Экономика промышленного искусственного интеллекта: получение сверхприбыли и сокращение рабочих мест

Александр Иванов, 15/04/24

Зачем нужен промышленный искусственный интеллект, как он повлияет на банкиров, биржевиков, брокеров и других высокооплачиваемых участников рынка труда? Попытаемся разобраться в этом в данной статье.

Большие генеративные нейронные сети сегодня пишут музыку, сочиняют стихи и рисуют картины. Первыми почувствовали угрозу для себя актеры и сценаристы Голливуда. Их забастовка – это напоминание нам давно забытого движения английских луддитов. В начале промышленной революции (1811 г.) английские пролетарии ломали чулочные и ткацкие станки, отнимающие работу у ткачей и вязальщиц. На тот момент истеблишменту "владычицы морей" удалось оперативно подавить сопротивление. Уже через два года были казнены 17 наиболее активных луддитов, а менее активные были отправлены на вечную ссылку в Австралию.

Сегодня мы наблюдаем начало новой интеллектуально-промышленной революции. Забастовка актеров и сценаристов – это только начало потенциального сопротивления некоторой части населения. Вопрос в том, какие группы населения могут стать ядром "новых луддитов". Смогут ли современные демократы быстро подавить сопротивление? Достаточно ли будет казнить 17 самых активных, а остальных отправить на вечную ссылку в Австралию?

Зачем нужен промышленный искусственный интеллект?

Во второй половине прошлого века каждое приличное предприятие имело "машбюро", где машинистки печатали на электрических печатающих машинках. Если мне не изменяет память, то электрические печатающие машинки могли пробивать пять листов бумаги с четырьмя копирками между ними. Норма выработки у машинистки – 20 листов в смену, однако кому-то удавалось печатать и по 100 листов за восемь часов рабочего дня.

Мир сегодня изменился, на всех предприятиях, больших и маленьких, нет машинисток и нет электрических печатающих машинок. Тексты набирают и печатают обычные сотрудники. При наборе текста на компьютере программа-редактор сама обнаруживает и исправляет грамматические ошибки.

То же самое относится и к проблемам перевода текста с одного языка на другой. Сегодня для качественного перевода достаточно доступа к обычным интернет-ресурсам. Все интернет-гиганты предоставляют услуги своих собственных программ-переводчиков.

Более того, уже примерно пять лет, как искусственный интеллект освоил перевод устной речи в текст запроса поисковику. И голосовая колонка Яндекса ("Алиса"), и голосовой помощник от Сбера ("Салют") пересылают" живые" фразы нашего голоса на свои коммерческие серверы, которые в облаках превращают их в текстовый запрос. К этому мы уже привыкли, и этого мы уже не замечаем.

Успехи искусственного интеллекта в понимании естественной речи людей и перевода с одного языка на другой связаны с развитием больших языковых моделей. Эти модели используют генеративный алгоритм GPT, способный создавать тексты различных форматов: резюме, переводы, стихи [1]. Именно на этих алгоритмах работает ChatGPT, ставший сенсацией 2023 г. Собственно, содержание этого чата и новые возможности искусственного интеллекта породили забастовку сценаристов и актеров Голливуда. Она длилась почти полгода и окончилась победой сценаристов и актеров.

Имели ли машинистки печатающих машинок Англии, США, СССР, Китая свои собственные профсоюзы, я не знаю, однако задним числом мы можем прикинуть их численность и среднюю заработную плату. То есть как постфактум оценить объем работ, которые выполняли трудящиеся именно этой профессии. Таким образом, косвенно удается определить экономическую эффективность от нескольких формально бесплатных приложений современного искусственного интеллекта.

Еще одним промышленным приложением искусственного интеллекта является нейросетевое распознавание лиц людей [2]. Ту или иную технологию искусственного интеллекта следует считать промышленной, когда ей может пользоваться большая часть населения.

Распознавание лиц людей сегодня – это массовая технология. За нами наблюдает множество видеокамер. Приложение на мобильном телефоне, распознающее лицо своего хозяина, формально уже является бесплатным.
Приложение, пропускающее сотрудников в офис на их рабочее место, через анализ геометрических особенностей лица человека [3], также можно рассматривать как бесплатное для сотрудников (его уже оплатил работодатель).

Очевидно, что биометрический контроль лиц должен отнимать каким-то образом часть работы у охранников и тем самым сокращать их трудозатраты (иначе – численность). То есть и приложения искусственного интеллекта для распознавания лиц людей должны приводить к высвобождению "живых" людей. Видимо, любые технологии искусственного интеллекта, переходя в стадию промышленных, вытесняют с рынка труда часть "живых" людей.
Очевидно, это было всегда и, вероятно, всегда будет.

Развитие технологий искусственного интеллекта всегда вытесняет с рынка труда "живых" людей, вопрос в том, насколько быстро (насколько революционно) идут эти процессы. В начале промышленной революции (1811 г.) запуск одного чулочного станка приводил к потере работы сотни вязальщиц-надомниц. Запуск фабрики с сотней чулочных станков приводил к быстрой потере работы нескольких тысяч "живых" людей. Именно это и привело к вспышке луддизма, казням и высылке, навсегда в Австралию, "живых" людей.

Совершенно иная ситуация возникла с машинистками и переводчиками. Замещение их приложениями искусственного интеллекта шло медленно. "Живые" машинистки и переводчики предыдущих поколений благополучно состарились и ушли на пенсию. Луддизма и социального взрыва мы не наблюдали. Все "рассосалось" само собой.

Кто еще может уйти с рынка труда или сократить свою численность?

Из всего вышесказанного следует, что к катастрофе социальной напряженности между "живыми" людьми (к бунту "новых луддитов", погромам или даже к революциям) приложения искусственного интеллекта могут привести только в случае быстрого вовлечения достаточно больших и достаточно сильных профессиональных сообществ. Актеры и сценаристы Голливуда уже получили нужные им уступки от работодателей. С их стороны ждать революции уже нет смысла.

Одной из хорошо оплачиваемых и весьма влиятельных профессиональных групп являются банкиры, биржевики и брокеры. Они все принадлежат к одной группе в силу того, что "работают" в качестве рессоры, сглаживающей случайные блуждания цен на деньги, товары, ресурсы. Каждый профессионал этой группы, находясь на своем месте, пытается заработать на дисбалансе спроса и предложения. Банкиры хранят деньги тех, у кого они в избытке, и дают тем, у кого денег нехватка. Владельцы биржи предоставляют торговую площадку для брокеров, покупающих оптом деньги, товары, ресурсы. Все вместе они являются некоторой рессорой, смягчающей колебания цен на рынке.

Если автомобиль едет по хорошей (гладкой) дороге, рессоры ему не нужны. Ситуация меняется, если дорога становится "плохой". Тогда рессоры необходимы, именно они позволяют более-менее комфортно передвигаться по плохой дороге. При этом обычная рессора переводит неровности дороги в тепло. Она может перегреться и лопнуть. Стабилизирующие "рессоры" рынка (банки, биржи, брокеры) при малой волатильности цен имеют малую прибыль (малый нагрев рессоры). Если рынок лихорадит, то прибыли банков, бирж, брокеров увеличиваются, однако эта "рессора" может лопнуть, как пузырь, от перегрева – тогда наступает финансовый кризис.

Проще всего оценить потенциальную прибыль фрагмента рыночной "рессоры" в лице конкретного брокера. Брокеры работают, опираясь на свою интуицию [4, 5]. Формальные правила, которыми они руководствуются, просты. Если рынок находится на подъеме ("бычий" тренд), то нужно продавать тот ресурс, который контролирует брокер. Если цены на рынке падают, то нужно покупать ресурс, продаваемый другими брокерами той же биржи. На рис. 1 дан суточный разброс цен на биткоины за период с 8 мая по 6 июня 2023 г.

Рис. 1. Вариации цен биткоина в период с 8 мая по 6 июня 2023 г.

Из рисунка видно, что за месяц наблюдения колебания цен на рынке брокер увидел два тренда "медведи" и между ними – один тренд "быки". Живые брокеры стараются угадать начало тренда и предсказать момент его окончания.
Если человек-брокер точно угадает начало и конец трендов, то две продажи и две покупки за месяц дадут ему прибыть в 14,6%. Кто не доверяет, тот может повторить вычисления:

(27,64 - 26,36 + 27,97 - 26,36 + 27,97 - 26,9)/27,16 = 0,146 ,

где 27,16 – это средняя цена одного биткоина. В этом случае годовая прибыль составит 752%.

Прибыль огромная, как отмечал классик экономики Карл Маркс, перспектива прибыли в 300% годовых заставляет предпринимателей идти на любые риски. Перспектива получить 752% прибыли еще более привлекательна.

Сегодня банки уже играют нашими деньгами на бирже. Насколько эффективно у них это получается – коммерческая тайна. Обещаемая банками прибыль для своих вкладчиков составляет от 6 до 9%. Если Сбер или Тинькофф предложат своим вкладчикам 36% годовых, то все здравомыслящие вкладчики принесут им свои деньги. Для банков, бирж и брокеров переход к промышленному искусственному интеллекту, способному достаточно надежно предсказывать точки переключения трендов рынка "медведи/быки", – это очевидное конкурентное преимущество. Можно предположить, что в ближайшее время и Сбер, и Тинькофф должны активно вкладывать свои ресурсы в развитие искусственного интеллекта. Пожелаем им удачи добраться хотя бы до прибыли в 36% годовых, прибыль в 752% в ближайшее время, скорее всего, не достижима.

Как страна может помочь нашим банкирам и брокерам в конкурентной борьбе с крупнейшим банком JP Morgan-Chase&Сo из Нью-Йорка?

Очевидно, что при прогнозировании годовой прибыли в 752% никаких пирамид нет. Однако есть весьма сильное предположение, что нейросетевой искусственный интеллект близкого будущего сможет достаточно надежно предсказывать тип тренда "медведи" или "быки", наклон тренда, время его начала и окончания. Каким образом и по каким технологиям искусственный интеллект будет обучаться всему этому – вопрос открытый.

Если предположить, что это будут многослойные сверточные сети глубокого обучения [6, 7], то обучаться они должны на множестве картинок "быков" и "медведей". Примеры типичных образов обычных "быков" и "медведей" приведены на рис. 2.

Рис. 2. Примеры образов обычных быков и медведей, которые могут быть использованы для обучения сверточных нейросетей

Картинок, разложенных людьми по двум папкам "быки" и "медведи", должно быть очень много, миллионы. Это в том случае, если бы мы обучали нейросеть различать образы реальных животных. Тогда нейросеть должна иметь вектор входных данных об образе достаточно большой размерности. Основная функция сверточной нейросети – это свернуть входной образ из тысяч "плохих" данных в вектор меньшей размерности "хороших" данных [2].

Если это касается распознавания лиц, то первым под эту промышленную технологию был создан нейросетевой автомат поиска лица человека в кадре. Этот первый этап был пройден примерно в 2011 г. На тот момент все цифровые "мыльницы" имели встроенный автомат, отображающий квадратиками найденные в кадре лица людей.

Далее почти революцию в обучении многослойных сверточных нейросетей совершил Хинтон [6, 7]. Его усилиями, не без помощи большого числа представителей научно-технической общественности, были созданы инструменты для автоматизированного обучения нейросетей. В частности, в рамках разработки открытых кодов сообщество Pyton-программистов сформировало инструмент обучения PyTorch. Корпорация Google создала другой инструмент машинного обучения – TensorFlow, ориентированный на использование аппаратной поддержки их облачных серверов. Насколько будут подходить структуры нейросетевых моделей, заложенные в PyTorch и TensorFlow , для распознавания "быков" и "медведей" реального рынка – это вопрос открытый. Об этом мы все узнаем через несколько лет.

Весьма и весьма положительным является то, что получать данные, на которых PyTorch, TensorFlow или иной инструмент будет обучать сверточные нейросети, нетрудно. Уже существуют и где-то хранятся данные о реальных биржевых торгах биткоинами, догкоинами и другими криптовалютами. То же самое относится и к торговле зерном, алюминием, платиной, нефтью. Нужно предварительно разметить данные этих рынков в ручном режиме на участки "быки" и "медведи" (как это сделано на рис. 1).

Для того чтобы выполнить эту работу и сделать рыночные данные общедоступными, достаточно политической воли любой биржи или любого университета. Файлообменников множество, нужно только сформировать и выложить уже прошедшие торги в удобной для студентов (аспирантов, преподавателей) форме. Методические рекомендации о том, как эти данные следует почистить, обогатить, отсортировать нейросетями или классической статистикой, также вполне по силам университетам [8, 9].

Возвращаясь к проблеме перехода к реальным нейросетевым операциям на биржах, нам придется решить следующие частные задачи:

Научиться автоматически выделять (обнаруживать) с приемлемой достоверностью циклы подъема и спада цен (классификатор "медведи", "быки").
Научиться достоверно предсказывать моменты начала и окончания трендов подъема и спада цен.
Научиться корректно тестировать результаты работы уже обученных нейросетей (уже обученных классификаторов при приемке заказчиком, например в лице нового неквалифицированного инвестора).
Корректировать или создавать инструменты обучения (аналоги PyTorch и TensorFlow) под новые или старые структуры программных брокеров.
Иметь большие, достоверные, общедоступные базы данных для обучения и тестирования на общественных или частных облачных ресурсах с приличной вычислительной мощностью.

Заключение

Перспектива получать ежегодную прибыль в 750% годовых не оставит равнодушными ни отечественных банкиров, ни иностранных банкиров, биржевиков, брокеров. Сделать доступными данные за несколько лет уже проведенных торгов на МосБирже вполне реально. На то, чтобы сделать нейросетевую технологию распознавания лиц людей промышленной, ушло примерно 10 лет. В связи с этим вполне возможно создать промышленно-интеллектуальную технологию обучения торговых приложений в следующие 10–15 лет. Тогда квалифицированные брокеры бирж превратятся в специалистов по настройке (обучению) интеллектуальных брокерских программ.

Вполне возможно, что для достижения этих целей усилий программистов, нанятых СберБанком и Банком Тинькофф, будет недостаточно. Вполне возможно, что усилий даже крупнейших банков США, Европы и Китая будет недостаточно. Деньги решают ВСЁ только в том случае, когда ВСЁ ВСЕМ понятно и технология уже практически доросла до промышленной.
В нашем случае такой стадии развития пока НЕТ.

То, что многослойные сверточные сети глубокого обучения (уже имеющаяся промышленная технология) позволят решить биржевую задачу, является лишь гипотезой. Тем не менее нужно пытаться решать подобные задачи. Нужно создавать условия для того, чтобы материал для обучения и тестирования нейросетей был общедоступен (сейчас это далеко не так). Сколково, Минцифра, Центральный банк Российской Федерации должны каким-то образом поддерживать команды молодых отечественных исследователей, которые, победив в том или ином конкурсе, должны делать удачный код своих удачных нейросетевых проектов открытым.

Последний и очень важный вопрос – о социальных последствиях интеллектуально-нейросетевой промышленной революции. Профсоюзы актеров и сценаристов Голливуда давно существуют, и именно по этой причине они смогли организовать полугодовую забастовку и защитить права своих членов. У банкиров, владельцев бирж, брокеров России таких профсоюзов НЕТ. В связи с этим численность банкиров, владельцев бирж и брокеров России в ближайшем будущем может сократиться, а условия их труда могут ухудшиться из-за развития искусственного интеллекта. Этим высокооплачиваемым и высококвалифицированным трудящимся, видимо, придется создавать профсоюзы, которые должны защищать их права в ближайшем будущем.

Список литературы

Коржебин А. Нейросети и генная инженерия – технологии 2023 года // Системы безопасности. 2023. № 6.
Иванов А.И., Лекарь Л.А. О необходимости отечественного стандарта на тестирование качества нейросетевого распознавания лиц людей // Системы безопасности. 2023. № 5.
Мунтян А. Новые правила обработки биометрии для контроля и управления доступом // Системы безопасности. 2023. № 6.
Куртис Фейс. Трейдинг, основанный на интуиции. Спб: Питер: 2011. 240 с.
Найман Э. Как покупать дешево и продавать дорого: пособие для разумного инвестора. М.: "Альпина Паблишерз", 2011. 552 с.
Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. СПб: Питер. 2018. 480 с.
Аггарвал Чару Нейронные сети и глубокое обучение. СПб.: Диалектика. 2020. 756 с.
Иванов А.И., Тарасов Д.В., Горбунов К.А. Оценки показателя Херста на малых выборках: простейший вариант нелинейного компенсатора методических ошибок Федера при моделировании данных экономики и биометрии // Надежность и качество сложных систем. 2023. № 3.
Орлов Ю.Н., Осминин К.П. Нестационарные временные ряды. Методы прогнозирования с применением анализа финансовых и сырьевых рынков. М.: ЛЕНЛАНД, 2023. 384 с.