ปัญญาประดิษฐ์ (AI) มีบทบาทสำคัญในการป้องกันวิกฤติในหลายอุตสาหกรรม ในด้านการดูแลสุขภาพ AI ช่วยในการตรวจจับมะเร็งในระยะเริ่มต้นและการวินิจฉัยโรค ในด้านการขนส่ง AI ขับเคลื่อนยานพาหนะอัตโนมัติ โดยการวิเคราะห์ข้อมูลเซ็นเซอร์แบบเรียลไทม์ ช่วยให้รถหลีกเลี่ยงการชนกันและมั่นใจในความปลอดภัยของผู้โดยสาร

แม้กระทั่งในบริการลูกค้า AI-driven chatbots สามารถรับรู้ความหงุดหงิดของลูกค้าและลดความตึงเครียดในสถานการณ์ต่างๆ ได้ดีกว่าคน ช่วยให้การบริการราบรื่นและมีประสิทธิภาพมากขึ้น

ดังนั้น ด้วยประวัติการป้องกันวิกฤติที่เพิ่มขึ้นของ AI มันสามารถทำนายหรือป้องกันอะไรได้อีกบ้าง?

AI ได้แทรกซึมเข้าสู่ตลาดการเงินแล้ว โดยที่ AI agents ดำเนินการซื้อขายที่มีความถี่สูงและแบบจำลองการจัดการความเสี่ยงตรวจสอบการลงทุน

อย่างไรก็ตาม แม้ AI จะประสบความสำเร็จในการป้องกันการชน — ทั้งในแง่จริงและในเชิงเปรียบเทียบ — แต่ AI ยังไม่สามารถป้องกันวิกฤติการเงินขนาดใหญ่ได้

การพัฒนาของ AI ในการทำนายเศรษฐกิจ

AI ไม่ใช่สิ่งใหม่ ในช่วงปี 1980 นักเศรษฐศาสตร์ผู้บุกเบิกเริ่มสำรวจการใช้ AI ในการวิจัยเศรษฐกิจ

โดยเฉพาะ Lawrence R. Klein นักเศรษฐศาสตร์ที่ได้รับรางวัลโนเบล ซึ่งมีชื่อเสียงจากการทำงานด้านการสร้างแบบจำลองเศรษฐกิจมหภาค ได้เข้าสู่การทำนายเศรษฐกิจแบบ real-time และ nowcasting ในช่วงสามทศวรรษสุดท้ายของอาชีพของเขา ความพยายามของเขาได้วางรากฐานสำหรับการนำ AI มาใช้ในการวิเคราะห์เศรษฐกิจ

ในช่วงต้นปี 2000 AI ได้มีความก้าวหน้ามากขึ้นในการทำนายแนวโน้มเศรษฐกิจ นักวิจัยพัฒนาแบบจำลองที่สามารถประมวลผลและวิเคราะห์ข้อมูลเศรษฐกิจได้อย่างมีประสิทธิภาพ ทำให้ความสามารถในการทำนายดีขึ้น แต่ก็ยังไม่เพียงพอที่จะทำนายวิกฤติการเงินในปี 2008

ในช่วงไม่กี่ปีที่ผ่านมา การเพิ่มขึ้นของแบบจำลองการเรียนรู้ของเครื่อง (Machine Learning) ได้ปฏิวัติการทำนายเศรษฐกิจ แบบจำลองเหล่านี้สามารถวิเคราะห์ชุดข้อมูลที่ซับซ้อนและกว้างขวาง ซึ่งช่วยระบุรูปแบบและแนวโน้มที่ไม่สามารถตรวจจับได้ในอดีต

การทำงานของ AI

ในด้านการทำนายเศรษฐกิจ AI ใช้เทคนิคการเรียนรู้ของเครื่องและการเรียนรู้ลึก (Deep Learning)

Machine Learning Models ในการทำนายเศรษฐกิจทั้งเทคนิคการเรียนรู้ภายใต้การควบคุม (Supervised Learning) และการเรียนรู้โดยไม่มีการควบคุม (Unsupervised Learning) ถูกนำมาใช้เพื่อระบุรูปแบบและทำการทำนาย

  • Supervised Learning: ใช้การฝึกโมเดลด้วยชุดข้อมูลที่มีผลลัพธ์ที่รู้แล้ว เช่น การทำนายตัวชี้วัดเศรษฐกิจ เช่น การเติบโตของ GDP อัตราเงินเฟ้อ และแนวโน้มการว่างงาน โดยวิเคราะห์ข้อมูลในอดีต
  • Unsupervised Learning: ใช้ข้อมูลที่ไม่ได้ติดป้ายกำกับ เพื่อตรวจสอบรูปแบบหรือกลุ่มที่ซ่อนอยู่ เช่น อัลกอริธึมการจัดกลุ่ม (Clustering Algorithms) ที่ใช้ในการแบ่งกลุ่มเศรษฐกิจหรือกลุ่มตลาด

Deep Learning การเรียนรู้ลึกในด้านการทำนายเศรษฐกิจได้แสดงให้เห็นผลลัพธ์ที่มีแนวโน้มที่ดีขึ้น โดยเฉพาะอย่างยิ่งเครือข่ายประสาทเทียมลึก เช่น LSTM (Long Short-Term Memory) และ CNN (Convolutional Neural Networks) ที่สามารถประมวลผลข้อมูลเชิงลำดับและเชิงพื้นที่ตามลำดับ

การศึกษาการทำนายเศรษฐกิจด้วยเทคนิคการเรียนรู้ลึกพบว่าแบบจำลองเหล่านี้สามารถทำนายได้แม่นยำกว่าแบบจำลองทั่วไปในตัวแปรต่างๆ เช่น การเติบโตของ GDP และอัตราเงินเฟ้อ

AI สามารถทำนายวิกฤติการเงินได้หรือไม่?

ปัจจุบัน AI มีเทคนิคในการตรวจจับสัญญาณเริ่มต้นของความเครียดทางการเงินและทำนายภาวะถดถอยได้

ระบบเตือนภัยล่วงหน้า (EWS) ที่ขับเคลื่อนด้วย AI ถูกพัฒนาขึ้นเพื่อเฝ้าระวังและวิเคราะห์ข้อมูลทางการเงินจำนวนมหาศาล ทำให้สามารถตรวจจับความผิดปกติและรูปแบบที่บ่งชี้ถึงปัญหาเศรษฐกิจในอนาคตได้

ตัวอย่างเช่น กองทุนการเงินระหว่างประเทศ (IMF) ได้สำรวจแบบจำลองการเรียนรู้ของเครื่องที่ออกแบบมาเพื่อทำนายวิกฤติที่ส่งผลกระทบต่อภาคเศรษฐกิจต่างๆ เช่น วิกฤติการเงิน การคลัง และภาคเศรษฐกิจภายนอก

แบบจำลองเหล่านี้รวมชุดของตัวทำนายที่หลากหลาย เช่น ตัวชี้วัดเศรษฐกิจ การเงิน ประชากรศาสตร์ และตัวแปรสถาบันเพื่อเพิ่มความแม่นยำในการทำนาย

นอกจากนี้ การวิเคราะห์การทำนายยังถูกใช้เพื่อทำนายภาวะถดถอย โดยการวิเคราะห์ข้อมูลในอดีตและใช้แบบจำลองการเรียนรู้ของเครื่อง

ข้อจำกัดของ AI ในการทำนายเศรษฐกิจ

แม้ว่า AI จะมีการพัฒนาในด้านการทำนายเศรษฐกิจและการวิเคราะห์ทางการเงิน แต่ก็ยังมีความท้าทายและข้อจำกัด

ความท้าทายที่ใหญ่ที่สุดสำหรับ AI ในการป้องกันวิกฤติการเงินคือการที่ตลาดการเงินถูกขับเคลื่อนโดยปัจจัยหลายประการ เช่น พฤติกรรมของมนุษย์ เหตุการณ์ทางภูมิศาสตร์การเมือง และช็อกที่ไม่สามารถคาดการณ์ล่วงหน้าได้

นอกจากนี้ การพึ่งพาข้อมูลในอดีตอาจจำกัดความสามารถของโมเดลในการทำนายเหตุการณ์ที่ไม่เคยเกิดขึ้นมาก่อน

ข้อกังวลทั่วไปเกี่ยวกับ AI

  • คุณภาพและการเข้าถึงข้อมูล: ประสิทธิภาพของโมเดล AI ขึ้นอยู่กับคุณภาพและความสมบูรณ์ของข้อมูลที่ใช้ในการฝึกอบรม
  • การตีความแบบจำลอง: โมเดล AI หลายตัว โดยเฉพาะการเรียนรู้ลึก มักทำงานเป็น “กล่องดำ” ทำให้การเข้าใจเหตุผลเบื้องหลังการตัดสินใจเป็นเรื่องยาก
  • ข้อพิจารณาทางจริยธรรมและการกำกับดูแล: ระบบ AI อาจทำให้เกิดการบิดเบือนหรือการเลือกปฏิบัติที่ไม่ยุติธรรมในกระบวนการตัดสินใจทางการเงิน

 

Reference : Cointelegraph