Ο Ηλίας Καραβόλιας είναι Οικονομολόγος με ειδίκευση Γενικής Θεωρίας και Οικονομικής Πολιτικής. Κατέχει Master of Arts από το European Institute of Philosophical Anthropology.
Πλέον στις οικονομοτεχνικές μελέτες, τα νέα παιδιά που φτιάχνουν πλάνα για « επιχειρηματικούς και μηχανομαθησιακούς στόχους» πρέπει πρώτα να κατανοήσουν τον κόσμο της «μηχανικής μάθησης»
Στο πρόσφατα μεταφρασμένο βιβλίο ( εκδ Παπασωτηρίου ) η συγγραφέας Chip Huyen, συνιδρύτρια της Claypot AI, ( διαβάζουμε στο οπισθόφυλλο) «εξετάζει κάθε σχεδιαστική απόφαση –όπως πώς πρέπει να γίνεται η επεξεργασία και η δημιουργία των δεδομένων εκπαίδευσης, ποια χαρακτηριστικά πρέπει να χρησιμοποιούνται, πόσο συχνά πρέπει να επανεκπαιδεύονται τα μοντέλα και ποιοι δείκτες πρέπει να παρακολουθούνται– με γνώμονα το πώς μπορεί να βοηθήσει το σύστημά σας ως σύνολο να πετύχει τους στόχους του. Το δε επαναληπτικό μεθοδολογικό πλαίσιο που παρουσιάζεται στο βιβλίο στηρίζεται σε πραγματικές μελέτες περίπτωσης, οι οποίες συνοδεύονται από πληθώρα αναφορών»
Οι νέες λοιπόν λογισμικές προβλεπτικές μπορεί να συνεχίσουν να παράγουν δείκτες και νούμερα αλλά τα «μεγέθη» δεν πατάνε πάνω σε απλές παραδοχές : πατάνε πάνω σε «απαιτήσεις» μηχανικής μάθησης δεδομένων και σε μοντέλα υψηλής αλγοριθμικής μηχανικής.
Οι καινούργιες έννοιες πάνω στις προβλέψεις τις οικονομικές έχουν ίδια ονομασία μεν αλλά νέα μηχανική υποδομή : Αξιοπιστία, Κλιμακωσιμοτητα, Συντηρησιμοτητα, Προσαρμοστικότητα, Επαναληπτικότητα.
Τα νέα επίδικα στην οικονομική πρόβλεψη σχετίζονται με υψηλή υπολογιστική και αλγοριθμικό ταιηλορισμό. Με μεθοδική διατύπωση μηχανομαθησιακών ορίων στη διαχείριση δεδομένων.
Αντικειμενικές συναρτήσεις αντικαθιστούν τις υποκειμενικές προσδοκίες ( ο νους παλεύει έναντι των δεδομένων)
Κανένα business plan και καμία στρατηγική μελέτη δεν μπορεί να σταθεί εάν δεν «πατάει» σε υψηλού επιπέδου νέες τεχνοδομές και νόρμες προγραμματισμού μοντέλων μηχανικής μάθησης.
Στο συγκεκριμένο εκπληκτικό τεχνικό βιβλίο πχ μαθαίνουμε γαι τις « γραμμοτακτικές και στηλοτακτικές διαμορφώσεις»
και για «κειμενικές και δυαδικές»
Το γενικότερο υπόδειγμα υπολογιστικής σε λογισμικά προβλέψεων μεγεθών απόδοσης στηρίζεται πάνω στο «σχεσιακό μοντέλο( πχ τα NoSQL)
Δομημένα και αδόμητα δεδομένα τροφοδοτούν τις
μηχανές αποθήκευσης και αναζήτησης μετα-δεδομένων γι επεξεργασία. Αυτή ακριβώς η
συναλλακτική και αναλυτική επεξεργασία αλλάζει όλη την επιχειρησιακή οικονομία και την παραγωγικότητα.
Εξαγωγή, μετασχηματισμός και φόρτωση δεδομένων καθορίζουν την δυναμική της ροής των δεδομένων.
Τα μοντέλα μηχανικής μάθησης είναι αυτά που εξουσιάζουν τα μοντέλα για τις προβλέψεις.
Και αυτά που εξουσιάζουν ουσιαστικά την οικονομία (και τις κοινωνίες φυσικά)
«Σε ένα ακμάζον αλλά χαοτικό οικοσύστημα, μια εμπεριστατωμένη από άκρο σε άκρο θεώρηση της μηχανικής μάθησης λειτουργεί και ως χάρτης και ως πυξίδα» λέει ο Jacopo Tagliabue- Διευθυντής τεχνητής νοημοσύνης στην Coveo.
Χωρίς αυτήν την πυξίδα, η αλήθεια είναι ότι δεν μπορεί να υπάρξει η περίφημη ευθυγράμμιση της «ομαλής αστοχίας» γύρω από το σύγχρονο οικονομικό και τεχνολογικό σύστημα…