Ένα από τα πιο χαρακτηριστικά παραδείγματα αναγνώρισης προτύπων είναι η αυτόματη αναγνώριση χαρακτήρων. Ένα σύστημα, δηλαδή, με το οποίο ο υπολογιστής βλέπει εκτυπωμένα γράμματα ή λέξεις και τα αναγνωρίζει. Πρόκειται για μια προσιτή εφαρμογή αναγνώρισης προτύπων, πλέον, καθώς το μόνο που χρειάζεται είναι η κάμερα ενός smartphone και ένα app OCR (Optical Character Recognition) που κάνει την αναγνώριση.

Η Μηχανική Μάθηση αρχικά λογίζονταν μόνο ως μέρος ενός συστήματος Τεχνητής Νοημοσύνης. Έκτοτε, το φάσμα των πρακτικών εφαρμογών της Μηχανικής Μάθησης διευρύνθηκε, ξεπερνώντας τα όρια της Τεχνητής Νοημοσύνης. Σήμερα, υπάρχουν περισσότερα συστήματα Μηχανικής Μάθησης που δεν σχετίζονται με την Τεχνητή Νοημοσύνη, παρά το αντίθετο.

Είναι σημαντικό να αναφέρουμε ότι οι όροι Τεχνητή Νοημοσύνη και Μηχανική Μάθηση, στη σημερινή εποχή, χρησιμοποιούνται στα μέσα ως συνώνυμα και εναλλάσσονται μεταξύ τους καταχρηστικά, δημιουργώντας σύγχυση στους μη ειδικούς. Στην πραγματικότητα είναι διαφορετικές έννοιες με διακριτά χαρακτηριστικά και ιδιότητες. Χρησιμοποιούνται όμως εναλλακτικά στα μέσα καθώς η έννοια της τεχνητής νοημοσύνης είναι ευκολότερα κατανοητή, οικεία και εντυπωσιακή για το ευρύ κοινό.

Τα trends στην επιστήμη παίζουν και αυτά τον ρόλο τους. Έτσι λοιπόν το ίδιο περίπου σύστημα στο πέρασμα των ετών μπορούμε να το δούμε να περιγράφεται ως Τεχνητή Νοημοσύνη, Νευρωνικό Δίκτυο, Μηχανική Μάθηση, Βαθιά Μάθηση (Deep Learning) και εσχάτως ξανά Τεχνητή Νοημοσύνη.

Τι είναι όμως τελικά η Τεχνητή Νοημοσύνη και τι η Μηχανική Μάθηση; Ο John McCarthy ορίζει την Τεχνητή Νοημοσύνη ως την επιστήμη που δημιουργεί ευφυείς μηχανές. Ο Tom Mitchel από το Carnegie Mellon University ορίζει την Μηχανική Μάθηση ως την μελέτη των αλγορίθμων που επιτρέπουν στα προγράμματα να βελτιωθούν αυτόματα μέσω της εμπειρίας. Στην αναγνώριση χαρακτήρων, που αναφέρθηκε, αυτό σημαίνει, για παράδειγμα, ότι τροφοδοτώντας με πολλά διαφορετικά σύμβολα του Α, τον υπολογιστής, μπορεί αυτός αυτόματα να εκπαιδευτεί για να τα ξεχωρίζει από τα υπόλοιπα γράμματα.

Μπορούμε να αντιληφθούμε εύκολα αν αυτό που εξετάζουμε είναι Τεχνητή Νοημοσύνη ή Μηχανική Μάθηση; Η απάντηση είναι όχι πάντα.

Ένας γενικός, απλός και χονδροειδής κανόνας είναι ότι εάν το σύστημα δρα χωρίς παρέμβαση, τότε μάλλον πρόκειται για τεχνητή νοημοσύνη. Εάν το σύστημα απλά ταξινομεί ή προβλέπει, τότε είναι ένα σύστημα Μηχανικής Μάθησης.

Ένα απλό παράδειγμα είναι τα αυτό-οδηγούμενα αυτοκίνητα: που αποτελούν συστήματα τεχνητής νοημοσύνης. Οδηγούν το αυτοκίνητο χωρίς την παρέμβαση του ανθρώπου. Το υποσύστημα του ίδιου αυτοκινήτου που εντοπίζει ένα απρόσμενο γεγονός και ειδοποιεί για τον κίνδυνο είναι σύστημα που εκπαιδεύτηκε ως σύστημα Μηχανικής Μάθησης.

Η Τεχνητή Νοημοσύνη και η Μηχανική Μάθηση στην εξέλιξη τους βίωσαν μεγάλες περιόδους χαμηλού ενδιαφέροντος, που συνήθως ονομάζουμε «χειμώνες της Τεχνητής Νοημοσύνης» κυρίως γιατί δεν κατόρθωσαν να ανταποκριθούν στις υψηλές προσδοκίες που τέθηκαν.

H παρούσα συγκυρία είναι αρκετά διαφορετική.

Από τη μια έχουμε προσιτές για τα οικονομικά του καθενός μας μηχανές με τεράστια υπολογιστική αξία, αρχιτεκτονικές παράλληλης επεξεργασίας που βασίζονται σε κάρτες γραφικών. Τεχνολογίες που επιτρέπουν τη λειτουργία πολύπλοκων και απαιτητικών αρχιτεκτονικών Βαθιάς Μάθησης όπως τα Recurrent Neural Networks και τα Convolutional Neural Networks.

Από την άλλη, δημιουργήθηκαν σύγχρονες μεθοδολογίες όπως οι Μηχανές Διανυσμάτων Υποστήριξης και τα Στοχαστικά Δάση Αποφάσεων και τεχνικές όπως τα kernelization, bagging και το boosting που επιτρέπουν την εφαρμογή της Μηχανικής Μάθησης σε σύνολα δεδομένων λίγων εκατοντάδων τιμών. Τέλος, η ελεύθερη πρόσβαση σε πλατφόρμες Βαθιάς Μάθησης ανοιχτού κώδικα (υποστηριζόμενες από εμπορικούς κολοσσούς) όπως το TensorFlow της Google, το PyTorch του Facebook και το AWS της Amazon έφερε τις πιο πρόσφατες και καινοτόμες μεθοδολογίες του χώρου σε κάθε ενδιαφερόμενο.

Το 1988 ο White, παρουσίασε μια εργασία σε επιστημονικό συνέδριο που αφορούσε την εφαρμογή των Νευρωνικών Δικτύων για την πρόβλεψη των ημερήσιων αποδόσεων της μετοχής της IBM και από τότε, η χρήση της Μηχανικής Μάθησης στα Οικονομικά συνεχίστηκε με σταθερά αυξανόμενο ρυθμό. Οι πρώτες εφαρμογές της ήταν στα χρηματοοικονομικά, και πιο συγκεκριμένα στην πρόβλεψη χρηματοοικονομικών μεταβλητών: τιμές μετοχών, τιμές εμπορευμάτων, συναλλαγματικές ισοτιμίες. Αυτό έγινε για πρακτικούς λόγους. Τα χρηματοοικονομικά δεδομένα προσφέρουν μεγάλες σε αριθμό παρατηρήσεων χρονοσειρές που είναι ιδανικές για τα νευρωνικά δίκτυα που ήταν η κυρίαρχη μεθοδολογία και μόδα των 90’s. Έχουμε την πολυτέλεια να έχουμε πχ τιμές μετοχών όχι μόνο ανά ημέρα, αλλά ανά ώρα, λεπτό ή «τικ», σε κάθε χρονική στιγμή. Αυτή η δυνατότητα δεν υπάρχει, για παράδειγμα, στα μακροοικονομικά δεδομένα (ΑΕΠ, ανεργία, πληθωρισμός, κλπ.) ή στα δεδομένα των επιχειρήσεων (πωλήσεις, κέρδη, ίδια κεφάλαια, απαιτήσεις, κλπ). Η άμεση και ακριβής πρόγνωση της τιμής μιας μετοχής φάνταζε ως επιτυχία που θα οδηγούσε σε γρήγορο κέρδος. Οι προσδοκίες της εποχής ήταν μεγάλες, χωρίς όμως να ευοδωθούν από ανάλογης επιτυχίας αποτελέσματα. Αυτό οδήγησε σε μείωση του ενδιαφέροντος μέχρι τα μέσα των 00’s. Τότε ξεκίνησε ένα δεύτερο κύμα δημοτικότητας της μηχανικής μάθησης με αφορμή την εμφάνιση νέων αλγορίθμων που δεν απαιτούν τόσο μεγάλα σύνολα δεδομένων, αλλά μπορούν να λειτουργήσουν με ικανοποιητική ακρίβεια ακόμα και με μερικές εκατοντάδες τιμές. Σε αυτήν την περίοδο συναντάμε και τις πρώτες εφαρμογές Μηχανικής Μάθησης στον χώρο της Μακροοικονομίας.

Σήμερα, συστήματα μηχανικής μάθησης και τεχνητής νοημοσύνης χρησιμοποιούνται ευρέως στον χώρο των οικονομικών. Πλήθος χρηματιστηριακών και επενδυτικών εταιριών χρησιμοποιούν τις μεθόδους του quantitative finance (quants). Ταχύτατα υπολογιστικά συστήματα που τρέχουν πολύπλοκους αλγόριθμους και διαχειρίζονται μεγάλους όγκους δεδομένων, εκτιμούν και προβλέπουν την εξέλιξη των τιμών και του κινδύνου, αγοράζοντας ή πουλώντας αυτόματα διάφορα περιουσιακά στοιχεία χωρίς την παρέμβαση του ανθρώπου. Σε αυτά τα συστήματα περιλαμβάνεται και το High Frequency Trading (HFT) όπου υπολογιστές εκτελούν χιλιάδες ή εκατομμύρια χρηματιστηριακές πράξεις αυτόματα σε κλάσματα του δευτερολέπτου. Μερικά milliseconds (εκατομμυριοστά του δευτερολέπτου) είναι καθοριστικά στο να πάρουν τις πληροφορίες από το χρηματιστήριο, να τις αναλύσουν και να εκτελέσουν αυτόματα πλήθος επενδυτικών πράξεων. Ο ανταγωνισμός είναι τόσο μεγάλος και η σημασία της ταχύτητας τόσο σημαντική, έτσι ώστε οι εταιρίες προσπαθούν να εγκατασταθούν όσο το δυνατόν πιο κοντά στα χρηματιστήρια ώστε να εκμεταλλευτούν την πληροφορία που βγαίνει από αυτά, μερικά milliseconds γρηγορότερα από άλλους.

Η χρήση όμως των εφαρμογών της μηχανικής μάθησης και της τεχνητής νοημοσύνης έχει περάσει και στις κεντρικές τράπεζες και άλλους φορείς άσκησης οικονομικής πολιτικής ώστε να γίνεται αμεσότερη πρόβλεψη και εκτίμηση του συστημικού κινδύνου, της σταθερότητας του τραπεζικού συστήματος, της εξέλιξης του ΑΕΠ, της ανεργίας, κλπ έτσι ώστε να εφαρμόζεται αμεσότερα η ενδεδειγμένη δημοσιονομική ή νομισματική πολιτική.

Στο Τμήμα Οικονομικών Επιστημών του Δημοκρίτειου Πανεπιστημίου Θράκης, εργαζόμαστε με την ερευνητική μας ομάδα από το 2010 με μηχανική μάθηση σε εφαρμογές πρόγνωσης μακροοικονομικών, χρηματοοικονομικών αλλά και επιχειρηματικών μεταβλητών. Η μεθοδολογία που αναπτύξαμε στο Τμήμα μας στην Κομοτηνή για την πρόγνωση της χρεωκοπίας τραπεζικών ιδρυμάτων εξακολουθεί από την δημοσίευσή της εδώ και 4 χρόνια να θεωρείται η πιο ακριβής και αξιόπιστη διεθνώς με ακρίβεια 99.22%.

Η Ελλάδα και ειδικά το Δημοκρίτειο Πανεπιστήμιο Θράκης βρίσκεται στο επίκεντρο αυτής της προσπάθειας με Καθηγητές, υποψήφιους διδάκτορες και μεταπτυχιακούς φοιτητές που εξειδικεύονται και εργάζονται πάνω στην πρόγνωση με μεθόδους μηχανικής μάθησης.

Η εξειδίκευσή μας αυτή αναγνωρίζεται στην διεθνή ακαδημαϊκή και μη κοινότητα και έχουμε προσκληθεί να παρουσιάσουμε την έρευνά μας σε ιδρύματα όπως η Ευρωπαϊκή Κεντρική Τράπεζα, το Ross School of Business του University of Michigan, το Temple University, το University of Strasbourg κλπ. Απόφοιτοί μας εργάστηκαν και εργάζονται στο κομμάτι αυτό στην Bank of England, UBS Switzerland, Τράπεζα Πειραιώς, κλπ.

Πρόσφατα ως Guest Editors σε ένα ειδικό τεύχος με τίτλο «Machine Learning in Economics and Finance” στο επιστημονικό περιοδικό Computational Economics επιλέξαμε τα 17 καλύτερα επιστημονικά άρθρα που αφορούν σε εφαρμογές της Μηχανικής Μάθησης στα οικονομικά. Ήρθαμε σε επαφή με ένα μεγάλο φάσμα εφαρμογών από ερευνητές από όλο τον κόσμο τόσο στα χρηματοοικονομικά, όσο και στα μακροοικονομικά. Σε αυτό το ειδικό τεύχος δημοσιεύτηκαν άρθρα πρόγνωσης της τιμής του χρυσού, των συναλλαγματικών ισοτιμιών, της τιμής του bitcoin, αλλά και πρωτοποριακές προτάσεις που αφορούσαν την πρόγνωση του ΑΕΠ, της τιμής των ναύλων των εμπορικών πλοίων σε διάφορες κατηγορίες, την εκτίμηση της ρευστότητας που θα έχει ανάγκη μια τράπεζα για να λειτουργήσει χωρίς προβλήματα ανακεφαλαιοποίησης, ακόμα και μια προσομοίωση της λειτουργίας ενός χρηματιστηρίου από αυτοματοποιημένους «παίκτες» που εκπαιδεύονται με μεθόδους reinforced learning.

Για πολλά χρόνια, η Τεχνητή Νοημοσύνη και η Μηχανική Μάθηση αντιμετωπίστηκαν με δισταγμό και επιφύλαξη από την κοινότητα της Οικονομικής Επιστήμης. Σήμερα όμως έχει αναγνωρισθεί η αξία τους, και παίρνουν την θέση που τους αναλογεί στο μεθοδολογικό οπλοστάσιο του Οικονομολόγου.

* Περικλής Γκόγκας, Καθηγητής, Τμήμα Οικονομικών Επιστημών, Δημοκρίτειο Πανεπιστήμιο Θράκης

* Θεόφιλος Παπαδημητρίου, Καθηγητής, Τμήμα Οικονομικών Επιστημών, Δημοκρίτειο Πανεπιστήμιο Θράκης

Πρώτη δημοσίευση στον Οικονομικό Ταχυδρόμο