Η αξιοποίηση του παρελθόντος για πρόβλεψη του μέλλοντος

Η προσπάθεια πρόβλεψης μελλοντικών εξελίξεων μέσω ιστορικών μοτίβων δεν είναι νέα. Ήδη από τον 20ό αιώνα επιχειρήθηκαν ανάλογες προσεγγίσεις. Σήμερα, ο ερευνητής Peter Turchin και η ομάδα του έχουν συγκεντρώσει πάνω από 80.000 δεδομένα από κοινωνίες που εκτείνονται χρονικά έως την Παλαιολιθική εποχή, επιχειρώντας να εντοπίσουν επαναλαμβανόμενα μοτίβα.

Η ανάλυση αυτών των δεδομένων, προς το παρόν χωρίς εκτεταμένη χρήση AI, έχει οδηγήσει σε συμπεράσματα σχετικά με τις συνθήκες που ευνοούν κρίσεις. Για παράδειγμα, επαναστάσεις φαίνεται να προκύπτουν όταν συνδυάζονται κοινωνική ανισότητα, αυξημένος ανταγωνισμός μεταξύ ελίτ και οικονομική αστάθεια του κράτους — ένα μοτίβο που παρατηρήθηκε χαρακτηριστικά στη French Revolution.

Ο ίδιος ο Turchin είχε προβλέψει ήδη από το 2010 ότι το 2020 θα ήταν περίοδος έντονων αναταραχών, αν και τέτοιες προσεγγίσεις δέχονται έντονη κριτική, κυρίως λόγω της αδυναμίας πρόβλεψης απρόβλεπτων γεγονότων τύπου «Μαύρου Κύκνου».

Η μοντελοποίηση της αστάθειας με AI

Κυβερνήσεις και στρατιωτικοί οργανισμοί βρίσκονται στην πρωτοπορία αυτών των εφαρμογών. Ένα παράδειγμα αποτελεί το σύστημα Raven Sentry, το οποίο χρησιμοποιήθηκε από αμερικανικές υπηρεσίες για την πρόβλεψη επιθέσεων των Ταλιμπάν στο Afghanistan, αξιοποιώντας ιστορικά δεδομένα και πληροφορίες σε πραγματικό χρόνο.

Παράλληλα, εταιρείες όπως η Rhombus Power υποστηρίζουν ότι κατάφεραν να προβλέψουν την εισβολή της Ρωσίας στην Ουκρανία μέσω ανάλυσης δορυφορικών εικόνων και οικονομικών δραστηριοτήτων, αν και οι ισχυρισμοί αυτοί δεν έχουν επιβεβαιωθεί δημόσια.

Ερευνητικά ιδρύματα, όπως το Alan Turing Institute, επισημαίνουν ότι η τεχνολογία δεν έχει ακόμη φτάσει στο επίπεδο ωριμότητας που απαιτείται για αξιόπιστες προβλέψεις μεγάλης κλίμακας.

Πού μπορεί να βοηθήσει πραγματικά η AI

Η μεγαλύτερη αξία της τεχνητής νοημοσύνης σήμερα φαίνεται να εντοπίζεται σε δύο τομείς: στην έγκαιρη παρακολούθηση δεικτών κινδύνου και στην ανάλυση των πιθανών επιπτώσεων μετά από ένα αρχικό σοκ.

Ο Eugene Chausovsky τονίζει ότι εξίσου σημαντικό με την πρόβλεψη μιας κρίσης είναι η κατανόηση των δευτερογενών συνεπειών της. Σε συνεργασία με τη Mantis Analytics, έχουν προσομοιώσει σενάρια για κρίσεις όπως αυτή στα Strait of Hormuz, εξετάζοντας επιπτώσεις σε ενέργεια, ημιαγωγούς και γεωργία.

Η επόμενη χρηματοπιστωτική κρίση

Οι ρυθμιστικές αρχές προσβλέπουν επίσης στην αξιοποίηση της AI για την πρόβλεψη κινδύνων στις αγορές. Σε ορισμένες περιπτώσεις, μοντέλα που εκπαιδεύτηκαν με δεδομένα προηγούμενων δεκαετιών κατάφεραν να εντοπίσουν ποια assets θα δεχθούν τη μεγαλύτερη πίεση, όπως συνέβη το 2020.

Ωστόσο, οι ειδικοί υπογραμμίζουν ότι η τεχνητή νοημοσύνη δεν μπορεί να υποκαταστήσει τα παραδοσιακά οικονομικά μοντέλα, αλλά λειτουργεί συμπληρωματικά.

Παρά την πρόοδο, η ακρίβεια των προβλέψεων παραμένει περιορισμένη. Ακόμη και σε «αγορές προβλέψεων», όπου εκτιμώνται πιθανότητες για μελλοντικά γεγονότα, ο ανθρώπινος παράγοντας εξακολουθεί να υπερέχει.

Συμπερασματικά, η τεχνητή νοημοσύνη δεν είναι ακόμη σε θέση να προβλέψει με βεβαιότητα την επόμενη κρίση. Ωστόσο, εξελίσσεται σε ένα ισχυρό εργαλείο κατανόησης της πολυπλοκότητας και διαχείρισης της αβεβαιότητας σε έναν ολοένα πιο ασταθή κόσμο.