Neigiamų COVID-19 veiksnių mažinimas pasitelkiant matematiką ir bendradarbiavimą

Publikuota: 2020-11-23
KTU nuotr.
svg svg
KTU nuotr.
Kauno technologijos universiteto docentas

COVID-19 plitimas daro didelę neigiamą įtaką ekonomikai ir visuomenės gerovei. Imperatoriškojo koledžo atsako į COVID-19 komanda ištyrusi viruso paplitimą, teigia, kad valstybės intervencija turi būti įdiegta bent jau 18 mėnesių, kol bus sukurta vakcina. Dėl socialinio atstumo palaikymo daug įmonių bankrutavo, stipriai padidėjo nedarbas. Dėl šių problemų buvo pastebėtas pokytis namų ūkių suvartojime, pajamose bei darbo rinkoje.

Pastoviai mažėjančios vartotojų pajamos gali sukelti problemų būstų prieinamumui - dėl negebėjimo apmokėti paskolų ar dar svarbiau - nuomos. Dėl šių priežasčių yra tikslinga analizuoti COVID-19 įtaką ekonomikai ir pateikti atitinkamas rekomendacijas siekiant sumažinti ilgalaikę krizės įtaką. Norint išanalizuoti ir pritaikyti efektyvius sprendimus pasekmių mažinimui galima remtis įrodymais grįstu politinių sprendimu priėmimu.

Įrodymais grįstos politikos formavimas pirmiausia buvo pradėtas taikyti švietimo ir medicinos srityse. Čia sukuriama labiau kontroliuojama analizės aplinka, istoriniai duomenys buvo kaupiami vadovaujantis instituciniais reikalavimais. Tokia analizė padeda teikti efektyvesnes švietimo ar sveikatos priežiūros paslaugas. Pavyzdžiui, Australijos sveikatos tarnybos pasitelkia įrodymais grįstą politiką, kad užtikrintų sveikatos priežiūros tvarumą efektyviai paskirstant išteklius. Per daugelį metų įrodymais grįsta politika buvo pradėta naudoti kitose pramonės šakose. Tačiau tik nedaugelis vyriausybinių institucijų politikos formavimui pasitelkė sistemingą duomenų, įrodymų, matematikos metodų naudojimo būdą.

Dabartinės technologinės tendencijos - didėjantys skaičiavimo pajėgumai ir duomenų kiekis - leidžia efektyviau naudoti politinius sprendimus. Siekiant tobulinti įrodymais grįstus politinius sprendimus būtina taikyti įvairius matematinius modelius, tokius kaip mašininis mokymasis (galimybė leisti kompiuteriui pačiam mokytis iš patirties ir tikslinti prognozes) ar matematinis modeliavimas (procesų išreiškimas skaičiais siekiant analizuoti įvairių alternatyvų galimybes).

Mašininis mokymasis yra dirbtinio intelekto atšaka, kuri leidžia sistemingai ir automatizuotai išryškinti duomenų tendencijas ir paaiškinti egzistuojančią netiesinę priklausomybę tarp kintamųjų. Vienas iš tokių pavyzdžių, gali būti nekilnojamo turto sandorių ir finansinių rodiklių integracija, padedanti identifikuoti atitinkamus ekonominius ciklus. Atliekant šių finansinių rodiklių jautrumo analizę galima prognozuoti tikimybę, kad ekonominio ciklo stadija pasikeis iš augančios į krentančią ar atvirkščiai. Kitaip sakant, šis sprendimas leistų pateikti įrodymais grįstas rekomendacijas palūkanų normų korekcijomis siekiant užtikrinti ekonominį stabilumą. Tačiau, mašininio mokymosi taikymas ekonometrijoje yra tik besivystanti sritis, kurioje atlikta labai mažai tyrimų.

Kita dirbtinio intelekto atšaka yra gilusis mokymasis, paremtas neuroniniais tinklais, t.y. žmogaus smegenų veikimo principais. Gilusis mokymasis reiškia, kad žmogaus smegenų veikimo principui atkurti yra naudojamas labai didelis kiekis neuronų. Tradicinis programavimas remiasi „jeigu-kai“ principu, o neuroniniai tinklai šias taisykles apsprendžia patys per mokymosi patirtį. Tradicinė programavimo prieiga tam tikrų problemų išspręsti niekaip negalėtų.

Viena iš neorinių tinklų taikomų sričių yra natūralios kalbos atpažinimas. Pavyzdžiui, „OpenAI“ kompanija išleido apmokytą neuroninį tinklą (GPT-3), turintį 175 milijardus parametrų (neuronų), kurie leido beveik žmogaus lygiu automatizuotai interpretuoti tekstą. Giliojo mokymosi srityje yra taikomas įdomus metodas, vadinamas „perdavimo mokymasis“ (angl. transfer-learning). Šis metodas leidžia jau išmokyto neuroninio tinklo dalį pritaikyti panašios srities problemoms spręsti. Pavyzdžiui, tokio tipo teksto analizė galėtų būti pritaikoma teisinių dokumentų analizei atlikti (pvz. teismų ginčų), kuri leistų vartotojui pateikus klausimą sugeneruoti apibendrintą atsakymą su nuorodomis į aktualius šaltinius.

Palaikydami dalinimosi ekonomikos tendencijas, šį apmokytą neuroninį tinklą „OpenAI“ paviešino ir leidžia naudotis visuomenei. Tokio tipo galimybės suteikia mokslininkams ir verslui daug potencialo be finansinių investicijų. „OpenAi“ išleisto GPT-3 neuroninio tinklo mokymosi kaštai Nathan Benaich ir Ian Hogarth teigimu galėtų siekti 10 milijonų USD.

Mašininio mokymosi ar giliojo mokymosi algoritmai gali būti taikomi turint prieigą prie atitinkamų duomenų. Tačiau COVID-19 situacija yra beprecedentė, todėl analizei atlikti duomenų nėra. Susiduriame su problema, kad analizuoti COVID-19 pasekmes remiantis istoriniais duomenimis yra sudėtinga, todėl tenka kurti įrankius, pagrįstus matematiniu modeliavimu. Vienas iš matematinio modeliavimo metodų yra agentais grįstas modeliavimas (angl. agent-based modelling). Tradiciniai analizės metodai įprastai remiasi sistemos galutinių rezultatų analize (angl. top-bottom), tuo tarpu agentais grįstas modeliavimas remiasi žemiausio lygio procesų analize (angl. bottom-top).

Kauno technologijos universiteto (KTU) mokslininkai atlieka įvairius tyrimus agentais grįsto modeliavimo srityje. Planuojama parengti metodologiją, kuri leistų atkurti namų ūkių pajamų ir būstų kainų tarpusavio ryšį matematiškai išreiškiant namų ūkio elgseną. Dėl COVID-19 dalis namų ūkių gali vengti daryti atitinkamas išlaidas, kita dalis gali netekti pajamų. Dėl šios priežasties pokyčius svarbu analizuoti ne tik individualiam lygmenyje, bet ir nustatyti, kokią galutinę įtaką būstų kainoms padarys šių individualių elgsenų sąveika. Tokios simuliacijos realizacija paremta teoriniu supratimu, tačiau sulyginus gautus rezultatus su realiais ekonominiais indikatoriais pagrįstų jos praktinį pritaikomumą. Tokios simuliacijos realizacija leistų priimti įrodymais grįstus politinius sprendimus.

Tokių tyrimų atlikimui būtina skatinti bendradarbiavimą tarp mokslo, valstybinių įstaigų ir privačių verslų. Norint tai realizuoti visų prima būtina užtikrinti prieigą prie esamų rinkos duomenų. Galėtų būti sukurta darbo vieta, kuri suteiktų mokslininkams ir privačioms įmonėms prieigą prie valstybinės reikšmės duomenų. Šios darbo vietos vartotojai galėtų analizuoti įvairius matematinius metodus, siekiant išspręsti visuomenei aktualias problemas. Dėl duomenų jautrumo vartotojai negalėtų jų išsinešti į išorę, tačiau galėtų pilnai atlikti testavimus ir naudotis išvesties duomenimis, kurie leistų pagerinti tiek valstybinių įstaigų, tiek verslo sprendimus.

Taip pat svarbu mokyti darbo rinką matematinio modeliavimo metodų ir suteikti tinkamas žinias modeliavimo praktiniam pritaikomumui. Šiuo tikslu KTU yra vykdoma „Didžiųjų verslo duomenų analitikos“ magistrantūros studijų programa. Šioje studijų programoje rengiami tarpdisciplininiai specialistai, gebantys suprasti ekonomines problemas ir taikyti matematines prieigas jų sprendimui.

Komentaro autorius - dr. Valentas Gružauskas, Kauno technologijos universiteto docentas

Autoriaus nuomonė nebūtinai sutampa su redakcijos pozicija.

Gauk nemokamą VERSLO naujienlaiškį į savo el.pašto dėžutę:

Pasirinkite Jus dominančius NEMOKAMUS savaitraščius:













Svarbiausios dienos naujienos trumpai:



 
Rašyti komentarą 0
Neigiamų COVID-19 veiksnių mažinimas pasitelkiant matematiką ir bendradarbiavimą 2

COVID-19 plitimas daro didelę neigiamą įtaką ekonomikai ir visuomenės gerovei. Imperatoriškojo koledžo atsako...

Inovatyvus verslas
2020.11.23
Lietuvos ekonomikos skaitmenizacijos iššūkiai

JAV, Singapūras, Danija ir Švedija yra konkurencingiausios skaitmeninės ekonomikos pasaulyje, rodo spalio 1...

Inovatyvus verslas
2020.10.10
Ir atsiliekant lyderius galima pralenkti

Baltarusijos verslas, pasirengęs kraustytis iš neramumų krečiamos šalies, vis aktyviau žvalgosi, kur galėtų...

Technologijos
2020.10.01
Inovacijos – partijų programų užribyje 2

Lietuva, kurį laiką visiškai neblizgėjusi Europos inovacijų švieslentėje, pamažėle pradeda kopti aukštyn –...

Inovatyvus verslas
2020.09.29
Inovacijų galimybės sveikatos priežiūros sistemoje: pamokos iš Jungtinės Karalystės 1

Sveikatos priežiūros sistema tikriausiai niekada nebebus tokia pati, kokia buvo prieš COVID-19 pandemiją.

Inovatyvus verslas
2020.07.15

Verslo žinių pasiūlymai

Šioje svetainėje naudojame slapukus (angl. „cookies“). Jie padeda atpažinti prisijungusius vartotojus, matuoti auditorijos dydį ir naršymo įpročius; taip mes galime keisti svetainę, kad ji būtų jums patogesnė.
Sutinku Valdyti slapukus