Παρουσιάζουμε την τεχνητή νοημοσύνη και τη μηχανική μάθηση
Είμαστε υπερήφανοι που μοιραζόμαστε ότι εργαζόμαστε επιμελώς για τεχνολογικές βελτιώσεις στην πλατφόρμα συμβούλων μας. Η τελευταία μας στρατηγική συνεργασία με ένα διάσημο πανεπιστήμιο στο Ηνωμένο Βασίλειο είχε ως αποτέλεσμα την υλοποίηση ενός 2ετούς έργου, το οποίο τελικά εισάγει την Τεχνητή Νοημοσύνη και τη Μηχανική Μάθηση στην ανάλυση εμπορευμάτων μας. Μπορείτε να βρείτε περισσότερες πληροφορίες σχετικά με το έργο παρακάτω.
Οι προβλεπόμενες τιμές του Οκτωβρίου 2022 από το τρέχον μοντέλο μας έναντι των πραγματικών τιμών
Σημείωμα του Δ.Σ.
Ανατρέχοντας στην εποχή που ξεκίνησαν τα δεδομένα μας για το βαμβάκι το 1800, οι εποχές και ο καιρός πιστεύεται ότι ήταν αποτέλεσμα υψηλότερης ισχύος. Μεταβείτε στον 21ο αιώνα, η σύγχρονη επιστήμη και πληροφορία έχουν εξαπλωθεί σε όλο τον κόσμο και μαζί της έχουν εξελιχθεί οι στάσεις. Αυτό που κάποτε θεωρούνταν μυστικιστικό φαινόμενο τώρα συνήθως αποδίδεται στη φυσική και τα μαθηματικά. Τα μοτίβα εμφανίζονται παντού γύρω μας και καθώς η υπολογιστική ισχύς έχει αυξηθεί, το ίδιο ισχύει και για την ικανότητά μας να αναγνωρίζουμε και να μοντελοποιούμε αυτά τα μοτίβα. Από αλγόριθμους κοινωνικών μέσων που φαίνεται να σας «ακούνε» έως αλγόριθμους συναλλαγών χρηματιστηρίου που αναλύουν τάσεις σε παγκόσμια κλίμακα. Είναι θέμα χρόνου όλα τα φαινόμενα να περιοριστούν σε εισροές και σχεδόν βέβαιες αντιδράσεις.
Η αγορά εμπορευμάτων και το χρηματιστήριο είναι οι μεγαλύτεροι επεξεργαστές δεδομένων στον πλανήτη. Παίρνουν πληροφορίες από μια πληθώρα μακροοικονομικών και μικροπαραγοντικών παραγόντων από παγκόσμια γεγονότα έως τα συναισθήματα των εμπόρων και μειώνουν αυτές τις πληροφορίες σε μία μόνο μέτρηση: τιμή. Η τιμή ενός εμπορεύματος ή μιας μετοχής ακολουθεί τη λογική και τα πρότυπα. Η επιστήμη της τιμής έχει μελετηθεί εδώ και χιλιετίες και ενώ κάποιοι έχουν πλησιάσει στην πρόβλεψή της, η συντριπτική πλειοψηφία δεν έχει πλησιάσει στην κατανόηση της όλης εικόνας.
Τι έχει αλλάξει λοιπόν;
Πρώτον, πολύ λίγοι από τους ανθρώπους που μελέτησαν τόσο προσεκτικά την τιμή ήταν αγνωστικιστές τιμών. Πάρτε για παράδειγμα το βαμβάκι, από τους αγρότες μέχρι τους παραγωγούς και οι δύο έχουν μια κατεύθυνση που ελπίζουν ότι θα πάει η τιμή. Αυτός ήταν ένας από τους λόγους για τους οποίους το EAP ήταν τόσο επιτυχημένο στην πρόβλεψη της αγοράς τον τελευταίο καιρό. Δεν κατέχουν θέση στις αγορές στις οποίες συμβουλεύουν, οπότε διαβάζουν τα μοτίβα χωρίς σταθερή ιδέα κατεύθυνσης. Αυτό οδήγησε την EAP να αναπτύξει τα δικά της μοντέλα και κανόνες και να σεβαστεί τους εν λόγω κανόνες και μοντέλα, όπως θα έκανε οποιοσδήποτε αγνωστικιστής αναλυτής της αγοράς. Ωστόσο, οι EAP δεν είναι οι πρώτοι αναλυτές αγοράς του είδους τους, ούτε είναι οι πρώτοι που αναπτύσσουν τα δικά τους μοντέλα. Είναι η εισαγωγή της Τεχνητής Νοημοσύνης που πηγαίνει το EAP στο επόμενο επίπεδο.
Η Τεχνητή Νοημοσύνη είναι μια λέξη-κλειδί που χρησιμοποιείται τόσο από επιστήμονες όσο και από δημοσιογράφους, αλλά με απλά λόγια τι σημαίνει και πώς σχετίζεται με το EAP; Είναι ένας τρόπος δοκιμής θεωριών και η εν λόγω θεωρία είναι η πρόβλεψη της τιμής του βαμβακιού και άλλων μαλακών εμπορευμάτων και σιτηρών. Η ακρίβεια και η χρησιμότητα κάθε δοκιμής ΤΝ καθορίζεται από την ποιότητα δύο παραγόντων: των πληροφοριών και του μοντέλου που χρησιμοποιείται για την ανάλυσή τους. Το EAP έχει πάνω από 100 χρόνια ποιοτικά δεδομένα στις αγορές εμπορευμάτων και τα δοκιμασμένα μοντέλα ανάλυσής τους έχουν αποδειχθεί σωστά ξανά και ξανά. Τα χιλιάδες σημεία δεδομένων που έχει συλλέξει το EAP σχετικά με την τιμή, την προσφορά και τη ζήτηση και τα μακροοικονομικά γεγονότα είναι πάρα πολλά για να τα θυμάται ένας αναλυτής ή μια ομάδα αναλυτών κάθε φορά που κινούνται οι αγορές, αλλά έχουμε αναπτύξει ένα πρόγραμμα υπολογιστή για την επεξεργασία και τη δοκιμή ιστορικών προτύπων της αγοράς μέσα σε λίγα δευτερόλεπτα για να παραδώσουμε μια πρόβλεψη, αντί για τις ημέρες ή τις εβδομάδες που θα χρειαζόταν ένα άτομο για να επεξεργαστεί. Αυτό το μοντέλο βελτιώνεται καθημερινά. Αποδεικνύει τις θεωρίες αγοράς του EAP σωστές και λανθασμένες χρησιμοποιώντας αυτό το ιστορικό σύστημα δοκιμών προτύπων και βελτιώνοντας την ακρίβεια των προβλέψεων που παρέχει.
Επί του παρόντος, το μοντέλο παράγει προβλέψεις με ποσοστό ακρίβειας 80%, αυτό έχει βελτιωθεί και θα συνεχίσει να βελτιώνεται καθώς το μοντέλο επεξεργασίας δεδομένων βελτιώνεται από την έμπειρη ομάδα αναλυτών στο EAP. Αυτό δεν είναι δυνατό χωρίς τεχνογνωσία τεχνητής νοημοσύνης και αυτός είναι ο λόγος για τον οποίο το EAP συνεργάζεται με το Πανεπιστήμιο του Λίβερπουλ, το οποίο φέρνει πάνω από 30 χρόνια τεχνογνωσίας τεχνητής νοημοσύνης και έχουν εκφράσει μεγάλο ενδιαφέρον για το μοντέλο και την εντυπωσιακή ακρίβειά του σε αυτό το πρώιμο στάδιο. Το EAP αποδεικνύει ότι οι αγορές δεν είναι τυχαίες και μοντελοποιεί τα μοτίβα που ακολουθούν. Υπολογίζουμε τις μελλοντικές τιμές, αντί να τις προβλέπουμε και ελπίζουμε να γίνουμε ηγέτες στην επιστήμη πρόβλεψης τιμών την επόμενη δεκαετία.
Περίληψη έργου
Η Earlam and Partners (EAP) παρέχει συμβουλευτικές υπηρεσίες εμπορευμάτων στο πλαίσιο των αγορών βαμβακιού. Το EAP διαθέτει ένα μαθηματικό μοντέλο για την ανάλυση των κινήσεων των τιμών, το οποίο περιέχει πληροφορίες αγοράς, στις οποίες οι σταθμίσεις αποδίδονται χειροκίνητα για την πραγματοποίηση προβλέψεων, οι οποίες παρέχονται σε εβδομαδιαίες εκθέσεις αγοράς.
Για την παροχή των υπηρεσιών EAP σε κλίμακα, απαιτείται αυτοματοποίηση και βελτιωμένη ακρίβεια. Χρησιμοποιώντας ελαφριά εξηγήσιμη τεχνητή νοημοσύνη, μπορούν να εντοπιστούν τα μοτίβα που υποστηρίζουν τη στάθμιση των πληροφοριών. Μοτίβα που μπορούν στη συνέχεια να χρησιμοποιηθούν για τη δημιουργία ενός συστήματος πρόβλεψης τιμών εμπορευμάτων (CPP) που είναι τόσο ελαφρύ (εκτελείται σε ένα τυπικό επιτραπέζιο μηχάνημα) όσο και εξηγήσιμο (λέει στους χρήστες πώς προέκυψαν οι προβλέψεις). Η παροχή ζωντανών προβλέψεων χρησιμοποιώντας το προτεινόμενο σύστημα CPP θα βοηθήσει τους πελάτες σε όλη την αλυσίδα εφοδιασμού να γίνουν πιο ανθεκτικοί και να διαχειριστούν καλύτερα τις δραστηριότητές τους ενόψει της αυξανόμενης αστάθειας της αγοράς.
Το όραμα είναι να επεκταθεί πέρα από το βαμβάκι σε άλλα εμπορεύματα (σόγια, καλαμπόκι, σιτάρι, καφές, ζάχαρη και κακάο) όπου οι αγρότες και οι κατασκευαστές επηρεάζονται όλο και περισσότερο από την αστάθεια από την κλιματική αλλαγή, τον πόλεμο και άλλους παράγοντες. Μετά από 10 χρόνια ανάπτυξης και βελτίωσης ενός μοντέλου ανάλυσης για το βαμβάκι, το EAP πρέπει να φέρει ακαδημαϊκή τεχνογνωσία ai, να επεκταθεί σε περισσότερες αγορές και να βοηθήσει περισσότερους ανθρώπους από ό, τι μπορούν μόνοι τους, εξ ου και το προτεινόμενο KTP.
Στρατηγικός Στόχος
Η EAP παρέχει με επιτυχία συμβουλευτικές υπηρεσίες εμπορευμάτων για πάνω από 13 χρόνια. Το EAP έχει αποδεδειγμένες διαδικασίες για τη συλλογή δεδομένων και την παροχή πληροφοριών σε 5 τομείς: Θεμελιώδη στοιχεία της αγοράς βαμβακιού (1), θέσεις hedge fund στο βαμβάκι (2), ανάγνωση μοτίβων διαγραμμάτων βαμβακιού (3), εποχιακή στατιστική ανάλυση βαμβακιού (4) και συνολική μακροοικονομική ανάλυση (5). Σήμερα ο οργανισμός διαθέτει μια εκπαιδευμένη ομάδα συμβούλων, η δουλειά των οποίων είναι να παρέχουν υποστήριξη στο υπάρχον πελατολόγιο για να διασφαλίσουν καλά ενημερωμένες επιχειρησιακές και οικονομικές αποφάσεις. Το EAP διαχειρίζεται τις αποφάσεις του σταθμίζοντας τις πληροφορίες ("1 έως 5" που προαναφέρθηκαν) σύμφωνα με την εμπειρία και τις ακριβείς εξελίξεις στη διεθνή αγορά και καθοδηγείται από τον Jo Earlam.
Το όραμα αυτής της συνεργασίας είναι να φέρει την τεχνογνωσία στη μοντελοποίηση τεχνητής νοημοσύνης από το Πανεπιστήμιο του Λίβερπουλ και να τη χρησιμοποιήσει για να δοκιμάσει και να βελτιώσει το μαθηματικό μοντέλο EAP, το οποίο περιέχει μικρο και μακροοικονομικές πληροφορίες, τόσο τρέχουσες όσο και ιστορικές. Πιο αποτελεσματικές προβλέψεις τιμών εμπορευμάτων, για ένα ευρύτερο φάσμα εμπορευμάτων, μπορούν να γίνουν αξιοποιώντας τα εργαλεία και τις τεχνικές της βαθιάς μάθησης. Η ύπαρξη ενός λογισμικού που αντικατοπτρίζει τη λήψη αποφάσεων των αναλυτών EAP θα βοηθήσει στην παροχή πιο συνεπών πληροφοριών και θα διδάξει τους αναλυτές στην εταιρεία να κατανοούν τις αγορές πιο αλγοριθμικά και επομένως καλύτερα. Μέσω της ανάπτυξης του μοντέλου πρόβλεψης της αγοράς τεχνητής νοημοσύνης, η πρόβλεψη των τιμών και οι πληροφορίες θα γίνονται όλο και πιο αυτοματοποιημένες, ακριβείς και έγκαιρες και η εξάρτηση από την ατομική τεχνογνωσία θα μειωθεί.
Η EAP φιλοδοξεί να παρέχει τις υπηρεσίες της μέσω λογισμικού και όχι ως παραδοσιακή συμβουλευτική που αλληλεπιδρά με τους πελάτες αποκλειστικά μέσω τηλεφωνικών κλήσεων και μηνυμάτων ηλεκτρονικού ταχυδρομείου. Πρόσφατα, η EAP δημιούργησε μια διαδικτυακή πλατφόρμα για να βελτιώσει την επεκτασιμότητα των υπηρεσιών της. Ωστόσο, η ανάλυση περιορίζεται από την ικανότητα των εσωτερικών αναλυτών τους. Το EAP δεν διαθέτει εσωτερική τεχνογνωσία μηχανικής μάθησης και τεχνητής νοημοσύνης και ως εκ τούτου επιθυμεί να συνεργαστεί με ένα διάσημο βρετανικό πανεπιστήμιο. Μέχρι το τέλος αυτού του έργου, το EAP σχεδιάζει να έχει ένα σύστημα που παρέχει αυτοματοποιημένες προβλέψεις αγοράς που μπορούν να προσπελαστούν όλο το εικοσιτετράωρο. Οι προβλέψεις θα υποστηρίζονται από άμεσες διαβουλεύσεις και πληροφορίες από αναλυτές του EAP, αλλά δεν θα εξαρτώνται από αυτές.
Η αναφορά δύο εβδομάδων είναι το τρέχον μέσο με το οποίο οι πελάτες EAP λαμβάνουν πληροφορίες, αυτές οι αναφορές μοιράζονται με πελάτες σε κάθε μέρος της αλυσίδας εφοδιασμού βαμβακιού. Αυτή η συνεργασία θα κάνει τελικά το μοντέλο πρόβλεψης του EAP πιο ακριβές και διαθέσιμο κατ 'απαίτηση, το οποίο είναι ανατρεπτικό και δεν μοιάζει με καμία άλλη συμβουλευτική προσφορά στον χώρο. Αυτή η συνεργασία έχει τη δυνατότητα να μετατρέψει το EAP σε ηγέτες καινοτομίας στην παροχή συμβουλών για το βαμβάκι και τα γεωργικά βασικά προϊόντα.
Ελλιπής γνώση
Οι EAP ενδιαφέρονται να παρέχουν τις υπηρεσίες τους χρησιμοποιώντας ένα διαδικτυακό περιβάλλον, το σύστημα πρόβλεψης τιμών εμπορευμάτων (CPP), το οποίο διαθέτει ένα μοντέλο πρόβλεψης AI που είναι ελαφρύ και εξηγήσιμο. Το περιβάλλον θα φιλοξενείται σε μια διαδικτυακή πλατφόρμα (επομένως το μοντέλο πρέπει να είναι «ελαφρύ») που θα υποστηρίζεται από μηχανισμούς τεχνητής νοημοσύνης που θα προβλέπουν τους δείκτες τιμών των εμπορευμάτων με εξηγήσιμο τρόπο. Το όραμα είναι να παρέχουμε υποστήριξη στους καλλιεργητές, ειδικά στους βαμβακοπαραγωγούς σε όλο τον κόσμο. Όχι μόνο οι μεγάλοι καλλιεργητές αλλά και οι μικροκαλλιεργητές που καλλιεργούν μόνο λίγα στρέμματα γης.
Το EAP θεωρεί ότι μια λύση AI είναι κεντρικής σημασίας για την παράδοση της προτεινόμενης πλατφόρμας. Η υλοποίηση της πλατφόρμας θα απαιτήσει μια σειρά τεχνολογιών τεχνητής νοημοσύνης που δεν διαθέτει επί του παρόντος το EAP, συμπεριλαμβανομένων: (i) καθαρισμού δεδομένων (Στάδιο έργου 1), (ii) πρόβλεψης (Στάδιο έργου 1), (iii) εξηγήσιμης τεχνητής νοημοσύνης και ελαφριάς τεχνητής νοημοσύνης (στάδιο έργου 2), (iv) οπτικοποίησης δεδομένων (στάδιο έργου 4) και (iv) διατήρηση της πρόβλεψης μοντέλων (στάδιο έργου 5 ). Όλοι οι τομείς της τεχνητής νοημοσύνης όπου ο συνεργάτης της Γνωσιακής Βάσης έχει εμπειρία. Το AI είναι ένας από τους δύο ερευνητικούς πυλώνες του Τμήματος Επιστήμης Υπολογιστών στο Λίβερπουλ με περίπου είκοσι ακαδημαϊκούς, συμπεριλαμβανομένων των Εποπτών KB και του Ακαδημαϊκού Επικεφαλής. Το εξηγήσιμο AI, ή EXAI όπως αναφέρεται συχνά, το Lightweight AI και η συντήρηση μοντέλων πρόβλεψης είναι όλοι οι τρέχοντες τομείς της έρευνας της επιστήμης των υπολογιστών που ενδιαφέρουν τον εταίρο της Γνωσιακής Βάσης. Το ExAI παρακινείται από την παγκόσμια ανάγκη να κερδίσει την εμπιστοσύνη των τελικών χρηστών των συστημάτων τεχνητής νοημοσύνης, έτσι ώστε οι δυνατότητες της τεχνητής νοημοσύνης να μπορούν να αξιοποιηθούν πλήρως. Ένας τρόπος για να επιτευχθεί αυτό είναι η παροχή εξηγήσεων για τον τρόπο με τον οποίο τα συστήματα τεχνητής νοημοσύνης λαμβάνουν αποφάσεις. Το EAP πιστεύει ότι η εξηγησιμότητα είναι ένα βασικό χαρακτηριστικό για το οραματιζόμενο σύστημα CPP. Οι πελάτες του EAP θα θέλουν να κατανοήσουν πώς επιτυγχάνονται οι προβλέψεις που γίνονται από το σύστημα CPP. Το ελαφρύ AI ασχολείται με τη δημιουργία μοντέλων πρόβλεψης βαθιάς μάθησης που απαιτούν μόνο περιορισμένη ποσότητα επεξεργαστικής ισχύος. Το κίνητρο είναι να επιτραπεί η πρόσβαση σε βαθιά μάθηση χρησιμοποιώντας συσκευές με περιορισμένη μόνο ισχύ και, από περιβαλλοντική άποψη, να μειωθεί η ποσότητα ισχύος που χρησιμοποιούν τα συστήματα βαθιάς μάθησης. Η θεμελιώδης ιδέα είναι να οικοδομήσουμε μοντέλα βαθιάς μάθησης και στη συνέχεια να τα συμπιέσουμε έτσι ώστε το υποκείμενο δίκτυο να μειωθεί σε μέγεθος. Οι EAP πιστεύουν ότι το Lightweight AI θα είναι απαραίτητο δεδομένου ότι επιθυμούν να παρέχουν προβλέψεις χρησιμοποιώντας μια διαδικτυακή πλατφόρμα. Η διατήρηση των μοντέλων πρόβλεψης έχει γίνει όλο και πιο ανησυχητική υποκινούμενη από την ιδέα ότι δεν επιθυμούμε να ξαναμάθουμε μοντέλα βαθιάς μάθησης όποτε έρχονται νέα δεδομένα. αντιθέτως, θα θέλαμε να επικαιροποιήσουμε μόνο τα σχετικά μέρη του μοντέλου.