Valstybės duomenų agentūra (buvęs Statistikos departamentas) kasmet apklausia tūkstančius namų ūkių ir įmonių, kad sudėliotų vaizdą apie infliaciją, nedarbą, gyventojų pajamas. Tai brangus ir lėtas procesas – apklausėjas skambina, žmogus atsako, duomenys suvedami, tikrinami, tik tada patenka į ataskaitą. Dirbtinis intelektas šį modelį jau pradeda ardyti, ir įdomu ne tai, kad technologija egzistuoja, o tai, kiek greitai ji prasiskverbia į institucijas, kurios tradiciškai keičiasi labai atsargiai.
Nuo klausimynų prie registrų
Didžiausias poslinkis vyksta ne pačioje analizėje, o duomenų šaltiniuose. Lietuva turi palyginti gerai sutvarkytus administracinius registrus – Sodros, VMI, Gyventojų registro tarnybos duomenų bazes. Vietoj to, kad klaustų žmonių apie pajamas, vis dažniau paprasčiausiai imami mokesčių administravimo duomenys. Dirbtinis intelektas čia atlieka nuobodų, bet svarbų darbą: sujungia skirtingų formatų įrašus, aptinka dublikatus, taiso neatitikimus tarp registrų, kurie realybėje niekada nesutampa idealiai.
Tai skamba techniškai nuobodžiai, tačiau pasekmės rimtos. Kai statistika remiasi registrais, o ne apklausomis, sumažėja atsakymo klaida – žmonės apklausose linkę meluoti apie pajamas ar alkoholio vartojimą. Bet atsiranda kita problema: registrai fiksuoja tik tai, kas oficialiai deklaruota. Šešėlinė ekonomika, kurios Lietuvoje vis dar nemažai, tokiu būdu tampa dar mažiau matoma.
Teksto analizė ten, kur anksčiau dirbo žmonės rankomis
Įdomus pavyzdys – ekonominės veiklos klasifikavimas. Kai įmonė registruojasi, ji turi nurodyti NACE kodą, apibūdinantį veiklos pobūdį. Anksčiau tai buvo pusiau rankinis darbas – tarnautojas skaitė verslo planą ar aprašymą ir spėdavo, koks kodas tinkamiausias. Dabar natūralios kalbos apdorojimo modeliai gali skaityti tūkstančius tokių aprašymų per sekundes ir pasiūlyti klasifikaciją, kurią žmogus tik patvirtina arba pataiso.
Panašiai naudojama ir skundų, apklausų atvirų klausimų, net socialinių tinklų įrašų analizė – bandant suprasti nuotaikas, kurios sunkiai pagaunamos standartiniais klausimynais. Vartotojų pasitikėjimo indeksas, pavyzdžiui, tradiciškai skaičiuojamas iš uždarų klausimų. Jei prie to pridedama teksto analizė iš viešų šaltinių, gaunamas šiek tiek kitoks, greitesnis, bet ir mažiau patikimas signalas.
Prognozavimas realiu laiku
Vienas iš dalykų, kurį DI keičia pastebimiausiai – tai vadinamasis „nowcasting“, arba dabartinės situacijos įvertinimas dar prieš oficialius duomenis. BVP skaičiai paprastai vėluoja mėnesiais. Mašininio mokymosi modeliai, maitinami elektros suvartojimo, mokėjimo kortelių operacijų, krovinių vežimo duomenimis, gali pateikti apytikslį BVP augimo įvertį dar prieš pasibaigiant ketvirčiui. Lietuvos bankas ir kai kurios analitinės institucijos jau eksperimentuoja su panašiais modeliais, nors viešai apie tai kalbama mažiau, nei vertėtų.
Čia verta stabtelėti ir paklausti – ar toks greitis tikrai reikalingas smulkiai valstybei? Didelėms ekonomikoms kelių savaičių paklaida turi realią kainą, nes nuo jos priklauso centrinio banko sprendimai. Lietuvos atveju nowcasting dažniau tarnauja kaip prestižinis projektas nei praktinis įrankis, bent jau kol kas.
Kur algoritmas pralaimi žmogui
Yra ir aiškios ribos. Maži imčių dydžiai – tipiška Lietuvos statistikos problema – mašininio mokymosi modeliams yra tiesiog nepatogūs. Dideli modeliai geriausiai veikia ten, kur duomenų yra daug, o mūsų šalyje net didžiausios apklausos apima kelis tūkstančius respondentų. Modelis, treniruotas tokiais kiekiais, linkęs „perprasti“ triukšmą kaip dėsningumą.
Be to, metodologinis skaidrumas – dalykas, kuriuo oficiali statistika tradiciškai didžiuojasi – sunkiai dera su sudėtingais mašininio mokymosi modeliais. Jei Eurostat ar tarptautiniai partneriai paklaus, kodėl skaičius toks, o ne kitoks, atsakymas „taip apskaičiavo neuroninis tinklas“ nėra priimtinas. Todėl dažniausiai naudojami paprastesni, aiškiau interpretuojami modeliai, net jei jie mažiau tikslūs.
Skaičiai, kurie dar mokosi vaikščioti
Sunku nuspėti, kaip greitai šie pokyčiai taps norma, o ne eksperimentu. Lietuvos institucijos, palyginti su didesnėmis valstybėmis, turi vieną pranašumą – mažesnę biurokratinę inerciją, todėl naujus įrankius kartais išbando greičiau nei kaimyninės šalys. Bet turi ir trūkumą – ribotus žmogiškuosius resursus tam, kad tuos įrankius prižiūrėtų kompetentingai, o ne tiesiog paleistų ir tikėtųsi, jog viskas susitvarkys savaime.
Realybė, matyt, bus nuobodesnė nei entuziastų pasakojimai ir mažiau dramatiška nei skeptikų baimės. Apklausėjas su telefonu dar ilgai neišnyks visai, bet vis daugiau darbo persikels į duomenų suderinimą, anomalijų paiešką ir modelių priežiūrą. Statistika Lietuvoje netaps automatiška savaime – ji taps kitokia, priklausančia nuo to, kiek žmonių supras, ką iš tikrųjų daro algoritmas, kurį jie naudoja.
