Žmonės mokyklose, darbovietėse ir daugelyje kitų vietų dažnai mano, kad verta susirasti bendraminčių grupę, su kuria galėtų dirbti ar bendrauti. Tačiau taip pat gali būti naudinga organizuoti įmones į bendraminčių grupes, sako Elektros inžinerijos ir informatikos katedros doktorantas Manishas Singhas. „Tai padarius, pavyzdžiui, investuotojai gali geriau suvokti rinką, o vyriausybinės agentūros – pamatyti, kaip sekasi tam tikram ekonomikos sektoriui.”
Oficialiai „pramonės šakų tarpusavio grupavimo” praktika taikoma bent jau nuo 1937, šiuo metu egzistuoja kelios klasifikavimo schemos. Viena iš standartinių klasifikavimo metodų problemų yra ta, kad jie paprastai remiasi tik vienu informacijos šaltiniu – pavyzdžiui, rašytiniais aprašymais apie tai, kuo įmonė užsiima, arba etikete, apibūdinančia bendrą sritį, kurioje yra įmonės produktai ir paslaugos. Tačiau dabar, atsiradus „didiesiems duomenims”, yra daug daugiau informacijos šaltinių, kuriais galima remtis, pavyzdžiui, įmonės finansiniai duomenys, naujienos, akcijų grąža, ESG (aplinkosaugos, socialinė ir valdymo) politika ir pan. Nauja dirbtiniu intelektu pagrįsta klasifikavimo sistema, kurią sukūrė MIT mokslininkai ir investicinių sprendimų teikėja MSCI, yra skirta informacijai iš daugelio šaltinių surinkti, kad būtų galima rasti bendrų bendrovių bruožų. „Tai yra didelis skirtumas tarp mūsų sistemos ir įprastesnių metodų”, – sako Singhas.
Su tuo sutinka ir Piteris Zangaris (Peter Zangari), MSCI pasaulinis mokslinių tyrimų ir produktų plėtros vadovas. „Mes sakome, kad nustatant panašių įmonių grupę yra ir kitų veiksnių, o ne tik tai, kokiame sektoriuje veikia konkreti įmonė”, – tvirtina jis. „Mūsų požiūris yra daug bendresnis. Iš esmės galime pasinaudoti bet kokia elektroniniu būdu užfiksuota informacija.”
Turto valdytojams, aiškina A. Zangari, panašių įmonių grupavimas pagal pramonės šakas yra svarbus, „nes sudarant investicinį portfelį norima žinoti, kurios įmonės yra panašios, kurios skirtingos ir kiek jos tarpusavyje koreliuoja. Jei jos per daug susijusios, portfelis tampa nediversifikuotas, o tai didina riziką.”
MIT bendradarbiavimas su MSCI prasidėjo prieš dvejus metus, kai MSCI pripažino, kad jų bendrovių skirstymo į kategorijas būdui galėtų būti naudingas mašininio mokymosi indėlis. Galvodami apie galimus partnerius, turinčius patirties šioje srityje, bendrovės atstovai susitiko su Andrew W. Lo, Charleso E. ir Susan T. Harriso profesoriumi ir Sloano vadybos mokyklos Finansų inžinerijos laboratorijos direktoriumi, o vėliau buvo užmegzta mokslinių tyrimų partnerystė su Lo suburta MIT grupe. Vienas iš šio bendradarbiavimo rezultatų – dirbtiniu intelektu pagrįsta tarpusavio grupavimo sistema (AIPGS), kuri aptariama straipsnyje, šį pavasarį paskelbtame žurnale The Journal of Financial Data Science ir perspausdintame liepos mėnesį 15, 2022.
AIPGS dirbtinio intelekto komponentas veikia keliais etapais. Pirmasis žingsnis, pasak Singho, apima „požymių išskyrimą iš įvairių duomenų rinkinių ir tų požymių konvertavimą į formą, kurią gali naudoti mūsų algoritmai” Tarkime, yra tekstinis dokumentas, kuriame aprašoma, kuo užsiima įmonė. Tada naudojami natūralios kalbos apdorojimo algoritmai, kad kompiuteris galėtų interpretuoti ir suprasti tekstą. Jei būtų 100 rašytinių aprašymų, per vieną analizės etapą būtų galima nustatyti, kiek vieno aprašymo žodžių yra ir kituose aprašymuose. Kompiuteris taip pat galėtų išsiaiškinti, kurios įmonės kartu minimos tuose pačiuose naujienų straipsniuose ir kaip dažnai tai pasitaiko. Šią informaciją būtų galima pavaizduoti grafike – matematiniame objekte, kuriame kiekviena bendrovė yra vaizduojama mazgu arba viršūne, o tarp skirtingų mazgų brėžiamos linijos arba „briaunos”, kai bendrovės kartu minimos tame pačiame straipsnyje. Tada galima taikyti daugybę tinklų teorijos priemonių, kad būtų galima analizuoti šioje (grafinėje) formoje esančią informaciją
Kitas žingsnis, kai visa ši informacija perduodama algoritmams, yra mašininio mokymosi metodų, pavyzdžiui, ridge regression – dviejų kintamųjų ryšių nustatymo metodika – taikymas, siekiant kiekybiškai įvertinti bendrovių panašumus. Tai rodo dar vieną AIPGS privalumą. Singhas sako, kad mūsų sistema gali ne tik priskirti bendrą etiketę, tarkime, 10 bendrovėms ir pasakyti, kad jos visos priklauso tai pačiai grupei, kaip paprastai daroma įprastais metodais, bet ir pasakyti panašumo laipsnį ir iš tikrųjų jas įvertinti. Kurios iš 10 įmonių yra panašiausios ar labiausiai nepanašios?”
Kita AIPGS savybė yra ta, kad ji gali atskleisti, kaip teigiama straipsnyje, ryšius ir „grupes, kurių nefiksuoja esamos klasifikavimo sistemos… AIPGS taip pat užfiksavo grupes, kurios iš pirmo žvilgsnio gali atrodyti neintuityvios ar netikėtos” Pavyzdžiui, 2014 modelyje „eBay” buvo priskirta tokioms finansų bendrovėms kaip „Mastercard” ir „Visa” – sprendimas, kuris gali atrodyti keistas, kol nesuprantame, kad tuo metu „eBay” priklausė „PayPal”. 2018, praėjus trejiems metams po to, kai „eBay” atsiskyrė nuo „PayPal”, AIPGS ją intuityviau priskyrė e. prekybos sektoriui.
Kartais modelis nustato sąsajas, kurias sunku suvokti pašaliniam (žmogiškajam) stebėtojui. Tai galima laikyti ir sistemos stiprybe, ir silpnybe, sako Singhas. Tai gali būti laikoma stiprybe vien dėl to, kad dirbtinis intelektas, įsisavindamas didžiulius duomenų kiekius, gali įžvelgti dalykus – ir įžvelgti dėsningumus – kurie yra už mirtingųjų suvokimo galimybių ribų. Singhas priduria, kad būtų sudėtinga visas AIPGS išvadas padaryti suprantamas. „Kai kuriuos mašininio mokymosi įrankius galima prilyginti „juodajai dėžei”, o kai kurie nėra tokio tipo. Vienas iš metodų būtų remtis AI metodais, kurie yra skaidresni – ir nepanašūs į „juodąją dėžę”. Siekiame ištirti galimybę ateityje modelius padaryti skaidresnius”
Daugiau informacijos: George Bonne et al, An Artificial Intelligence-Based Industry Peer Grouping System, The Journal of Financial Data Science (2022). DOI: 10.3905/jfds.2022.1.090
Citavimas: Bendraamžių įmonės (ar įmonių) paieška (2022, rugpjūčio 2 d.) gauta rugpjūčio 2 d. 2022 iš https://techxplore.com/news/2022-08-įmonių-įmonių-personažų.html
Šiam dokumentui taikomos autorių teisės. Be raštiško leidimo negalima atgaminti jokios dokumento dalies, išskyrus sąžiningą naudojimą asmeninėms studijoms ar tyrimams. Turinys pateikiamas tik informaciniais tikslais.
