Машин сургалт бидний амьдралын орчныг бүхэлд нь шинэчлэн өөрчилж байна. Бид хаагуур дэлгүүр хэсэх, хэрхэн хайж буй газраа олох, ямар зурагтын нэвтрүүлэг үзэх гэх мэт өдөр тутмын шийдвэр гаргалтад машин сургалт тусалж байна.

Мөн энэ нь эдийн засгийн ойлголтыг хүртэл өөрчлөнө.

Харвардын Sendhil Mullainathan бол машин сургалт буюу өгөгдлөөс суралцах алгоритмыг хөгжүүлэхэд анхаардаг компьютерийн шинжлэх ухааны нэг салбарлуу хөрвөсөн цөөн тооны эдийн засагчдын нэг юм. Түүний Стенфордын Susan Athey хамтран хийсэн судалгаанд машин сургалт магадгүй эдийн засагт хувьсал хийхгүй байх, гэхдээ энэ нь түүний боломжийг маш ихээр өргөжүүлэх бөгөөд олон эдийн засагчид машин сургалтыг ашиглах хэрэгтэй гэжээ.

Mullainathan мөн Харвардын PhD оюутан Jann Piess-тай хийсэн сүүлийн үеийн судалгаандаа эдийн засагч нар өгөгдөлд шинжилгээ хийж байхдаа хоёр хувьсагчийн хоорондын харилцан хамаарлыг ихэвчлэн тайлбарлах гэж оролддог тухай тайлбарлажээ. Жишээлбэл: Эдийн засагчид үл хөдлөх хөрөнгийн м.кв, байршил эсвэл бусад хувьсагчид тухайн үл хөдлөхийг худалдан авах сонирхолтой хүний тоонд хэрхэн нөлөөлж буйг тайлбарлана.

Машин сургалтын одоогийн хөгжлийн хувьд эдгээр хувьсагчдын харилцан хамаарлын талаар төдийлөн тайлбарлахгүй. Харин алгоритм юуг сайн хийх вэ? гэхээр үл хөдлөхийн үнийн таамаглалыг тухайн хувьсагчдаас хамааруулж маш сайн таамаглана. Гэхдээ яагаад гэдгийг хэлж чадахгүй.

Гэсэн хэдий ч Mullainathan болон Piess нар эдийн засагч нарт технологийн давуу талаас ашиглаж болох 4-н түлхүүр боломж байна гэж үзжээ.

Нэгдүгээрт, Машин сургалт шинэ төрлийн өгөгдөл цуглуулахад ашиглагдаж байна. Эдийн засагчид хиймэл дагуулаас авсан улс орнуудын шөнийн гэрэлтэй зургийн өгөгдлийг ашиглан тэдгээр улсуудын эдийн засгийн өсөлтийг таамагласан бол Google Street View-г ашиглан Бостон болон Нью-Йорк дахь хөршүүдийн орлогын түвшинг хэмжиж чадсан байна. Мөн машин сургалт нь эдийн засагчдад хэлний буюу бичгэн өгөгдлийг задлан шинжлэх боломжийг өгч байна. Тухайлбал, санхүүгийн тайлан эсвэл сонин дээрх мэдээллийг хүний оролцоогүйгээр алгоритмийн тусламжтай эерэг, сөрөг гэж ангилж чадаж байна.

Хоёрдугаарт, Машин сургалт эдийн засгийн гол онолуудыг тест хийж шалгахад тохиромжтой. Fama-MacBeth регресс нь Капитал хөрөнгийн үнэлгээний загварын параметрүүдийг үнэлэхэд ашигладаг бөгөөд хувьсагчдын тоо хэт их үед ашиглах боломжгүй болдог. Энэхүү асуудлыг Машин сургалтын аргачлал ашиглан шийдсэн судалгааг дурьджээ.

Гуравдугаарт: Таамаглалын зарим асуудлууд эдийн засагт илүү чухал байдаг бөгөөд үүнд машин сургалт илүү үр ашигтай ажиллана Mullainathan болон Piess үзсэн байна.

Төгсгөлд нь, Маш олон шинжилгээний аргачлалууд машин сургалт илүү нарийвчлалтай хийж чадах асуудлуудад зориулагдсан байдаг. Жишээ нь: эдийн засагчид урт хугацааны түүвэр судалгаа явуулж байх үед нийт хугацааны турш хүмүүс үргэлж судалгааг завсарлах эсвэл орхидог. Түүвэр судалгааны үр дүнг хэрэглэгдэж болохуйц байхын тулд тэдгээр судалгааг орхидог, завсарладаг хүмүүсийг санамсаргүй эсвэл таамагласан аль нь ч байсан машин сургалт ашиглан баталгаажуулж болно. Мөн эдийн засагчид зорилтод бүлэгт хэрэгжүүлсэн хөтөлбөрийн нөлөөг үнэлэх гэж байх үед машин сургалтыг хөтөлбөрт хамрагдсан хүмүүстэй ижил шинж чанар бүхий хүмүүсийг ялгаж түүвэрлэх, хяналтын бүлгийг үүсгэж, харьцуулахад ашиглаж болно.

Өнөөдрийг хүртэл эдийн засагч нар төдийлөн машин сургалтыг ашигладаггүй бөгөөд эдийн засагчдын CV-ны үндсэн шаардлагуудын нэг биш юм. Гэхдээ эдийн засагчдын дараагийн үеийнхэнээс ихээхэн хэмжээний өгөгдөл болон компьютерийн програмууд дээр ажиллах чадвар, машин сургалтын тодорхой түвшний мэдлэгийг хүлээж байна.

)

    Lkhagvadorj Munkhdalai

    Written by