Искусственный интеллект

Лишь за последние несколько лет стали появляться публикации, авторы которых делятся опытом использования систем ИИ в составе сложных моделей для более адекватного представления деятельности экономических агентов. В то же время моделей, использующих в качестве ИИ нейронные сети, совсем немного.

Хотя новатор в области ограниченной рациональности - Г. Саймон еще в 1970-ых годах отметил, что «за последние 20 лет, благодаря исследованиям в области искусственного интеллекта и когнитивной психологии, наше понимание процедурной рациональности заметно продвинулось. Использование этих достижений в экономической теории могло бы существенно углубить наши представления о динамической рациональности и воздействии на процессы выбора институциональных структур, в рамках которых осуществляется выбор» (Simon (1978)).

Такое отставание во времени связано в первую очередь с неспособностью вычислительных машин того времени численно разрешать модели большой размерности. Теперь современные компьютеры позволяют проводить такие вычисления.

Приведем примеры наиболее известных публикаций по этой теме.

В работе (Baldassarre (1997)) рассматривается модель Бертрана, в которой агенты, каждый из которых представлен совокупностью 30 нейронных сетей, принимают решения об установлении цены на свою продукцию. Веса синапсов этих сетей регулируются с помощью генетических алгоритмов. В процессе «игры» агент выбирает результаты, выдаваемые только одной сетью, просчитывая при этом последствия (прибыль, реакцию других агентов) от применения результатов других сетей. Проведенное исследование было теоретическим, и в нем не использовались реальные статистические данные. Автор хотел показать способность экономических агентов принимать решения посредством применения технологий ИИ.

В другой работе (Zizzo, Sgroi (2000)) рассматривается игра, в которой достигается равновесие Нэша. Один из игроков представлен нейронной сетью, обученной на множестве примеров игр с равновесием по Нэшу. В новых играх, которые «игрок - нейронная сеть» еще не встречал, равновесие достигалось в большинстве случаев.

Немецкий ученый Гротманн (Grothmann (2002)) построил нейронную сеть, имитирующую работу валютного рынка. В отличие от прямого использования нейронных сетей для получения прогнозных оценок, в разработанной им сети каждый нейрон, являясь участником валютного рынка, «принимает решение» о покупки валюты той или иной страны. Результатом одновременно принятых решений всей совокупности нейронов сети является ставка обменного курса национальной валюты.

В статье (Kooths (1999)) описывается своего рода гибрид нейронной сети и системы нечеткой логики, называемый «нейронно-нечетким генератором ожиданий» (Neuro-Fuzzy Expectation Generator -NFEG), который встроен в экономическую модель, рассматривающую товарные и валютные рынки, а также рынки ценных бумаг и рабочей силы.

Основываясь на теории ограниченной рациональности, автор работы критикует подход, согласно которому люди знают все экономические последствия принимаемых ими решений. В противовес классической теории, автором была предложена модель, работающая следующим образом:

1) изначально задается набор нечетких правил типа «ЕСЛИ безработица будет расти, ТО инфляция будет снижаться» и т.д.;

2) далее, эти правила преобразуются в нейронную сеть, веса синапсов которой определяются с помощью модифицированного метода обратного распространения. Измененный автором алгоритм обучения нейронной сети позволяет контролировать процесс «познания» агентами модели окружающей их экономической среды до некоторой степени, недостаточной для полного понимания системы (это сделано специально, чтобы подчеркнуть ограниченную рациональность);

3) и, наконец, обученная нейронная сеть снова трансформируется в нечеткую систему, которая взаимодействует с другими частями экономической модели.

Помимо перечисленных работ по использованию систем ИИ в экономических моделях, необходимо упомянуть про новое направление в прикладной экономике - «Вычислимой экономике агентов» (Agent-based Computational Economics, АСЕ), основой которого является моделирование виртуального мира, «населенного» автономными агентами (экономическими, биологическими и т.д ). В проект по созданию подобных миров вовлечено много исследователей, разработки которых выложены на сайте

http://www.econ. iastate.edu/tesfatsi/ace.htm. Управление созданным виртуальным миром, в соответствии с методологией АСЕ, осуществляется без вмешательства извне, т.е. только посредством взаимодействия агентов (Tesfatsion (2002)). При этом агенты должны обладать способностью к обучению.

Наиболее популярным прикладным пакетом для моделирования параллельно распределенного виртуального мира является универсальный пакет SWARM, разработанный в Институте Санта Фе (Santa Fe Institute). По своей сути SWARM является набором библиотек, написанных на языке Objective-C, служащих основой для разработок сложных мульти-агентных систем. Этот пакет в свободном доступе выложен в сети по адресу http://wiki.swann.org.

Разработка виртуального мира в SWARM осуществляется за два основных этапа:

1) Создание среды виртуального мира, в которой будут сосуществовать агенты, определяемые на следующем этапе.

2) Создание агентов - объектов виртуального мира (к примеру, людей), с описанием их атрибутов и правил взаимодействий. В процессе своего существования, созданные агенты будут анализировать получаемые от окружающей среды данные, реагировать на них и пополнять свой опыт (обучаться). Этот этап разработки модели наиболее важен, поскольку агенты, корректно отражающие черты своего реального прообраза - залог адекватно построенного виртуального мира.

Более подробно про пакет SWARM можно узнать на официальном сайте (см. выше) и из книги (Economic simulation in SWARM (2000 )).

Однако надо отметить, что практически все упомянутые выше модели, использующие ИИ, являются теоретическими. Т.е. они используют абстрактные данные, а цель их разработки заключалась в проверке возможности применения такого инструментария. В отличие от такого рода разработок, наша модель, как будет показано далее, использует реальные данные и способна выдавать адекватные результаты.

Помимо этого, большинство экономических моделей, в которых используются технологии ИИ, являются итерационными, но в то же время количество итераций ограничивается самими разработчиками, которые «на глазок» определяют точку останова, а в нашей модели итеративный пересчет продолжается до совпадения совокупного спроса и предложения.

В этой работе, в качестве базовой экономической системы, в которую будет встроена совокупность нейронных сетей, мы решили использовать вычислимую модель общего экономического равновесия (Computable General Equilibrium Model, CGE модель). Модели этого класса сами по себе являются новым направлением в прикладной экономике, получившим широкое распространение во всем мире.