الزامات گذار با سياست پولي هوشمند در بانك‌هاي مركزي

۱۴۰۳/۱۱/۱۶ - ۰۰:۵۳:۴۵
|
کد خبر: ۳۳۳۰۳۵

هوش مصنوعي (AI) در حال تغيير طيف گسترده‌اي از زمينه‌ها است و اقتصاد نيز از اين قاعده مستثني نيست. اقتصاددانان به‌طور فزاينده‌اي پتانسيل هوش مصنوعي، يادگيري ماشيني (ML)، يادگيري عميق (DL) و مدل‌هاي زبان بزرگ (LLMs) را براي تقويت ابزارهاي تحليلي خود، به ويژه در مطالعات بانك مركزي و سياست‌هاي پولي، تشخيص مي‌دهند.

مهنوش صالحي

هوش مصنوعي (AI) در حال تغيير طيف گسترده‌اي از زمينه‌ها است و اقتصاد نيز از اين قاعده مستثني نيست. اقتصاددانان به‌طور فزاينده‌اي پتانسيل هوش مصنوعي، يادگيري ماشيني (ML)، يادگيري عميق (DL) و مدل‌هاي زبان بزرگ (LLMs) را براي تقويت ابزارهاي تحليلي خود، به ويژه در مطالعات بانك مركزي و سياست‌هاي پولي، تشخيص مي‌دهند. همانطور كه در ساير زمينه‌هاي علمي مانند زمين‌شناسي، جامعه‌شناسي يا پزشكي - كه در آن كاربردهاي هوش مصنوعي از پردازش تصاوير ماهواره‌اي تا پيش‌بيني بيماري‌ها را شامل مي‌شود - مشاهده مي‌كنيم كه روش‌هاي تحقيقاتي مبتني بر هوش مصنوعي به عنوان يك انتخاب روش شناختي جديد در تحليل اقتصادي در حال ظهور هستند. تكنيك‌هايي مانند شبكه‌هاي عصبي كانولوشنال (CNN) براي داده‌هاي تصوير، پردازش زبان طبيعي (NLP) براي تفسير متن، و يادگيري عميق براي تجزيه و تحليل پيش‌بيني‌كننده در زمينه‌هاي مختلف استفاده مي‌شوند. به عنوان مثال، NLP به مورخان و جامعه‌شناسان اجازه مي‌دهد تا آرشيوهاي بزرگي از اسناد را پردازش كنند و الگوهايي را آشكار كنند كه در غير اين صورت پنهان مي‌ماندند. در تحقيقات اقتصادي، ابزارهاي هوش مصنوعي به‌طور بالقوه مي‌توانند ظرفيت بانك‌هاي مركزي را براي پاسخگويي به چالش‌هاي پيچيده مانند ثبات قيمت، اشتغال و مقررات مالي افزايش دهند. همانطور كه مطالعات بانك مركزي به تدريج از اين ابزارها استفاده مي‌كند، اين حوزه در آستانه يك انقلاب روش‌شناختي قرار مي‌گيرد و پيامدهاي مهمي با اهميت عملي را به همراه دارد. در اينجا مروري متوازن از پتانسيل و محدوديت‌هاي نوپاي «انقلاب روش‌شناختي هوش مصنوعي» در مطالعات بانك مركزي را پيشنهاد مي‌كنيم و به بررسي اين موضوع مي‌پردازيم، كه چرا عميق‌تر كردن درك ما از هوش مصنوعي در اين زمينه بسيار مهم است.

 

1) افزايش دقت و رسيدگي به شكاف‌هاي فعلي در تحقيقات سياست پولي مبتني بر هوش مصنوعي

مدل‌هاي اقتصادي سنتي محدوديت‌هايي در پيش‌بيني و سازگاري دارند، به‌ويژه زماني كه داده‌هاي پيچيده و با ابعاد بالا درگير هستند. يادگيري ماشيني، يادگيري عميق، و مدل‌هاي بزرگ زبان در اين زمينه برتري دارند. اين رويكردهاي مبتني بر هوش مصنوعي در مديريت مجموعه داده‌هاي عظيم و شناسايي روابط غيرخطي مهارت دارند و بينش‌هايي را كه مدل‌هاي سنتي ممكن است ناديده بگيرند، امكان‌پذير مي‌سازد. افزايش علاقه به هوش مصنوعي در بانك مركزي نشان‌دهنده روند گسترده‌تري است كه در آن مي‌توان انتخاب‌هاي سياست پولي را كه به‌شدت بر شاخص‌هاي اقتصادي بلادرنگ متكي است، بهينه كرد. بانك‌هاي مركزي مي‌توانند از يادگيري ماشيني براي بهبود دقت سياست‌ها، به ويژه در مديريت تورم و نقدينگي استفاده كنند. به عنوان مثال، مدل‌هاي LLM مي‌توانند داده‌هاي متني گسترده را پردازش كنند - مانند گزارش‌هاي بانك مركزي، پيش‌بيني‌هاي اقتصادي و سيگنال‌هاي بازار - و آنها را به بينش‌هاي عملي براي پيش‌بيني بهتر تورم و نرخ بهره تبديل كند. با تجزيه و تحليل اين منابع داده‌هاي غير عددي متنوع، مدل‌هاي LLM مي‌توانند بينش‌هاي ظريفي را در مورد فضاي اقتصادي ايجاد كنند و عدم تقارن اطلاعات را برطرف كنند و به بانك‌هاي مركزي در تصميم‌گيري آگاهانه‌تر كمك كنند.

مزيت كليدي ديگر توانايي هوش مصنوعي در افزايش پاسخگويي تصميمات سياستي به ريسك‌هاي اقتصادي نوظهور است. مدل‌هاي سنتي، كه اغلب از معادلات و مفروضات ثابت استفاده مي‌كنند، ممكن است براي انطباق با شوك‌هاي برون‌زا يا درون‌زا يا روندهاي پيچيده جديد، مانند ريسك‌هاي مالي مرتبط با آب و هوا، مشكل داشته باشند. سيستم‌هاي مبتني بر هوش مصنوعي مي‌توانند داده‌هاي با فركانس بالا را در زمان واقعي تجزيه و تحليل كنند و به بانك‌هاي مركزي اين امكان را مي‌دهند كه اختلالات بازار يا تغييرات در احساسات نمايندگان را شناسايي كرده و به سرعت به آن واكنش نشان دهند. اين توانايي براي رديابي الگوها و تنظيم توصيه‌هاي خط‌مشي به صورت پويا، مقررات احتياطي كلان را بهبود مي‌بخشد و خطر تاخير در سياست را كاهش مي‌دهد. با اين حال، با اين قابليت يك چالش نيز وجود دارد: تفسير فرآيندهاي تصميم‌گيري پيچيده مدل‌هاي يادگيري ماشين، كه به دليل عدم شفافيت، اغلب به عنوان «جعبه‌هاي سياه» شناخته مي‌شوند. به اين ترتيب، بانك‌هاي مركزي بايد بين كاربرد هوش مصنوعي با آگاهي از اين محدوديت‌هاي تفسيري تعادل برقرار كنند.

 

2) محدوديت‌هاي هوش مصنوعي
در بانكداري مركزي و چالش‌هاي اخلاقي

در حالي كه هوش مصنوعي ديدگاه‌هاي روش‌شناختي جديدي را ارايه مي‌كند، كاربرد آن در بانك مركزي دور از درمان است. بانك‌هاي مركزي با محدوديت‌ها و چالش‌هاي اخلاقي منحصربه‌فردي مواجه هستند كه پذيرش و كاربرد كامل هوش مصنوعي را محدود مي‌كند. الگوريتم‌هاي ML كه قادر به هضم و تجزيه و تحليل حجم وسيعي از اطلاعات هستند، مي‌توانند همبستگي‌هاي پنهان در داده‌هاي اقتصادي را آشكار كنند. با اين حال، اين نقطه قوت به نقاط ضعف بالقوه نيز اشاره مي‌كند، مانند خطر بيش از حد برازش يا اتكاي بيش از حد به داده‌هاي تاريخي، كه ممكن است به‌طور كامل پيچيدگي‌هاي اقتصادي كنوني را در بر نگيرد. ما مي‌توانيم چهار نگراني كليدي در مورد استفاده از هوش مصنوعي توسط بانك‌هاي مركزي و محققان در اين زمينه را برجسته كنيم. اولا، پيچيدگي و كدورت مدل‌هاي هوش مصنوعي اغلب مانع كاربرد آنها در فرآيندهاي تصميم‌گيري مي‌شود كه نيازمند شفافيت و پاسخگويي است. بانك‌هاي مركزي بايد تصميمات مهمي اتخاذ كنند كه بر كل كشورها تأثير بگذارد، و ماهيت «جعبه سياه» هوش مصنوعي مي‌تواند منطق پشت توصيه‌هاي آن را پنهان كند. اين عدم شفافيت، اصول اصلي شفافيت و پاسخگويي را كه در حفظ اعتماد عمومي به اين نهادها حياتي است، به چالش مي‌كشد.

-ثانياً، برنامه‌هاي كاربردي هوش مصنوعي در بانك مركزي به مقادير زيادي از داده‌هاي مالي حساس نياز دارند. استفاده از داده‌هاي مالي شخصي و سازماني نگراني‌هاي مهمي در مورد حفظ حريم خصوصي ايجاد مي‌كند و مديريت و حفاظت از اين داده‌ها را حياتي مي‌كند. هر گونه مصالحه مي‌تواند تأثيرات گسترده‌اي بر اعتماد عمومي و يكپارچگي داده‌ها داشته باشد. بانك‌هاي مركزي بايد مزاياي تحليل‌هاي پيش‌بيني‌كننده و مدل‌هاي يادگيري ماشين را در برابر خطرات قرار گرفتن در معرض داده‌ها و نقض حريم خصوصي بسنجند.

-علاوه بر اين، در حالي كه هوش مصنوعي مي‌تواند به پيش‌بيني و نظارت اقتصادي پيچيده كمك كند، زماني كه در محيط‌هاي اقتصاد كلان غيرقابل پيش‌بيني اعمال شود، محدوديت‌هايي دارد. مدل‌هايي كه بر روي داده‌هاي تاريخي آموزش داده شده‌اند ممكن است با رويدادهاي بي‌سابقه‌اي كه در امور مالي جهاني رايج هستند، سازگاري پيدا نكنند. اين فقدان انعطاف‌پذيري يك محدوديت قابل توجه براي بانك‌هاي مركزي است، زيرا مدل‌هاي هوش مصنوعي مي‌توانند سياست‌هاي پولي را نادرست كنند يا خطرات در حال ظهور را ناديده بگيرند.

-در نهايت، نگراني‌هاي اخلاقي از سوگيري‌هاي بالقوه تعبيه‌شده در الگوريتم‌هاي هوش مصنوعي ناشي مي‌شود، كه مي‌تواند نابرابري‌هاي موجود، مانند سهميه‌بندي اعتبار براي بانك‌هاي تجاري را تقويت كند. بانك‌هاي مركزي بايد به اين سوگيري‌ها رسيدگي كنند و اطمينان حاصل كنند كه برنامه‌هاي هوش مصنوعي تفاوت‌هاي ساختاري را تشديد نمي‌كنند يا پيامدهاي ناخواسته اجتماعي-اقتصادي ايجاد نمي‌كنند. درنتيجه، ما دلايل خوبي براي اين باور داريم كه شاهد يك «انقلاب روش شناختي هوش مصنوعي» در اقتصاد به‌طور كلي و در مطالعات بانك مركزي به‌طور خاص هستيم. با اين حال، بسياري از سوالات اساسي همچنان باز هستند و در اين مراحل اوليه توسعه هوش مصنوعي در بانك مركزي قابل توجه هستند. به عنوان مثال، مدل‌هاي يادگيري ماشين تا چه حد مي‌توانند از اهداف اوليه بانك‌هاي مركزي مانند ثبات قيمت و اشتغال حمايت كنند؟ اين مدل‌ها در پيش‌بيني تورم يا تعيين نرخ‌هاي بهره در مقايسه با مدل‌هاي اقتصادسنجي مرسوم چقدر قوي هستند؟ علاوه بر اين، آيا مدل‌هاي LLM مي‌توانند الگوهاي ارتباطي ظريفي را كشف كنند كه پيام‌رساني بانك‌هاي مركزي را در مورد مسائلي مانند تغييرات آب و هوايي افزايش مي‌دهد؟ پرداختن به اين سوالات مستلزم ورود محققان
برجسته در هوش مصنوعي و اقتصاد، ايجاد مبنايي براي گفتمان آينده در مورد سياست‌هاي پولي مبتني بر هوش مصنوعي و تعيين نقشه راه براي گنجاندن اين تكنيك‌ها در عملكرد بانك مركزي است. در حالي كه هوش مصنوعي يك ديدگاه روش‌شناختي تحول‌آفرين را در مطالعات بانك مركزي ارايه مي‌دهد، مهم است كه بين پيشرفت‌هاي واقعي و  تبليغاتي تمايز قائل شويم، به ياد داشته باشيد كه نقش هوش مصنوعي در اقتصاد به دور از درمان است.