अर्थशास्त्रातील कृत्रिम बुद्धिमत्तेचा परिचय: भूमिका, सीमा, प्रमाणीकरण आणि डेटा नीतिशास्त्र

नफा:

• आर्थिक विश्लेषणामध्ये (डेटा संकलन, मसुदा, कोड, सारांश) कुठे कृत्रिम बुद्धिमत्ता वास्तविक वेळेची बचत करते आणि कोठे (अंदाज जबाबदारी, धोरण निर्णय, अधिकृत आकृती) कार्य जोखीम पातळीनुसार निर्णय सक्षम अर्थतज्ञांवर सोपविला जातो हे वेगळे करण्यास सक्षम असणे
• एक शिस्त लागू करण्याची क्षमता जी प्रत्येक कृत्रिम बुद्धिमत्ता आउटपुटला मूळ स्त्रोताशी (TURKSTAT/EVDS/IMF) जोडण्याच्या चरणांद्वारे सत्यापित करते, त्याची पुनर्गणना करून आणि आर्थिक सामान्य ज्ञानाच्या फिल्टरमधून पास करते.
• बनावट क्रमांक (भ्रम), जुन्या डेटा कट-ऑफ तारखा आणि गोपनीय डेटा लीकेजचे धोके ओळखण्याची क्षमता आणि सुरक्षित साधने आणि संसाधने निवडण्याची सवय लावणे.

अर्थशास्त्रज्ञांचे डेस्क हे प्रत्यक्षात डेटा आणि मजकूर फॅक्टरी आहे: तुम्ही सकाळी तुर्कस्टॅटमधील महागाई डेटाचा अर्थ लावता, दुपारी विकास एजन्सीसाठी पॉलिसी नोट लिहा, वेळ मालिका साफ करा आणि संध्याकाळी अंदाज लावण्याचा प्रयत्न करा. यातील बरेचसे काम यांत्रिक आहे, मानसिक नाही: डेटा डाउनलोड करणे, युनिट्स रूपांतरित करणे, तक्ते संपादित करणे, दीर्घ अहवाल सारांशित करणे, कोड लिहिणे. आर्टिफिशियल इंटेलिजन्स (एआय - मोठ्या भाषेचे मॉडेल आणि सहायक साधने) हे यांत्रिक ओझे कमी करते. परंतु आपण या मॉड्यूलमध्ये पुनरावृत्ती करू या वाक्याने सुरुवात करूया: कृत्रिम बुद्धिमत्ता हा अर्थशास्त्रज्ञाचा सहाय्यक आहे, त्याची जागा घेणारा तज्ञ नाही. चलनवाढीचा अंदाज, चलनविषयक धोरणाचा प्रस्ताव किंवा सार्वजनिकरीत्या उपलब्ध असलेल्या आकृतीची जबाबदारी नेहमी त्यावर स्वाक्षरी करणाऱ्या व्यक्ती आणि संस्थेवर असते.

या युनिटचा “वापरकर्ता मॅन्युअल” सारखा विचार करा: येथे आम्ही AI कुठे ठेवायचे, कुठे ठेवू नये आणि प्रत्येक आउटपुट कसे प्रमाणित करायचे ते सांगू. इतर दहा युनिट्स या सांगाड्यावर मांस टाकतील.

अर्थशास्त्रात कृत्रिम बुद्धिमत्ता काय गतिमान करते आणि काय गती देत ​​नाही?

जोखीम पातळीनुसार कार्ये तीन बॉक्समध्ये विभागू. हा फरक संपूर्ण मॉड्यूलचा होकायंत्र आहे.

हिरवा बॉक्स — AI शक्तिशाली आहे, गती जोडते (अद्याप पुनरावलोकन केले आहे). डेटा डाउनलोड कोड लिहिणे, डेटा शुद्ध करण्यासाठी पायऱ्या सुचवणे, दीर्घ अहवाल किंवा लेखाचा सारांश देणे, चार्टसाठी कोड तयार करणे, मजकूर सुलभ करणे आणि स्वरूपित करणे, अटी स्पष्ट करणे, भाषांतर, मसुदा धोरण नोट स्केलेटन. येथे त्रुटीची किंमत कमी आहे आणि त्रुटी सहजपणे दिसतात.

पिवळा बॉक्स - एआय मदत करते परंतु मानव सत्यापित करते. वेळ मालिका मॉडेल तयार करणे, प्रतिगमन व्याख्या, परिदृश्य गणना, सूचक व्याख्या, साहित्य संश्लेषण. येथे एआय ब्लूप्रिंट तयार करते; परंतु संख्या, गृहितके आणि आर्थिक तर्क हे ओळीने तपासल्याशिवाय कुठेही जात नाहीत.

लाल बॉक्स - जबाबदारी माणसाची आहे, AI ठरवू शकत नाही. अधिकृत चलनवाढ/वाढीचा आकडा, मौद्रिक किंवा वित्तीय धोरण प्रस्तावाची मालकी, सार्वजनिक केल्या जाणाऱ्या अंदाजावर स्वाक्षरी, गुंतवणूक/क्रेडिट निर्णयात बदलणारे मत. येथे AI फक्त इनपुट तयार करते; निर्णय, जबाबदारी आणि स्वाक्षरी व्यक्तीची आहे.

टीप: तुम्हाला कोणत्या बॉक्समध्ये टास्क टाकायचे याची खात्री नसल्यास, हा प्रश्न विचारा: "हे आउटपुट चुकीचे ठरले तर कोणाला दुखापत होईल आणि त्रुटी सहज लक्षात येईल का?" जर नुकसान मोठे असेल आणि त्रुटी लपलेली असेल, तर ते कार्य लाल रंगाच्या जवळ आहे.

कृत्रिम बुद्धिमत्तेच्या तीन मूलभूत मर्यादा

अर्थशास्त्रात त्याचा सुरक्षितपणे वापर करायचा असेल तर तो कुठे अडखळतो हे आधी कळले पाहिजे.

1) फॅब्रिकेशन (भ्रम). मोठ्या भाषेचे मॉडेल कधीकधी आत्मविश्वासपूर्ण भाषेत एक संख्या किंवा स्त्रोत बनवते जे त्याला माहित नसते. "2023 चालू खात्यातील तूट $45.2 अब्ज होती" हे वाक्य खरे वाटते पण ते पूर्णपणे चुकीचे असू शकते. अर्थशास्त्रात, हे प्राणघातक आहे: चुकीची आकडेवारी अहवाल, अंदाज, निर्णयाला विष देते.

2) डेटा कटऑफ तारीख. मॉडेलचा प्रशिक्षण डेटा एका विशिष्ट तारखेला थांबतो. नवीनतम महागाई, नवीनतम व्याजदर निर्णय आणि कालचा विनिमय दर या माहितीमधून वगळला जाऊ शकतो. एआय तुम्हाला "नवीनतम डेटा" म्हणून काही महिने किंवा वर्षे जुना नंबर देऊ शकते.

3) कारण अंधत्व आणि संदर्भाचा अभाव. एआय भाषेतील नमुने कॅप्चर करते; आर्थिक कार्यकारणभाव "समजत" नाही. "जेव्हा व्याजदर वाढतात, महागाई कमी होते" अशी वाक्ये तो अस्खलितपणे करतो, परंतु ते कोणत्या परिस्थितीत वैध आहेत किंवा कोणत्या देशात याच्या विरुद्ध कोणत्या काळात घडले याचे मूल्यमापन तो करू शकत नाही. हे स्ट्रक्चरल ब्रेक (संकटासह पॅटर्नमध्ये बदल) पाहू शकत नाही.

लक्ष द्या: एखादे वाक्य अस्खलित आणि आत्मविश्वासपूर्ण आहे याचा अर्थ ते बरोबर आहे असे नाही. आर्टिफिशियल इंटेलिजेंस हे सर्वात पटण्याजोगे सर्वात चुकीचे असू शकते.

पडताळणी शिस्त: SOURCE–खाते–फिल्टर

या मॉड्यूलचे हृदय एकच सवय आहे. प्रत्येक AI आउटपुट तीन चरणांमधून घ्या:

1. स्रोत. प्रत्येक संख्या आणि तथ्यात्मक दावा मूळ स्त्रोताशी जोडलेला आहे. तुर्कस्टॅटकडून चलनवाढ, CBRT कडून विनिमय दर आणि पेमेंट शिल्लक, IMF कडून जागतिक अंदाज. तुम्ही अधिकृत प्रकाशनाचा संदर्भ देता, AI ने दिलेल्या आकृतीचा नाही.
2. बिल. तुम्ही मॅन्युअली प्रत्येक व्युत्पन्न संख्या किमान एकदा पुन्हा मोजता. विकास दर, वास्तविक मूल्य आणि निर्देशांक योग्य सूत्राने काढले आहेत का? कागदावरील कालावधी पहा.
3. चाळणी. तुम्ही आर्थिक सामान्य ज्ञानातून निकाल पास करता: हा आकार वाजवी आहे का? चिन्ह बरोबर आहे का? ऐतिहासिक श्रेणीत? काही विरोधाभास आहे का? अवास्तव परिणाम हा अनेकदा त्रुटीचा संकेत असतो.

तीन लहान प्रकरणे

केस 1 - बनावट आकृती कॅप्चर करणे. एका डेव्हलपमेंट एजन्सीच्या विश्लेषकाने YZ ला "प्रादेशिक आधारावर 2023 च्या निर्यात आकड्यांचे टेबल बनवा." एआयने एक सभ्य चित्र दिले. SOURCE स्टेपमध्ये, विश्लेषकाने TUIK विदेशी व्यापार आकडेवारी पाहिली आणि पाहिले की तीन प्रांतांचे आकडे वास्तविक डेटाच्या दुप्पट आहेत; AI ने हरवलेली माहिती “वाजवी दिसणाऱ्या” क्रमांकांनी भरली होती. विश्लेषकाने टेबल फेकून दिले आणि थेट तुर्कस्टॅटमधून डेटा खेचला. हा बनावट आकडा अहवालात समाविष्ट करण्यापूर्वीच पकडला गेला.

केस 2 - कालबाह्य डेटा ट्रॅप. एका आर्थिक पत्रकाराने YZ ला विचारले, "सध्याचे धोरण दर काय आहे?" त्याने विचारले; त्याला आठ महिन्यांपूर्वीचे दर असे उत्तर मिळाले. ACCOUNT/SOURCE ची सवय असलेल्या पत्रकाराने CBRT चा शेवटचा MPK (मॉनेटरी पॉलिसी कमिटी) निर्णय पाहिला आणि योग्य दर वापरला. त्याने विचारले नसते तर चुकीचे व्याज प्रकाशनाकडे गेले असते.

केस 3 - आर्थिक फिल्टर. एका विद्यार्थी-संशोधकाकडे AI ने खरी वेतन मालिका मोजली होती. एका वर्षात वास्तविक वेतन 140 टक्क्यांनी वाढल्याचे निकालात म्हटले आहे. FILTER पायरी कार्यात आली: हा आकार अवास्तव होता. कोडमध्ये, एआयने चुकीच्या आधारासह डिफ्लेटर (किंमत सुधारात्मक निर्देशांक) वापरला होता. त्रुटी आढळली, सूत्र दुरुस्त केले गेले आणि परिणाम वाजवी श्रेणीत आला.

चार कॉपी करण्यायोग्य टेम्पलेट्स

1) प्रणाली प्रॉम्प्ट भूमिका आणि सीमा परिभाषित करते:

तुमची भूमिका: वरिष्ठ अर्थशास्त्रज्ञांना सहाय्यक विश्लेषण सहाय्यक. नियम: (1) मी तुम्हाला देत नाही अशा कोणत्याही संख्येची रचना करू नका. तुम्हाला माहित नसल्यास, "तुम्हाला हा डेटा सत्यापित करणे आवश्यक आहे" असे म्हणा. (2) तुम्ही प्रदान करता त्या प्रत्येक क्रमांकासाठी ते कोणत्या अधिकृत स्त्रोताकडून (TURKSTAT/CBRT/IMF, इ.) निश्चित केले जावे ते निर्दिष्ट करा. (३) कार्यकारणभाव दावा करताना स्थिती आणि अनिश्चितता स्पष्टपणे सांगा. समजले तर एका वाक्यात पुष्टी करा.

२) स्रोत-पुष्टीकरण विनंती:

खालील दाव्याचे विश्लेषण करा: "[दावा]". याची पडताळणी करण्यासाठी मी कोणते अधिकृत/प्राथमिक स्त्रोत (संस्था, प्रकाशन नाव, मालिका) पहावे याची यादी करा. दाव्यातील प्रत्येक संख्या कोणत्या व्याख्या आणि कालावधीशी संबंधित आहे ते ओळखा. स्वतःच्या स्मरणातून नंबर देऊ नका.

3) आउटपुट फिल्टर करण्यासाठी प्रॉम्प्ट:

आर्थिक सुसंगततेसाठी खालील विश्लेषण परिणाम तपासा: चिन्हाचा अर्थ आहे का, ऐतिहासिक श्रेणीतील विशालता आहे का, युनिट्स सुसंगत आहेत का, एक लपलेली गृहितक आहे का? तुम्हाला संशयास्पद वाटणारी कोणतीही गोष्ट "सत्यापित करा" टॅगसह चिन्हांकित करा.

4) कार्य जोखीम वर्गीकरण विनंती:

मी खालील कार्य करेन: "[शोध]". हिरवे (यांत्रिक, कमी जोखीम), पिवळे (मसुदा, मानवी पडताळणी) किंवा लाल (निर्णय/जबाबदारी मानवी) असे वर्गीकरण करा आणि एका वाक्यात याचे कारण स्पष्ट करा.

कमकुवत प्रॉम्प्ट / मजबूत प्रॉम्प्ट

कमकुवत प्रॉम्प्ट:

तुर्की अर्थव्यवस्थेचे विश्लेषण लिहा.

संदर्भहीन आणि अमर्यादित; AI एक सामान्य, अनसोर्स केलेला, पडताळणी न करता येणारा मजकूर तयार करते.

शक्तिशाली सूचना:

तुमची भूमिका: विश्लेषण सहाय्यक. माझ्याकडे TURKSTAT (खाली) कडून 2019-2024 वार्षिक CPI आणि GDP वाढ डेटा आहे. या डेटावर आधारित 3-परिच्छेद मसुदा टिप्पणी लिहा; मी तुम्हाला दिलेल्या टेबलमधून प्रत्येक क्रमांक घ्या, बाहेरून संख्या जोडू नका; जिथे तुम्ही अस्पष्ट असाल तिथे "सत्यापित करणे आवश्यक आहे" असे लिहा. शेवटी मला कोणते गुण स्वहस्ते तपासायचे आहेत ते सूचीबद्ध करा.[सारणी]

हे प्रॉम्प्ट भूमिका, संसाधन, मर्यादा आणि सत्यापन अपेक्षा एकत्र देते; आउटपुट ऑडिट करण्यायोग्य बनते.

सामान्य चुका

• एआयने दिलेल्या क्रमांकावर स्रोत म्हणून उपचार करणे. AI एक संसाधन नाही; तुर्कस्टॅट/सीबीआरटी/आयएमएफ हे स्त्रोत आहे.
• अचूकतेसाठी चुकीचा प्रवाह. चांगले लिहिलेले वाक्य चुकीचे असू शकते.
• टास्क बॉक्स बायपास करणे. लाल बॉक्स जॉब हिरवा म्हणून पटकन पास करणे ही सर्वात महाग चूक आहे.
• डेटा कटऑफ तारीख विसरणे. "चालू" विचारणे आणि जुना नंबर मिळवणे.
• गोपनीय/बाजार-संवेदनशील डेटा टूलमध्ये अंदाधुंदपणे चिकटविणे. गोपनीयतेचे उल्लंघन जे आम्ही पुढील युनिटमध्ये पाहू.
• मॅन्युअल गणना चरण वगळा. व्युत्पन्न क्रमांक अजिबात न तपासता वापरणे.

सारांशात

कृत्रिम बुद्धिमत्ता हा एक शक्तिशाली सहाय्यक आहे जो अर्थशास्त्रज्ञाचा यांत्रिक भार लक्षणीयपणे कमी करतो; पण अंदाज, धोरण आणि अधिकृत आकडेवारीची जबाबदारी माणसावरच राहते. हिरव्या-पिवळ्या-लाल बॉक्समध्ये कार्यांची क्रमवारी लावा, AI च्या तीन मूलभूत मर्यादा लक्षात ठेवा (फॅब्रिकेशन, डेटा कटऑफ तारीख, कार्यकारणभाव अंधत्व), आणि प्रत्येक आउटपुट स्त्रोत-खाते-फिल्टर शिस्तीद्वारे पास करा. हे तीन टप्पे उर्वरित मॉड्यूलसाठी सुरक्षा बेल्ट आहेत.

अर्ज कार्य

तुमच्या स्वतःच्या नोकरीतून एक वास्तविक आठवडा निवडा आणि त्या आठवड्यात तुम्ही केलेल्या 10 आर्थिक कार्यांची यादी करा (उदा. "महागाई डेटाचा अर्थ लावा", "प्रांतीय निर्यात सारणी तयार करा", "अहवाल सारांश तयार करा"). प्रत्येक कार्याचे हिरवे/पिवळे/लाल असे वर्गीकरण करा. नंतर हिरव्या बॉक्समध्ये एखादे कार्य निवडा आणि वरील टेम्प्लेट 1 आणि 3 वापरून AI ला ते करायला सांगा आणि SOURCE–ACCOUNT–filter सह आउटपुटची तपासणी करा आणि तुम्हाला आढळलेली किमान एक त्रुटी लक्षात ठेवा.

चेकलिस्ट

• [ ] मी कार्य योग्यरित्या हिरव्या/पिवळ्या/लाल बॉक्समध्ये ठेवले आहे.
• [] मी मुख्य अधिकृत स्त्रोताकडून कृत्रिम बुद्धिमत्तेद्वारे दिलेल्या प्रत्येक क्रमांकाची पुष्टी केली.
• [ ] मी हाताने किमान एक साधित संख्या पुन्हा मोजली.
• मी आर्थिक सामान्य ज्ञान (चिन्ह, परिमाण, एकक) द्वारे निकाल फिल्टर केला.
• [ ] मी डेटा कटऑफ तारीख आणि नवीनपणाचा धोका तपासला.
• मी गोपनीय/संवेदनशील डेटा वापरला नाही किंवा सुरक्षित/मंजूर साधने वापरली नाहीत.
• [ ] माझ्याकडे अंतिम निर्णय आणि स्वाक्षरी आहे हे राखून मी आउटपुटच्या मालकीचा दावा केला आहे.