ હોવું આવશ્યક છે" લખો. અંતે સૂચિબદ્ધ કરો કે મારે કયા મુદ્દાઓ જાતે તપાસવાની જરૂર છે.[કોષ્ટક]

આ પ્રોમ્પ્ટ ભૂમિકા, સંસાધન, અવરોધ, અને ચકાસણી અપેક્ષાઓ એકસાથે આપે છે; આઉટપુટ ઓડિટેબલ બને છે.

સામાન્ય ભૂલો

• AI દ્વારા આપવામાં આવેલ નંબરને સ્ત્રોત તરીકે ગણવું. AI એ સંસાધન નથી; ટર્કસ્ટેટ/સીબીઆરટી/આઈએમએફ સ્ત્રોત છે.
• ચોકસાઈ માટે ભૂલથી પ્રવાહિતા. સારી રીતે લખાયેલ વાક્ય ખોટું હોઈ શકે છે.
• કાર્ય બૉક્સને બાયપાસ કરીને. લાલ બૉક્સનું કામ લીલા જેટલું ઝડપથી પાસ કરવું એ સૌથી મોંઘી ભૂલ છે.
• ડેટા કટઓફ તારીખ ભૂલી જવું. "વર્તમાન" માટે પૂછવું અને જૂનો નંબર મેળવો.
• આડેધડ રીતે ગોપનીય/માર્કેટ-સંવેદનશીલ ડેટાને સાધનમાં ચોંટાડવો. ગોપનીયતાનું ઉલ્લંઘન જે આપણે આગામી એકમમાં જોઈશું.
• મેન્યુઅલ ગણતરી પગલું અવગણો. વ્યુત્પન્ન નંબરની બિલકુલ તપાસ કર્યા વિના તેનો ઉપયોગ કરવો.

સારાંશમાં

કૃત્રિમ બુદ્ધિ એ એક શક્તિશાળી સહાયક છે જે અર્થશાસ્ત્રીના યાંત્રિક બોજને નોંધપાત્ર રીતે ઘટાડે છે; પરંતુ આગાહી, નીતિ અને સત્તાવાર આંકડાઓની જવાબદારી માણસની રહે છે. કાર્યોને લીલા-પીળા-લાલ બૉક્સમાં સૉર્ટ કરો, AI ની ત્રણ મૂળભૂત મર્યાદાઓ (ફેબ્રિકેશન, ડેટા કટઑફ તારીખ, કાર્યકારણ અંધત્વ) ને ધ્યાનમાં રાખો અને દરેક આઉટપુટને SOURCE-ACCOUNT-Filter શિસ્ત દ્વારા પસાર કરો. આ ત્રણ પગલાં બાકીના મોડ્યુલ માટે સલામતી પટ્ટો છે.

એપ્લિકેશન કાર્ય

તમારી પોતાની નોકરીમાંથી એક વાસ્તવિક અઠવાડિયું પસંદ કરો અને તે અઠવાડિયે તમે કરેલા 10 આર્થિક કાર્યોની સૂચિ બનાવો (દા.ત. "ફૂગાવાના ડેટાનું અર્થઘટન કરો", "પ્રાંતીય નિકાસ કોષ્ટક તૈયાર કરો", "એક અહેવાલ સારાંશ બનાવો"). દરેક કાર્યને લીલા/પીળા/લાલ તરીકે વર્ગીકૃત કરો. પછી લીલા બૉક્સમાં એક કાર્ય પસંદ કરો અને ઉપરના નમૂના 1 અને 3નો ઉપયોગ કરીને AI ને તે કરવા માટે કહો અને SOURCE–ACCOUNT–FIlter વડે આઉટપુટનું નિરીક્ષણ કરો અને તમને મળેલી ઓછામાં ઓછી એક ભૂલ નોંધો.

ચેકલિસ્ટ

• [ ] મેં કાર્યને લીલા/પીળા/લાલ બૉક્સમાં યોગ્ય રીતે મૂક્યું છે.
• [ ] મેં મુખ્ય સત્તાવાર સ્ત્રોતમાંથી આર્ટિફિશિયલ ઇન્ટેલિજન્સ દ્વારા આપવામાં આવેલા દરેક નંબરની પુષ્ટિ કરી છે.
• [ ] મેં હાથ વડે ઓછામાં ઓછી એક મેળવેલી સંખ્યાની પુનઃ ગણતરી કરી.
• [ ] મેં પરિણામને આર્થિક સામાન્ય જ્ઞાન (ચિહ્ન, તીવ્રતા, એકમ) દ્વારા ફિલ્ટર કર્યું.
• [ ] મેં ડેટા કટઓફ તારીખ અને તાજેતરનું જોખમ તપાસ્યું.
• [ ] મેં ગોપનીય/સંવેદનશીલ ડેટાનો ઉપયોગ કર્યો નથી અથવા સુરક્ષિત/મંજૂર સાધનોનો ઉપયોગ કર્યો નથી.
• [ ] મેં આઉટપુટની માલિકીનો દાવો કર્યો છે, મારી પાસે અંતિમ ચુકાદો અને સહી છે.