Faida:
- Kuwa na uwezo wa kutofautisha ni wapi katika utiririshaji wa kazi (usafishaji wa data, msimbo, taswira, tafsiri ya rasimu) akili ya bandia huokoa wakati halisi na ambapo maamuzi kama vile uteuzi wa mfano, madai ya sababu na uamuzi wa uchapishaji huachwa kwa mtaalam, kulingana na kiwango cha hatari ya kazi.
- Uwezo wa kutumia taaluma ambayo inathibitisha kila pato la akili bandia (nambari, mgawo, msimbo, maoni) kupitia hatua za kukokotoa upya, kuunganisha kwa chanzo na uchujaji wa takwimu.
- Uwezo wa kuchakata data ndogo kwa usalama na seti za data za siri/ zenye leseni ndani ya mawanda ya KVKK/GDPR na makubaliano ya matumizi ya data na kupata tabia ya kuchagua zana zinazofaa.
Maswali yale yale yanajirudia kila siku kwenye dawati la mwanauchumi au mwanatakwimu anayetumika: Je, seti hii ya data inategemewa; Nini cha kufanya na maadili haya ambayo hayapo? Je, mgawo wa urejeshaji huu unasema nini? Je, uhusiano huu ni wa sababu au ni wa uwiano tu? Kwa sababu thamani hii ya p ni muhimu, je, ninaweza kuiandika katika makala au muhtasari wa sera? Baadhi ya maswali haya yanajirudiarudia, yanachukua msimbo, na yanatumia muda mwingi: kusafisha data, kupanga grafu sawa mara kumi, kutatua msimbo wa R au Python, kuweka matokeo kwenye jedwali. Wengine huamua moja kwa moja uhalali wa matokeo, uaminifu wa chapisho, au usahihi wa uamuzi wa sera.
Akili Bandia (AI kwa ufupi, AI - mifumo ya kompyuta inayoweza kutoa maandishi na msimbo kama binadamu, kutambua ruwaza, kufupisha data na kuandika maoni; aina inayotumika zaidi leo ni miundo mikubwa ya lugha, yaani, mifumo ambayo imefunzwa maandishi makubwa na kujenga sentensi kwa kutabiri neno linalofuata) iko katikati kabisa ya jedwali hili. Inapotumiwa kwa usahihi, inapunguza saa za msimbo wa kusafisha data hadi dakika, inakukumbusha sintaksia ya jaribio changamano la takwimu, au inatayarisha tafsiri ya mgawo. Inapotumiwa vibaya, huwasilisha nambari inayoonekana kuwa ya uhakika lakini iliyotungwa kabisa, umuhimu wa uwongo, au uhusiano usio na sababu kama "kutafuta".
Kitengo hiki cha kwanza sio utangulizi wa programu. Madhumuni yake ni kufafanua mahali pa kuweka AI katika utiririshaji wako wa nguvu na mahali usiweke kamwe. Uchumi ni sehemu ya "mbinu-muhimu" na "muhimu wa uamuzi" kwa njia isiyo ya moja kwa moja: mgawo wa muundo unaounda unaweza kuwa mchango wa uamuzi wa kiwango cha riba cha benki kuu, mabadiliko ya sera ya mdhibiti, au uwekezaji wa kampuni wa dola milioni. Wacha tuweke kanuni ya msingi tangu mwanzo: Akili ya Bandia ni msaidizi wa uchambuzi, sio mtafiti. Wajibu wa na uidhinishaji wa mwisho wa uteuzi wa mfano, mkakati wa kitambulisho, uthibitisho wa sababu, uchapishaji na maamuzi ya sera uko mikononi mwa mtaalam anayefaa.
Tabaka za mtiririko wa kazi wa nguvu na mahali pa AI
Ni muhimu kugawanya utafiti wa majaribio katika tabaka tatu. Safu ya utekelezaji ni kazi ya kiufundi ya kila siku: msimbo wa kusafisha data, kuchora grafu, uundaji wa jedwali, utatuzi wa sintaksia. Safu ya mbinu ni uamuzi wa uchanganuzi: ni mfano gani, mkakati wa kitambulisho, mtihani gani, ukaguzi wa dhana. Safu ya tafsiri na uamuzi ndio maana ya matokeo: kile mgawo unasema, ni sababu, inamaanisha nini kwa sera, inapaswa kuchapishwa. AI inagusa tabaka zote tatu, lakini kwa mamlaka tofauti katika kila moja. Katika safu ya utekelezaji, AI huandika haraka na hutoa msimbo; Katika safu ya tafsiri na uamuzi, pembejeo pekee hutolewa na mtaalam hufanya uamuzi.
Hebu tufafanue maneno machache ya msingi tangu mwanzo. Uchumi ni tawi linalochanganua data ya kiuchumi na kijamii kwa mbinu za takwimu na kupima uhusiano. Regression ni njia ambayo kiidadi huonyesha uhusiano wa kigezo cha matokeo (kigeu tegemezi) na kigezo kimoja au zaidi cha maelezo (vigezo vinavyojitegemea). Mgawo ni nambari inayoonyesha ni vitengo vingapi vya mabadiliko kwa wastani mabadiliko ya kitengo kimoja katika kigezo cha maelezo yanahusishwa na katika kigezo cha matokeo. Thamani ya p ni uwezekano kwamba matokeo yaliyotazamwa (au matokeo mabaya zaidi) yangetokea kwa bahati wakati hakuna athari yoyote. Tutazieleza dhana hizi moja baada ya nyingine katika vitengo vifuatavyo; Kwa sasa, jua hili: Katika haya yote, AI inakupa mwongozo, kanuni, na maelezo, lakini haifanyi maamuzi ya kisayansi.
Jedwali lifuatalo linatoa muhtasari wa jukumu na kiwango cha hatari cha AI kwa misheni:
Jitihada
Jukumu la AI
Kiwango cha hatari
Nani anaidhinisha
Kuandika msimbo wa usafishaji wa data
jenereta ya kanuni
chini
Mchambuzi mwenyewe (na upimaji wa nambari)
Rasimu ya chati/jedwali
jenereta ya mchoro
chini
mchambuzi
Kikumbusho cha sintaksia ya jaribio/mfano
Msaidizi wa kumbukumbu
chini-kati
mchambuzi
Rasimu ya tafsiri ya mgawo
mwandishi wa rasimu
kati
mwanauchumi
Uteuzi wa mkakati wa kielelezo/kitambulisho
pembejeo msaidizi
juu
mtafiti mtaalam
Madai ya sababu
Rasimu tu, kamwe neno la mwisho
juu sana
Ukaguzi wa Kitaalam + na rika
Uamuzi wa uchapishaji/sera
pembejeo pekee
juu sana
Mpelelezi/taasisi inayowajibika
Kumbuka mstari mmoja katika jedwali hili: hatari inapoongezeka, jukumu la AI hupungua na idhini ya wataalam inakua.
Kwa nini "uthibitishaji" ndio kiini cha biashara hii
Mifano ya lugha inaonekana kujiamini katika jibu lao, lakini huenda hawana uhakika. Katika lugha ya kitaalamu, hii inaitwa hallucination: ni uzushi wa mfano wa habari zisizopo katika sentensi fasaha, kana kwamba ni kweli. Kwa mwanauchumi, huu ni mtego mbaya. Mtindo huu unaweza kukupa nambari kamili kama vile "Uwiano kati ya ukosefu wa ajira na mfumuko wa bei nchini Türkiye kati ya 2015-2020 ni 0.62"; Walakini, hajawahi kuona data yako na nambari hii imeundwa kabisa. Au inaweza kusema, "Thamani ya p ya mtihani mweupe ilikuwa 0.03"; ilhali haikufanya majaribio yoyote. Inaweza kuita kazi ya R na hoja ambayo haipo kabisa. Anaimba zote tatu kwa ufasaha sawa; Kitu pekee kinachotenganisha mema na mabaya ni ujuzi wako na tabia yako ya kuthibitisha.
Nidhamu ya uthibitishaji ina hatua tatu:
- Kuhesabu upya / kukimbia katika mazingira yako mwenyewe: Kokotoa kila nambari, uwiano, matokeo ya mtihani na mgawo uliotolewa na AI katika R/Python na data yako mwenyewe, sio kutoka kwa kumbukumbu ya AI. Tumia AI kuandika nambari, sio kukumbuka matokeo. Endesha msimbo, unazalisha pato.
- Unganisha hadi chanzo: Tegemea vitabu vya kiada, makala za mbinu na hati rasmi kwa kanuni za mbinu, fomula na ufafanuzi. Thibitisha kauli ya AI "dhana ya jaribio hili ni" na chanzo cha kuaminika.
- Kichujio cha takwimu: Jaribu kwa macho ya kitaalamu iwapo matokeo yanakinzana na mantiki ya takwimu (mawazo, sampuli, ukubwa wa athari, kutokuwa na uhakika). Kataa matokeo "ya maana lakini ya kipuuzi".
Tahadhari: Kuweka mgawo, jaribio au tafsiri inayotokana na AI katika makala, nadharia, au dokezo la sera bila kuithibitisha ni kama kuchapisha matokeo ambayo hayajakaguliwa. Kwa sababu tu matokeo ni ufasaha si kweli; Kwa sababu tu nambari inaonekana hakika, sio kweli.
Faragha: data ndogo na data iliyoidhinishwa inalindwa kwa faragha
Data ndogo (rekodi moja katika kiwango cha mtu binafsi, kaya, kampuni au mgonjwa) hutumiwa mara kwa mara katika uchumi. Data hii nyingi ni ya kibinafsi na inalindwa chini ya KVKK (Sheria ya Ulinzi wa Data ya Kibinafsi) nchini Türkiye na GDPR barani Ulaya. Zaidi ya hayo, TurkStat, benki kuu, watoa huduma wa data na vyanzo vya kibiashara mara nyingi hutoa data na makubaliano ya matumizi ya data; Makubaliano haya yanakataza kuhamisha data kwa wahusika wengine. Kubandika jedwali lililo na taarifa za utambulisho, mapato, afya au siri za kampuni kwenye zana ya mazungumzo ya AI ya umma ni ukiukaji wa KVKK/GDPR na ukiukaji wa mkataba; kwa sababu data huenda kwa seva ya nje na inaweza kutumika katika mafunzo ya mfano katika zana zingine.
Sheria ni rahisi: kuweka data katika mazingira yake salama, uliza AI kwa nambari na njia pekee. Mtiririko bora wa kazi ni huu: uliza AI kwa nambari ya uchambuzi, unaendesha nambari na data halisi kwenye kompyuta yako/ seva ya biashara. Iwapo ni lazima ushiriki data, usijulishe (ondoa sehemu za vitambulisho), kusanya (wastani/hesabu badala ya mtu binafsi), na uchague zana ambazo ni za kitaasisi, uwe na makubaliano ya kuchakata data, na usitumie data yako katika elimu.
kesi tatu ndogo
Kesi ya 1 - Matumizi salama na bora. Mtafiti mmoja kwanza alitumia saa 6 kusafisha mwenyewe safu 40,000 za data ya bajeti ya kaya. Bila kushiriki data hata kidogo, alielezea tu majina na muundo tofauti kwa AI na akauliza nambari ya kusafisha. AI ilitengeneza hati ya R; Mtafiti aliendesha msimbo katika mazingira yake mwenyewe, akaangalia idadi ya mistari na takwimu za muhtasari wa kila hatua, na kusahihisha makosa mawili ya kimantiki. Muda: Dakika 70 badala ya saa 6. Data haikutoka kamwe; Jukumu likabaki kwa mtafiti.
Kesi ya 2 - Mtego wa nambari ambao haujathibitishwa. "Ni nini usawa kati ya ukuaji wa Pato la Taifa na uwekezaji wa moja kwa moja wa kigeni," mwanafunzi aliyehitimu aliuliza AI. AI kwa ujasiri ilitoa idadi ya "takriban 0.34" ingawa haikuwa na ufikiaji wa data yoyote. Mwanafunzi aliandika haya katika muhtasari wa fasihi; Mshauri wake alipouliza kuhusu chanzo hicho, ilibainika kuwa namba hiyo haikuwa na msingi wowote na ni uzushi kabisa. Kosa: Kutarajia takwimu halisi kutoka kwa AI bila kutoa data na rasilimali kwake.
Kesi ya 3 - Usiri na uvunjaji wa mkataba. Mchambuzi alipakia Excel, ambayo alipokea kutoka kwa jopo la kampuni iliyoidhinishwa, iliyo na jina la kampuni na mauzo, kwenye zana ya AI inayopatikana kwa umma na kusema "fanya urejeshaji wa paneli." Mkataba wa mtoa data ulipiga marufuku uhamishaji wa data kwa mifumo ya wahusika wengine; Tukio hilo lilisababisha ukaguzi wa kufuata. Njia sahihi ilikuwa kubadilisha majina ya kampuni kwa misimbo isiyojulikana au kutoshiriki data yoyote na kuomba tu nambari ya rejista ya paneli na kuiendesha katika mazingira yake yenyewe.
Mwongozo dhaifu / Mwongozo thabiti
Agizo dhaifu:
Changanua uhusiano kati ya mfumuko wa bei na ukosefu wa ajira na ueleze mgawo.
Dai hili si sahihi: Hakuna data iliyotolewa kwa AI, haijulikani ni nchi gani, kipindi gani, mtindo gani. AI inaweza kujibu tu na mgawo wa maandishi.
Agizo lenye nguvu:
Jukumu lako: wewe ni msaidizi wa uchanganuzi unayemsaidia mtafiti wa uchumi. SISHIRIKI data na wewe; Ninataka tu nambari ya RUNNABLE R. Nina jopo la kila mwaka: vigezo vya nchi, mwaka, ukosefu wa ajira, mfumuko wa bei (nambari zote). Kazi: 1) andika msimbo wa urekebishaji wa paneli za athari zisizobadilika kwa ukosefu wa ajira ~ mfumuko wa bei (kifurushi cha plm), 2) eleza kila hatua katika msimbo ukitumia mstari wa maoni, 3) kumbuka kuwa mgawo unapaswa kufasiriwa kuwa wa uhusiano, si CAUSALI, 4) kuunda hoja ya kukokotoa ambayo huna uhakika nayo; Nitaendesha na kuthibitisha matokeo katika mazingira yangu mwenyewe.
Katika ombi hili, hakuna data inayoshirikiwa, jukumu, vifurushi, matarajio ya maoni na marufuku ya "uzushi" ni wazi. Bado unaendesha na kuthibitisha pato mwenyewe.
Jedwali lifuatalo linatoa muhtasari wa sheria za sentensi moja katika somo hili:
kanuni
Ina maana gani
AI ni msaidizi
Uamuzi wa kisayansi na jukumu ni la mtaalam
Omba nambari, toa matokeo
AI haikumbuki nambari; unaiendesha na kuhesabu
kuweka data
Data ndogo/iliyopewa leseni haiachi mazingira salama
thibitisha
Kila suala, kanuni, maoni ni checked; uzushi unakataliwa
Makosa ya kawaida
- Kutarajia takwimu halisi kutoka kwa AI bila kutoa data. Mfano hauwezi kufikia data; Mgawo, uwiano na thamani ya p inayotoa ni bandia. Omba nambari kila wakati na utoe matokeo mwenyewe.
- Kutegemea kazi za ukumbi. AI inaweza kupendekeza kazi ya R/Python au hoja ambayo haipo. Usikubali msimbo bila kuiendesha na kuithibitisha.
- Inapakia data ndogo kwenye zana ya umma. Ni ukiukaji wa KVKK/GDPR na makubaliano ya matumizi ya data. Usitambulishe data au usiishiriki kabisa.
- Kukosea ufasaha kwa usahihi. Uhakiki ulioandikwa vizuri unaweza kuwa si sahihi. Uzuri wa sentensi sio uthibitisho.
- Kukubali lugha ya sababu bila udhibiti. YZ mara nyingi husema "X huongeza Y"; wakati rejeshi nyingi zinaonyesha uhusiano tu. Tetea dai la sababu kwa kubuni.
Kidokezo: Unapofanya kazi na AI, jiulize swali hili: "Ikiwa mwamuzi au mkaguzi atauliza matokeo haya, ninaweza kuonyesha chanzo na akaunti?" Ikiwa jibu ni hapana, matokeo bado hayajawa tayari kutumika.
Kwa muhtasari
AI hutoa kuongeza kasi ya kweli na kubwa katika safu ya utekelezaji (msimbo, usafishaji, grafu, rasimu) ya utendakazi wa uchumi na takwimu; hata hivyo, uteuzi wa mfano, sababu, tafsiri, uchapishaji na maamuzi ya sera ni ya mtaalam. Taaluma tatu za kimsingi: usikumbushe AI ya nambari, uliza nambari na toa na uthibitishe matokeo mwenyewe; usiondoe data ndogo / leseni kutoka kwa mazingira salama; kichujio cha takwimu kila pato. Toleo la AI ambalo halijathibitishwa ni hatari kama matokeo ambayo hayajakaguliwa.
Jukumu la maombi
Fikiria seti yako ya data (au mfano). Uliza AI kwa msimbo wa R au Python ambao hutoa takwimu za maelezo na grafu rahisi kwa kuelezea muundo tofauti, bila kushiriki data. Tekeleza msimbo unaoingia katika mazingira yako mwenyewe. Kisha weka orodha ya kukagua: (1) je, msimbo uliendeshwa bila makosa, (2) ni idadi ya mistari/uchunguzi ulivyotarajia, (3) ni sentensi ipi kati ya maoni ya AI hutumia lugha ya sababu na inapaswa kurekebishwa. Katika aya moja, andika kuhusu wakati AI ilikuokoa na angalau mdudu mmoja ulimkamata.
orodha ya ukaguzi
- [ ] Sikuifanya AI iulize takwimu halisi; Niliomba nambari na nikatoa matokeo mwenyewe.
- [ ] Nilihesabu upya kila nambari na matokeo ya mtihani niliyotoa katika mazingira yangu.
- [ ] Nilithibitisha kuwa kazi/hoja inazotumia zipo.
- [ ] Sikupakia data ndogo/ya kibinafsi/iliyoidhinishwa kwa zana ya umma.
- [ ] Nilitia alama kwenye maoni yaliyo na lugha ya kisababishi na kuyahamishia kwenye lugha ya uhusiano.
- [ ] Nina uwezo wa kuonyesha chanzo na uhasibu wa matokeo kwa mkaguzi.