Чтобы более глубже понять, почему это так, мы можем думать о механическом обучении и моделировании как о двух разных подходах к пониманию и прогнозированию поведения сложных адаптивных систем. В индивидуальном порядке они являются мощными парадигмами моделирования, но вместе они работают вместе, потому что они показывают самые большие перспективы.
Автоматическое обучение автоматизирует построение аналитических моделей. Модели построены с использованием алгоритмов, которые учатся на основе данных. Эти алгоритмы способны обновлять модели в режиме реального времени, предоставляя им возможность генерировать прогнозы в реальном времени. Более того, они могут учиться на прошлых предсказаниях, результатах и ошибках.
Это делает их невероятно мощными. Но эти модели ограничены прогнозированием эффектов событий, которые похожи на то, что уже произошло в прошлом. Модели, вероятно, будут давать неточные результаты, как только они экстраполируются за пределы ранее наблюдаемых границ.
Если будущее будет отличаться от прошлого,и если у нас отсутствуют данные, или если в наших данных есть предвзятость, то методы, основанные на данных, значительно испорчены. Многие банкиры нашли это в своих значительных расходах, когда финансовый кризис ударил в 2008 году.
Чрезмерная зависимость от моделей, основанных на данных для принятия решений в сложных системах, является рискованной; их ключевым недостатком является нехватка наблюдений в кризисные времена. Это делает их хрупкими в соответствии с определением, установленным Николасом Талебом:
«Все, что имеет больший потенциал роста, чем недостаток случайных событий (или определенных потрясений), является антифрактивным; обратное хрупкое ».
Другими словами, при воздействии ранее невидимых событий модели, основанные на данных, имеют тенденцию ухудшаться, чем когда история повторяется.
Основное преимущество моделирования в отношении методов, основанных на данных, заключается в том, что он позволяет нам прогнозировать то, чего раньше не было, и запускать сценарии за пределами исторических границ, включая кризисные сценарии.
Это не панацея. Суть в том, что нам нужна хорошая теория и каузальные гипотезы о том, как работает система, которую мы изучаем. Моделирование работает лучше всего, когда процессы изучаемой системы хорошо понятны, так что симуляции с высокой точностью могут соответствовать прогнозируемому результату.
Пока наша теория звучит, мы можем сделать потрясающие точные прогнозы о состояниях мира, которых мы никогда раньше не видели. Когда реальность катится по одной из этих имитируемых траекторий, мы уже знаем, что делать, потому что мы уже тестировали наши решения в виртуальном мире.
