Группа специалистов под руководством доктора физико-математических наук, профессора Михаила Бабенко уже завершила проект создания программы. Она способна делать сразу три прогноза инфляции: краткосрочный (на месяц), среднесрочный (на квартал) и долгосрочный (на год). Настройки при необходимости можно корректировать, чтобы получить данные за выбранный период.
Система берет новости по финансовой тематике из агрегаторов и, опираясь на определенные слова, показывает динамику изменений, происходящих в выбранной группе товаров, и как они способны повлиять на их стоимость. Напомним, сегодня в потребительской корзине насчитывается 775 наименований товаров и услуг, по которым Росстат выдает данные.
- Наш проект также подтвердил эффективность машинного обучения для экономического анализа. В будущем планируем регулярно обновлять данные и использовать более сложные архитектуры, - отметил Михаил Бабенко.
Ученые провели определенную работу, чтобы модель смогла обучаться дальше самостоятельно. Для этого специалисты применили скрипты по автоматизированному сбору статей. На первом этапе их вручную классифицировали по ключевым параметрам, в том числе по степени влияния на инфляцию.
"Эта работа позволила сформировать сбалансированный набор данных, что является критически важным для машинного обучения", - отметили в пресс-службе СКФУ.
После повторной верификации система анализа показала точность классификации в 93 процента, что считается высоким результатом. Ученые отмечают, что особую пользу модель может принести маленьким компаниям, у которых нет возможности нанимать в штат аналитиков.
- Внедрение инновационных решений для интеллектуального анализа больших данных открывает новые возможности для бизнеса благодаря ускорению обработки и передачи информации, а также повышению точности прогнозов, - отметил ректор СКФУ Дмитрий Беспалов.
Различные модели обработки новостных данных уже пробуют внедрять некоторые финансовые и информационные гиганты. Например, в прошлом году о своем технологическом решении рассказали в Bloomberg. Их GPT-модель обрабатывает финансовые новости, пресс-релизы, отчеты компаний и проводит на их основе финансовую аналитику. По мнению экспертов, нейросети способны давать более точные прогнозы динамики инфляции, чем традиционные методы.
Как рассказал корреспонденту "РГ" основатель группы компаний по разработке систем ИИ для бизнеса Михаил Шахмурадян, созданный в СКФУ информационный продукт может пригодиться широкому кругу участников экономического сектора, начиная от самих финаналитиков и заканчивая ритейлерами.
- Бенефициарами также могут выступать банки, страховые компании, которые смогут оперативнее оптимизировать управление рисками. В том числе такие системы пригодятся государственным институтам для принятия более точных и своевременных экономических мер, - отметил Шахмурадян.
Он добавил, что на надежность прогнозов напрямую влияет репрезентативность исходных данных. Не каждая новость сказывается на ценах, а некоторые вообще могут ввести модель в заблуждение. Поэтому многое зависит от ее настроек и качества работы.
Архитектор ИИ-платформы AiLine Softline Digital Дмитрий Федотов в разговоре с корреспондентом "РГ" уточнил, что сейчас для прогнозирования инфляции используются классические эконометрические модели, но они могут проигрывать в точности современным методам.
- Мы сейчас наблюдаем запрос на разработку моделей прогнозирования динамики цен со стороны пищевой промышленности и ритейла. Например, недавно сами разрабатывали такую модель для одного крупного заказчика в сфере пищепрома. Она выдает бизнесу достаточно точные прогнозы с горизонтом до полутора лет. Про точность долгосрочных прогнозов говорить не приходится, так как на инфляцию сильно влияют внешнеэкономические и геополитические факторы, которые ни одна модель не сумеет учесть, - подчеркнул Федотов.
Применение инструмента на основе искусственного интеллекта возможно и государственными органами. Кандидат экономических наук специалист по технической защите информации Сергей Гатауллин пояснил, что считает использование предложенного учеными метода хорошим инструментом для специалистов Центробанка или министерства экономического развития, которые занимаются формированием денежно-кредитной политики и осуществлением другой регуляторной деятельности.
- Отдельного внимания заслуживает возможность применения такого инструмента ФАС. Проводя в режиме реального времени качественную аналитику больших данных с использованием машинного обучения, это ведомство может перейти от реагирования на инциденты постфактум к режиму повышенной оперативной готовности, будучи осведомленным о возможных нарушениях антимонопольного законодательства, - подчеркнул Гатауллин.
Но в любом случае оценивать полученные от нейросети рекомендации нужно критически, ведь человек не всегда может понять, почему она приняла то или иное решение.