Οι σημαντικές ευκαιρίες που προσφέρει η Τεχνητή Νοημοσύνη στις κεντρικές τράπεζες, για να βελτιώσουν την αποτελεσματικότητά τους σε τομείς όπως η επικοινωνία και η οικονομική ανάλυση, ήταν ένας από τους βασικούς άξονες της ομιλίας του Διοικητή της Τράπεζας της Ελλάδας, Γιάννη Στουρνάρα στο συνέδριο ECONDAT.
Eπίσης έχει ιδιαίτερο ενδιαφέρον το πώς η ΤΝ διασταυρώνεται με τη στρατηγική νομισματικής πολιτικής που εφαρμόζεται στην Ευρωπαϊκή Κεντρική Τράπεζα (ΕΚΤ), καθώς και οι συνέπειες της ΤΝ για τη σταθερότητα των τιμών, τη μετάδοση της νομισματικής πολιτικής και τη χρηματοπιστωτική σταθερότητα. «Γίνονται προσπάθειες για να αξιοποιηθεί η ΤΝ με τρόπους που θα ωφελήσουν τις επικοινωνιακές μας διαδικασίες, έτσι ώστε να ενισχυθεί η διαφάνεια, να στηριχθεί η εμπιστοσύνη προς την κεντρική τράπεζα και να διασφαλιστεί ότι η συνάρτηση αντίδρασης της νομισματικής πολιτικής γίνεται σαφώς κατανοητή, συμβάλλοντας έτσι στη σταθεροποίηση των προσδοκιών για τον πληθωρισμό» είπε χαρακτηριστικά.
«Τέτοιου είδους εφαρμογές μάς βοηθούν να καταλάβουμε πώς η γλώσσα που χρησιμοποιούμε στην επικοινωνία μας επηρεάζει τις προσδοκίες των αγορών για τον πληθωρισμό και τα επιτόκια», είπε ο Γιάννης Στουρνάρας.
Στουρνάρας: H Tεχνητή Νοημοσύνη εντοπίζει λεπτότατες αλλαγές στον τόνο των ανακοινώσεων
«Τα μοντέλα ΤΝ μπορούν να εκπαιδευθούν σε χρηματοπιστωτικά θέματα και θέματα νομισματικής πολιτικής, ώστε να μπορούν να εντοπίζουν ακόμη και λεπτές αλλαγές στον τόνο των ανακοινώσεων – π.χ. αν προκύπτει ένα μήνυμα υπέρ αυστηρότερης ή χαλαρότερης νομισματικής πολιτικής – πριν αυτές δημοσιευθούν.
Αυτό επιτρέπει στα επικοινωνιακά επιτελεία να προσαρμόζουν κατάλληλα τη διατύπωση ώστε να μεταδίδεται το επιδιωκόμενο μήνυμα πολιτικής, ελαχιστοποιώντας έτσι τον κίνδυνο παρερμηνείας από τις αγορές που θα μπορούσε να προκαλέσει ανεπιθύμητη μεταβλητότητα»
«Ωστόσο, γεννάται το ερώτημα: Μήπως η χρήση της ΤΝ στο πλαίσιο της οικονομικής ανάλυσης έχει δημιουργήσει υπερβολικές προσδοκίες; Ή μήπως θα μπορούσε να σηματοδοτήσει μια μεθοδολογική επανάσταση που θα μας βοηθήσει να εκπληρώσουμε καλύτερα την αποστολή μας; Πιστεύω ότι υπάρχουν μοναδικές ευκαιρίες, αλλά και αρκετές προκλήσεις»
«Οι παραδοσιακές στατιστικές μέθοδοι μπορεί να μην είναι επαρκείς για να αποτυπώσουν την πολυπλοκότητα του σημερινού αβέβαιου περιβάλλοντος. Η χρήση μεγάλων γλωσσικών μοντέλων μπορεί να προσφέρει βελτιωμένη επεξεργασία δεδομένων και ανάλυση μη δομημένων συνόλων κειμενικών δεδομένων (όπως ειδησεογραφικά άρθρα ή αναρτήσεις στα μέσα κοινωνικής δικτύωσης). Αυτό μας επιτρέπει να έχουμε πρόσβαση σε νέες και μη παραδοσιακές πηγές δεδομένων που μπορούν να προσφέρουν πληροφόρηση χρήσιμη για τη χάραξη της πολιτικής μας»
«Επιπλέον, τα μοντέλα μηχανικής μάθησης (machine learning) μπορούν άμεσα να αναγνωρίζουν μοτίβα ή κανονικότητες, τάσεις και δυνητικούς κινδύνους που πιθανόν να διαφεύγουν από τις παραδοσιακές μεθόδους. Μας επιτρέπουν λοιπόν να εντοπίζουμε διαρθρωτικές ασυνέχειες και κανονικότητες που διαφορετικά θα ήταν δύσκολο να εντοπιστούν»
«Η ΤΝ θα μπορούσε να βελτιώσει τις προβλέψεις και την παραγωγή εκτιμήσεων σε πραγματικό χρόνο (nowcasting) για τον πληθωρισμό και την οικονομική δραστηριότητα. Το Ευρωσύστημα χρησιμοποιεί ήδη την ΤΝ για να βελτιώσει τις διαδικασίες οικονομετρικών προβλέψεων. Για παράδειγμα, τεχνικές μηχανικής μάθησης εφαρμόζονται για την πρόβλεψη του πληθωρισμού, ή την εκτίμηση μεγεθών του παγκόσμιου εμπορίου σε πραγματικό χρόνο».
Oι προκλήσεις
Πρώτον, τα μοντέλα ΤΝ είναι συχνά πολύπλοκα και αδιαφανή. Είναι σαν ένα «μαύρο κουτί» και έτσι είναι δύσκολο – τουλάχιστον προς το παρόν – να θεωρηθούν συμβατά με τις αρχές της διαφάνειας και της λογοδοσίας των κεντρικών τραπεζών.
Δεύτερον, τα μοντέλα ΤΝ (συνήθως μεγάλα γλωσσικά μοντέλα) είναι δυνατόν ενίοτε να παρέχουν ανακριβείς ή παραπλανητικές πληροφορίες, γεγονός που θέτει μια σειρά από ζητήματα, πρακτικά, φήμης και νομικά. Συνεπώς, είναι επιβεβλημένο να υπάρχει ανθρώπινη επίβλεψη, ιδίως σε διαδικασίες που απαιτούν κριτική σκέψη.
Τρίτον, τα μη παραδοσιακά δεδομένα είναι συχνά χαμηλής ποιότητας και η αντιπαραβολή τους με τις υπάρχουσες πηγές δεδομένων είναι μια απαιτητική διαδικασία. Ομοίως, η χρήση της ΤΝ δεν θα πρέπει να δημιουργεί υπερβολική εξάρτηση από αποτελέσματα που έχουν παραχθεί από μηχανήματα.
Συνολικά, θεωρώ ότι η ΤΝ είναι μια τεχνολογία με τεράστιες δυνατότητες που έχει ήδη επιφέρει σαρωτικές αλλαγές στην οικονομική ανάλυση. Οι δυνατότητές της ακόμη αναπτύσσονται και τα οφέλη που προσφέρει μόλις έχουν αρχίσει να γίνονται αντιληπτά».
Συνέπειες για την παραγωγικότητα, την απασχόληση και τον πληθωρισμό
«Η ΤΝ έχει μεγάλες δυνατότητες να αυξήσει την παραγωγικότητα, τόσο με την άμεση επίδρασή της στη συνολική παραγωγικότητα των συντελεστών όσο και μέσω βελτιώσεων της αποδοτικότητας σε επίπεδο επιχείρησης. Ωστόσο, οι επιδράσεις της σε συνολικό επίπεδο παραμένουν αβέβαιες, με τις σχετικές εκτιμήσεις να ποικίλλουν σε μεγάλο βαθμό μεταξύ των μελετών»
«Είναι δύσκολο να εκτιμηθούν οι δυνητικές επιδράσεις της ΤΝ στην απασχόληση. Αφενός, η ΤΝ μπορεί να αυτοματοποιήσει εργασίες ρουτίνας και χαμηλότερης εξειδίκευσης – δυνητικά εκτοπίζοντας εργαζομένους. Αφετέρου, μπορεί να δημιουργήσει νέες ευκαιρίες αυξάνοντας τη ζήτηση εργατικού δυναμικού για μη αυτοματοποιημένες εργασίες και δημιουργώντας νέα επαγγέλματα.
Για να μεγιστοποιηθούν οι ευνοϊκές επιδράσεις της ΤΝ στην απασχόληση και να μετριαστούν οι κίνδυνοι, όπως η ανισότητα στην αγορά εργασίας, απαιτείται επανακατάρτιση του εργατικού δυναμικού ώστε να αποκτήσει δεξιότητες συμπληρωματικές προς την ΤΝ».
«Όσον αφορά τις τιμές, η ΤΝ μπορεί να επηρεάσει τον πληθωρισμό και προς τις δύο κατευθύνσεις. Η αυξημένη παγκόσμια ζήτηση ενέργειας – λόγω της τεράστιας υπολογιστικής ισχύος που απαιτούν οι τεχνολογίες ΤΝ – θα μπορούσε να αυξήσει τις τιμές της ενέργειας», κατέληξε ο Γιάννης Στουρνάρας.
