EN

Ομιλίες

  • Κοινοποίηση:

Ομιλία του κ. Γιάννη Στουρνάρα Διοικητή της Τράπεζας της Ελλάδος «Ο Ρόλος των Μαθηματικών στη Νέα Ψηφιακή Εποχή»

29/05/2019 - Ομιλίες

ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ
ΣΧΟΛΗ ΕΦΑΡΜΟΣΜΕΝΩΝ ΜΑΘΗΜΑΤΙΚΩΝ ΚΑΙ ΦΥΣΙΚΩΝ ΕΠΙΣΤΗΜΩΝ
Συμπόσιο: «Τα Μαθηματικά στην Εποχή της 4ης Βιομηχανικής Επανάστασης»

Κυρίες και κύριοι, αγαπητοί φοιτητές,

Σας ευχαριστώ πολύ που μου δώσατε την ευκαιρία να είμαι μαζί σας σε αυτό το πολύ ενδιαφέρον Συμπόσιο.

Ζούμε, είναι αλήθεια, σε μία πολύ ενδιαφέρουσα εποχή, όπου η ανθρωπότητα βρίσκεται στο κατώφλι μίας ακόμα βιομηχανικής επανάστασης, της 4ης, η οποία περιλαμβάνει καινοτομίες στους τομείς της αυτοματοποίησης και της τεχνολογίας των πληροφοριών. Στόχος είναι να καταστούν οι διαδικασίες παραγωγής και λήψης αποφάσεων πιο αποδοτικές, αυτόνομες και προσαρμοστικές, με τη χρήση των μεγάλων δεδομένων (big data), της τεχνητής νοημοσύνης (AI) και του Διαδικτύου των Πραγμάτων (Internet of Things).

Και αυτό που κάνει την 4η Βιομηχανική Επανάσταση να διαφέρει από όλες τις προηγούμενες, είναι ότι θα διεισδύσει σε όλες τις πτυχές της καθημερινότητάς μας και θα επηρεάσει όλες τις θέσεις εργασίας και τους τομείς οικονομικής δραστηριότητας. Αποτελεί ουσιαστικά το συγκερασμό του ψηφιακού, του φυσικού και του βιολογικού κόσμου.

Ποιος είναι ο ρόλος, λοιπόν, των μαθηματικών στη νέα αυτή εποχή; Σήμερα, ως αποτέλεσμα της συνεχούς προόδου των τεχνολογιών των υπολογιστών και των επικοινωνιών, παρατηρούμε να αναδύονται εντελώς καινούριες προκλήσεις τόσο για την επιστήμη όσο και για τα μαθηματικά. Στο πλαίσιο αυτό, ανακύπτουν ερωτήματα όπως: πώς μπορούμε να χειριστούμε τον κατακλυσμό από δεδομένα; ποια είναι τα μαθηματικά εργαλεία που απαιτούνται για την αποτελεσματική και αξιόπιστη ανάλυση των μεγάλων δεδομένων; πώς μπορούν οι νέες τεχνολογίες να ανατροφοδοτήσουν τη δημιουργία νέων μαθηματικών εργαλείων;

Στην ομιλία μου σήμερα θα επικεντρωθώ στα ακόλουθα θέματα: αρχικά θα αναφερθώ στη γενικά αποδεκτή δύναμη των μαθηματικών να ερμηνεύουν με επιτυχία τα φαινόμενα του κόσμου. Κατόπιν, θα αναλύσω σύντομα τις ευκαιρίες και τις κυριότερες προκλήσεις που προκύπτουν από τα μεγάλα δεδομένα, τη μηχανική μάθηση και την τεχνητή νοημοσύνη. Τέλος, θα αναφερθώ στην ανάγκη εξέλιξης των συστημάτων εκπαίδευσης, ώστε να βελτιωθεί τόσο το βασικό επίπεδο δεξιοτήτων όσο και η δημιουργικότητα και η κριτική σκέψη.

***


Μαθηματικά και επιστήμη

Από την εποχή του Γαλιλαίου και τη γνωστή φράση που αποδίδεται στον ίδιο «το βιβλίο της φύσης είναι γραμμένο στη γλώσσα των μαθηματικών», η επιστήμη έχει σταδιακά μαθηματικοποιηθεί. Είναι δύσκολο να φανταστεί κανείς πολλές από τις ανακαλύψεις της φυσικής και της μηχανικής του περασμένου αιώνα χωρίς τα μαθηματικά. Ο βασικός ισχυρισμός της επιστημονικής επανάστασης ήταν ότι οποιοδήποτε φυσικό φαινόμενο μπορεί να απεικονιστεί μέσω των μαθηματικών. Ο βραβευμένος με Νόμπελ Φυσικής Eugene Wigner το 1960 στην εργασία του με τίτλο «Η παράλογη αποτελεσματικότητα των Μαθηματικών στις φυσικές επιστήμες»(1) αναφέρθηκε στο γεγονός ότι η τεράστια χρησιμότητα των μαθηματικών στις φυσικές επιστήμες είναι κάτι που συνορεύει με το μυστηριώδες και δεν υπάρχει λογική εξήγηση για αυτήν.

Τα μαθηματικά, με άλλα λόγια, τα οποία φαίνονται αφηρημένα και αποκομμένα από την πραγματικότητα, περιγράφουν σε βάθος τα φαινόμενα του κόσμου, τα οποία είναι συγκεκριμένα. Θα λέγαμε ότι τα μαθηματικά μπορούν να περιγράψουν οτιδήποτε δεν μπορούν να αντιληφθούν οι αισθήσεις μας. Παρέχουν το θεμελιώδες υποστηρικτικό πλαίσιο, καθώς και μία κοινή γλώσσα για την επιστήμη και την τεχνολογία. Μία εξίσωση που είναι γραμμένη στην παγκόσμια γλώσσα των μαθηματικών είναι ίδια σε κάθε γλώσσα. Οι εξισώσεις αποτελούν ένα ιδιάζουσας σημασίας επιστημονικό εργαλείο και επιτυγχάνουν να συμπυκνώσουν τη γνώση με τον πιο περιεκτικό τρόπο.

Τα μαθηματικά αναδύθηκαν αρχικά ως μαθηματική-φιλοσοφική σκέψη και μόνο αργότερα βρήκαν εφαρμογή στην επιστήμη. Σύμφωνα με τον Henri Poincaré (1854-1912), μαθηματικό, θεωρητικό φυσικό και φιλόσοφο, η ξαφνική έμπνευση που έρχεται μετά από μια μακρά λειτουργία του υποσυνείδητου, είναι το προοίμιο της μαθηματικής δημιουργίας. Τα μαθηματικά παρείχαν τη βασική γλώσσα και πολλοί κλάδοι των μαθηματικών αρχικά καθαρά θεωρητικοί, για παράδειγμα η αρμονική ανάλυση και η αλγεβρική γεωμετρία, βρήκαν πολλές πρακτικές εφαρμογές. Η μαθηματική ανάλυση (ο διαφορικός λογισμός, η τοπολογία, η θεωρία μέτρου κ.λπ.), η μαθηματική λογική και η θεωρία πιθανοτήτων αποτελούν τη βάση στην πληροφορική, στην ιατρική, στη βιολογία, στα χρηματοοικονομικά και στις ψηφιακές επικοινωνίες.

Όμως, αρκετά συχνά η ίδια η επιστημονική εφαρμογή έχει λειτουργήσει ως «έμπνευση» και «πρόκληση» για τους μαθηματικούς, με αποτέλεσμα την ανάπτυξη νέων μαθηματικών προτύπων. Η μαθηματική προτυποποίηση, όπου η συμπεριφορά ενός συστήματος ή φαινομένου της πραγματικής ζωής περιγράφεται με όρους μαθηματικών, η προσομοίωση και η βελτιστοποίηση έχουν χαρακτηριστεί ως βασικός πυλώνας για την επιστημονική έρευνα και την καινοτομία, μετά το πείραμα και τη θεωρία.

Πράγματι, κάθε μορφή τεχνολογικής καινοτομίας απαιτεί ένα σχέδιο, και τα μαθηματικά μοντέλα λειτουργούν ως τέτοια σχέδια, όχι αναπαράγοντας κάτι που ήδη υπάρχει, αλλά μοντελοποιώντας κάτι που μπορεί να παραχθεί. Σε όλες τις μορφές τεχνολογίας, η φαντασία με βάση τα μαθηματικά ανοίγει χώρους δυνατοτήτων. Ως τέτοια παραδείγματα μπορεί κανείς να αναφέρει, μεταξύ άλλων, την ιδέα του υπολογιστή, την κατασκευή του Διαδικτύου και τις νέες μορφές επικοινωνιακών τεχνολογιών. Τα μαθηματικά μοντέλα είναι απαραίτητα κατά τη λήψη αποφάσεων, και σε πολλούς τομείς ένα ευρύ φάσμα υποθετικών συλλογισμών με βάση τα μαθηματικά χρησιμοποιείται για ανάλυση κόστους-οφέλους. Οι διοικητικές διαδικασίες, τα επιχειρηματικά σχέδια και οι στρατιωτικές επιχειρήσεις στηρίζονται σε μαθηματικά υποδείγματα. Η επιχειρησιακή έρευνα (operational research) περιλαμβάνει ακριβώς αυτή την επιστημονική προσέγγιση στη λήψη αποφάσεων, και πίσω από την επιχειρησιακή έρευνα βρίσκεται ο κλάδος των μαθηματικών, που ασχολείται με την αριστοποίηση συναρτήσεων κάτω από περιορισμούς.

Σήμερα, όλο και περισσότεροι τομείς της επιστήμης και της τεχνολογίας απαιτούν πολύπλοκες υπολογιστικές προσομοιώσεις και ανάλυση τεράστιων όγκων δεδομένων. Την ίδια στιγμή, καθώς οι βιομηχανίες που βασίζονται στην τεχνολογία γίνονται όλο και πιο πολύπλοκες και οι κύκλοι καινοτομίας γίνονται όλο και βραχύτεροι, η αποτελεσματική ανάπτυξη της βιομηχανικής τεχνολογίας εξαρτάται από τις ακριβείς μεθόδους προτυποποίησης, προσομοίωσης και βελτιστοποίησης. Η μελλοντική «έξυπνη» βιομηχανία θα προκύψει από τη συγχώνευση του εικονικού και του πραγματικού κόσμου. Για παράδειγμα, γίνεται σαφές ότι η βιομηχανική ανάπτυξη θα απαιτεί όλο και περισσότερο μία «εικονική αναπαράσταση», η οποία θα συνοδεύει το πραγματικό προϊόν/διαδικασία ή σύστημα σε όλο τον κύκλο ζωής του, το λεγόμενο «ψηφιακό δίδυμο» (digital twin), με στόχο τη φθηνότερη, ταχύτερη και αποτελεσματικότερη δοκιμή του προϊόντος, την ανάλυση κινδύνου, τη βελτιστοποίηση του σχεδιασμού του και άλλα. Για την ενσωμάτωση της τεχνολογίας των ψηφιακών διδύμων, η τεχνολογική ραχοκοκκαλιά είναι τα μαθηματικά.

***

Μεγάλα δεδομένα (big data)

Οι τεχνολογικές εξελίξεις με κυρίαρχο στοιχείο τη διαλειτουργικότητα (interoperability) και την ψηφιοποίηση έχουν ως αποτέλεσμα την παραγωγή τεράστιων όγκων δεδομένων με πολύ γρήγορους ρυθμούς. Σύμφωνα με μία έκθεση από την εταιρία Gartner το 2012(2) , οι τεράστιοι αυτοί όγκοι δεδομένων, τα μεγάλα δεδομένα ή big data, όπως είναι γνωστά, είναι δεδομένα υψηλού όγκου, υψηλής ταχύτητας και υψηλής ποικιλίας, που απαιτούν αποδοτικές και καινοτόμες μορφές επεξεργασίας πληροφοριών. Αυτοί οι τρεις παράγοντες – όγκος, ταχύτητα και ποικιλία – έγιναν γνωστοί ως τα 3Vs (volume, velocity, variety) των μεγάλων δεδομένων. Σε αυτά ήρθαν να προστεθούν η ειλικρίνεια (veracity) και η αξία (value) ως επιπλέον χαρακτηριστικά. Αυτή η νέα εποχή των δεδομένων έχει δημιουργήσει ευκαιρίες, ενώ ταυτόχρονα έχει εγείρει ανησυχίες για την προστασία της ιδιωτικής ζωής και της ασφάλειας στο Διαδίκτυο.

Ο κατακλυσμός από δεδομένα επηρεάζει σχεδόν κάθε τομέα της οικονομικής και κοινωνικής δραστηριότητας, ενώ προβλέπεται τα επόμενα χρόνια μία ακόμη μεγαλύτερη «έκρηξη πληροφορίας». Η κοινωνία της πληροφορίας και της γνώσης, στην οποία ζούμε, βασίζεται σε ακριβώς αυτό το πολύτιμο συστατικό, τα δεδομένα.

Τα δεδομένα, όμως, είναι η πρώτη ύλη. Για να αποκτήσουν προστιθέμενη αξία απαιτείται η ανάλυσή τους (big data analytics). Συγκεκριμένα, η αξιοποίηση των μεγάλων δεδομένων, με την έννοια της εξαγωγής αξιόπιστων και χρήσιμων αποτελεσμάτων, απαιτεί κατάλληλη επεξεργαστική ισχύ, την ύπαρξη μιας οργανωμένης υπολογιστικής υποδομής, χώρους αποθήκευσης (για παράδειγμα αξιοποιώντας τις δυνατότητες αποθήκευσης που προσφέρει το cloud) και εργαλεία καταγραφής και ανάλυσης. Δημιουργήθηκε η ανάγκη, επομένως, για νέες μαθηματικές μεθόδους και πρακτικές, καθώς οι υπάρχουσες λύσεις για τη διαχείριση δεδομένων δεν ανταποκρίνονταν πλήρως στον όγκο αλλά και στη φύση τους.

Σήμερα, χάρη στους ισχυρούς επεξεργαστές και τους αλγόριθμους, τα δεδομένα αυτά μπορούν να καταγραφούν, να αναλυθούν και τελικά να παρέχουν γνώσεις για το ποιοι είμαστε και το πώς ζούμε. Η ικανότητα αποθήκευσης, συγκέντρωσης, συνδυασμού δεδομένων και χρήσης των αποτελεσμάτων για την εκπόνηση λεπτομερών αναλύσεων, είναι πλέον προσιτή και εφικτή. Τα μέσα εξόρυξης γνώσης από τα δεδομένα (data mining) σημειώνουν σημαντική βελτίωση, καθώς τα διαθέσιμα λογισμικά για την εφαρμογή τεχνικών αυξανόμενης πολυπλοκότητας συνδυάζονται με την αυξανόμενη υπολογιστική ισχύ.

Μία από τις πιο ενδιαφέρουσες προοπτικές χρήσης των μεγάλων δεδομένων αφορά αναμφίβολα τον τομέα της ιατρικής. Για παράδειγμα, με την ανάλυση πλήθους δεδομένων, τα οποία συνδυάζονται μεταξύ τους, επιτυγχάνεται ο σχεδιασμός μιας εξατομικευμένης θεραπείας. Είναι χαρακτηριστικό ότι η αγορά στην ανάπτυξη υπολογιστικών εργαλείων ανάλυσης πολυάριθμων δεδομένων στο χώρο της υγείας έφτασε τα 20 δισεκ. δολάρια μόνο για το 2017.(3)

Στον τομέα της ανάλυσης του συστημικού κινδύνου στο χρηματοπιστωτικό τομέα, η εποχή των μεγάλων δεδομένων φέρνει νέες ευκαιρίες. Η χρηματοπιστωτική κρίση κατέστησε πιο επιτακτική την ανάγκη συλλογής και επεξεργασίας στατιστικών στοιχείων υψηλότερης ποιότητας και μεγαλύτερης λεπτομέρειας. Τα μικροδεδομένα (microdata), ιδιαίτερα τα δεδομένα που αφορούν διατραπεζικές συναλλαγές, έχουν αποδειχθεί ένα επιπρόσθετο χρήσιμο εργαλείο κατά την αξιολόγηση των ενδεχόμενων κινδύνων διατάραξης της χρηματοπιστωτικής σταθερότητας.

Στο πλαίσιο αυτό, τα τελευταία χρόνια, οι κεντρικές τράπεζες έχουν αναλάβει αρκετές πρωτοβουλίες, ώστε να ενσωματώσουν την ανάλυση των μεγάλων δεδομένων στις διαδικασίες παρακολούθησης του χρηματοπιστωτικού τομέα. Η Ευρωπαϊκή Κεντρική Τράπεζα (ΕΚΤ), ήδη από το 2011, έχει κάνει αρκετά βήματα προς την κατεύθυνση αυτή. Ως ένα παράδειγμα αναφέρω τη βάση αναλυτικών πιστωτικών δεδομένων AnaCredit (analytical credit dataset), η οποία παρέχει λεπτομερή στοιχεία για επιμέρους τραπεζικά δάνεια στην ευρωζώνη. Η πρόσβαση σε πολύ λεπτομερείς πληροφορίες σχετικά με τα δάνεια αποτελεί σημαντικό εργαλείο για τους υπεύθυνους χάραξης πολιτικής, όσον αφορά την ανάλυση και την παρακολούθηση της εξέλιξης των πιστώσεων και την αξιολόγηση του αντίκτυπου των αποφάσεών τους στον τραπεζικό δανεισμό.

Τα μεγάλα δεδομένα μπορούν επίσης να ανοίξουν νέες δυνατότητες για την ανάπτυξη εργαλείων και μεθόδων για τη βελτίωση των προβλέψεων. Ενδεικτικά αναφέρω τα εξής: α) Δεδομένα από το Διαδίκτυο μπορούν να χρησιμοποιηθούν, σε συνδυασμό με τους δείκτες τιμών, για τη μέτρηση του πληθωρισμού σε πραγματικό χρόνο. β) Δεδομένα από ηλεκτρονικές πληρωμές, πιστωτικές κάρτες ή αναλήψεις από ΑΤΜ μπορούν να έχουν επιπρόσθετη αξία στην πρόβλεψη της ιδιωτικής κατανάλωσης και του ρυθμού ανάπτυξης. γ) Στοιχεία από αναφορές μπορούν να εξαχθούν με αλγόριθμους (text mining) για το κατά πόσο η επικοινωνία της ΕΚΤ θεωρείται "hawkish" ή "dovish". (4)

Η ΕΚΤ έχει υπογραμμίσει το γεγονός ότι τα μεγάλα δεδομένα μπορούν να βοηθήσουν να ξεπεραστούν ορισμένες από τις ελλείψεις των παραδοσιακών μακροοικονομικών χρονοσειρών.(5) Σίγουρα, τα μεγάλα δεδομένα μάς έδωσαν τη δυνατότητα να εμβαθύνουμε στα συμπεριφορικά οικονομικά και πώς η ψυχολογία μπορεί να επηρεάσει ή και να καθοδηγήσει τις μακροοικονομικές εξελίξεις. Την ίδια στιγμή, όμως, μία σειρά από ερωτήματα ανακύπτουν σχετικά με το κατά πόσο τα μεγάλα δεδομένα είναι συνώνυμα σε όλες τις περιπτώσεις με καλύτερες προβλέψεις και κατά πόσο αυτός ο κατακλυσμός δεδομένων μπορεί να καταστήσει τις παραδοσιακές επιστημονικές μεθόδους απαρχαιωμένες.

***

Τεχνητή νοημοσύνη (Artificial Intelligence)

Ερχόμαστε τώρα σε ένα κομμάτι που έχει μονοπωλήσει αρκετές συζητήσεις τα τελευταία χρόνια. Η νίκη του υπερυπολογιστή της IBM “Deep Blue” επί του παγκόσμιου πρωταθλητή στο σκάκι Γκάρι Κασπάροφ, το Μάιο του 1997, πυροδότησε το ενδιαφέρον για την τεχνητή νοημοσύνη, artificial intelligence όπως είναι ευρέως γνωστή, και σηματοδότησε την αρχή μιας κοινωνικής κυρίως αλλαγής, που αυξάνει την επιρροή της σήμερα με όλο και μεγαλύτερη ταχύτητα.

Τα θεμέλια για την τεχνητή νοημοσύνη τέθηκαν ήδη από την αρχαιότητα. Ο Αριστοτέλης ήταν από τους πρώτους που περιέγραψε έναν τρόπο κωδικοποίησης της ορθολογικής σκέψης, η οποία αποτέλεσε τη βάση του πεδίου της λογικής. Το άλμα όμως για να αποτελέσει η τεχνητή νοημοσύνη μία τυπική επιστήμη απαιτούσε κάποιο επίπεδο μαθηματικής τυποποίησης. Έτσι, οι μαθηματικοί παρείχαν τα εργαλεία και έθεσαν τις βάσεις για τη συλλογιστική σχετικά με τους αλγόριθμους και την κατανόηση του υπολογισμού.
Το ανθρώπινο είδος ονομάζεται homo sapiens, δηλαδή σοφός άνθρωπος, και οι ανθρώπινες διανοητικές δραστηριότητες εκτελούνται με την ενεργοποίηση σύνθετων εγκεφαλικών νευρώνων. Η τεχνητή νοημοσύνη επιχειρεί όχι μόνο να κατανοήσει αλλά και να συστηματοποιήσει και να αυτοματοποιήσει τις διανοητικές εργασίες. Η τεχνητή νοημοσύνη προέκυψε από το συνδυασμό της μηχανικής μάθησης (machine learning) και των μεγάλων δεδομένων, δίνοντας τη δυνατότητα στις μηχανές να εκτελούν υπολογιστικές και άλλες λειτουργίες, όπως ο άνθρωπος. Αναφέρομαι φυσικά στη γενική τεχνητή νοημοσύνη.

Η μηχανική μάθηση είναι η ικανότητα χρήσης της εμπειρίας για τη βελτίωση της γνωστικής συμπεριφoράς, χρησιμοποιώντας τεχνητά νευρωνικά δίκτυα (artificial neural networks). Τα δεδομένα τροφοδοτούν επομένως την τεχνητή νοημοσύνη και οποιαδήποτε λειτουργία, η οποία μπορεί να αναλυθεί σε δεδομένα, μπορεί στη συνέχεια να εκτελεστεί αποτελεσματικά από τα συστήματα (bots) της τεχνητής νοημοσύνης. Τα συστήματα αυτά αναλύουν μεγάλο όγκο δεδομένων και διασυνδέουν πολύπλοκες διεργασίες ακόμα και σε περιπτώσεις που δεν είναι προφανής η συσχέτιση.

Στην ιατρική για παράδειγμα υπάρχει μία πληθώρα εφαρμογών τεχνητής νοημοσύνης, όπως είναι η έγκαιρη διάγνωση ασθενειών, η ιατρική περίθαλψη και η φαρμακευτική αγωγή. Πράγματι, τα τελευταία χρόνια όλο και περισσότερο η βιομηχανία φαρμάκων και η βιοτεχνολογία στηρίζονται στην εφαρμογή νέων τεχνολογιών της πληροφορικής (informatics), της τεχνητής νοημοσύνης, της μηχανικής μάθησης και της βιοπληροφορικής (bioinformatics). (6)

Ένας άλλος τομέας είναι οι μεταφορές, όπου οι εφαρμογές τεχνητής νοημοσύνης αναμένεται να αυξήσουν την ασφάλεια, μειώνοντας τον αριθμό των τροχαίων ατυχημάτων. Εγείρουν, όμως, σοβαρά θέματα ηθικής με χαρακτηριστικό παράδειγμα αυτό του αυτοοδηγούμενου αυτοκινήτου, όπου αν αυτό εμπλακεί σε ατύχημα με πεζούς, τότε ο αλγόριθμος πρέπει να αποφασίσει αν θα το αποφύγει, με εναλλακτική όμως να εμπλακεί σε ένα δεύτερο τροχαίο ατύχημα.

Στις χρηματοπιστωτικές υπηρεσίες οι λύσεις τεχνητής νοημοσύνης και μηχανικής μάθησης οδηγούν σε μετασχηματιστικές αλλαγές του τομέα. Οι νέες τεχνολογίες και τα μεγάλα δεδομένα επιτρέπουν στα παραδοσιακά ιδρύματα και στις εταιρίες χρηματοοικονομικής τεχνολογίας (FinTech) να προσφέρουν στους πελάτες πρωτοφανή επίπεδα εξατομίκευσης. Παράλληλα, μεγάλες εταιρίες τεχνολογίας (BigTech) κάνοντας βέλτιστη χρήση των δεδομένων, έχουν διεισδύσει στην τραπεζική πρακτική επηρεάζοντας σε μεγάλο βαθμό τον τομέα των επενδύσεων και των πληρωμών.

Επίσης, η μηχανική μάθηση είναι ικανή να αναγνωρίζει πρότυπα σε πολύ μεγάλα δείγματα, να δημιουργεί ένα μοντέλο που ενσωματώνει τα πρότυπα αυτά και στη συνέχεια το μοντέλο να μπορεί να «μαθαίνει». Καθώς η διαδικασία αυτή επαναλαμβάνεται χιλιάδες φορές, το μοντέλο βελτιώνει την προβλεπτική του ικανότητα. Πράγματι, προβλήματα πρόβλεψης στα χρηματοοικονομικά - όπως αυτά που σχετίζονται με την τιμολόγηση των χρεογράφων (asset pricing), την κατασκευή βέλτιστων χαρτοφυλακίων και τη διαχείριση κινδύνου - συχνά περιλαμβάνουν μεγάλα σύνολα δεδομένων με σύνθετες αλληλεπιδράσεις μεταξύ αυτών, οι οποίες είναι δύσκολο έως αδύνατο να περιγραφούν σε ένα οικονομικό υπόδειγμα. Η βαθιά μάθηση (deep learning) μπορεί να ανιχνεύσει αυτές τις «αόρατες», τουλάχιστον επί του παρόντος, αλληλεπιδράσεις. Με αυτό τον τρόπο, η εφαρμογή μεθόδων βαθιάς μάθησης στα χρηματοοικονομικά ενδέχεται να αποφέρει καλύτερα αποτελέσματα σε σχέση με τις συνήθεις μεθόδους που εφαρμόζονται.

***

Μαθηματικά και εκπαίδευση

Στο σημείο αυτό θα ήθελα να αναφερθώ στην ανάγκη διαμόρφωσης πολιτικών προώθησης σύνδεσης της μαθηματικής έρευνας με τη βιομηχανία, με στόχο την ανταλλαγή μαθηματικών ιδεών, συμπεριλαμβανομένων αλγόριθμων, καθώς και την καλύτερη έκφραση των προβλημάτων από την πλευρά των επιχειρήσεων, με στόχο την ανάπτυξη των κατάλληλων μαθηματικών προτύπων και την προσέλκυση του ενδιαφέροντος των μαθηματικών. Στις μεγάλες εταιρίες, οι οποίες έχουν το δικό τους ερευνητικό τμήμα, η μαθηματική γνώση διαχέεται αρκετά ικανοποιητικά, αλλά σπάνια συμβαίνει κάτι τέτοιο στις μικρομεσαίες επιχειρήσεις.

Τα πανεπιστήμια έχουν διττό ρόλο στη διαμόρφωση της μελλοντικής τεχνολογίας: πρώτον, αποτελούν τους χώρους δοκιμαστικού ελέγχου για την καινοτομία και, δεύτερον, εκπαιδεύουν τις μελλοντικές γενεές. Αναμφισβήτητα τα πανεπιστήμια έχουν συμβάλει σημαντικά, μέσω της έρευνας, στα σημερινά επίπεδα της τεχνολογικής προόδου.

Συνολικά, αναμένουμε να υπάρξει αύξηση της σπουδαιότητας της μαθηματικής επιστήμης και των εφαρμογών της στο μέλλον. Τα επόμενα χρόνια θα απαιτηθούν μαθηματικές δεξιότητες στην κβαντική επιστήμη των πληροφοριών, στη μηχανική μάθηση, στην προηγμένη επεξεργασία σήματος (advanced signal processing) και στην ικανότητα να εξορύσσονται μεγάλα σύνολα δεδομένων.
Είναι γεγονός όμως ότι οι περισσότεροι σπουδαστές θεωρούν τα μαθηματικά, όπως διδάσκονται μέχρι και σήμερα στην ανώτατη εκπαίδευση, ως «αφηρημένα» και ελλιπή σε σχέση με τη σύνδεσή τους με την αγορά εργασίας. Επιπρόσθετα, καθώς οι υπολογιστές είναι πλέον ικανότεροι και αποτελεσματικότεροι από τον άνθρωπο στην εκτέλεση πολύπλοκων υπολογισμών και στη μοντελοποίηση, οι εργοδότες δεν αναζητούν πια εργαζομένους με μόνο υψηλές μαθηματικές δεξιότητες. Στην πραγματικότητα αναζητούν εργαζομένους με επιπλέον δεξιότητες, όπως είναι η επίλυση προβλημάτων, η δημιουργικότητα, η κριτική σκέψη και οι σύνθετες δεξιότητες επικοινωνίας. Προκειμένου η τριτοβάθμια εκπαίδευση να προσφέρει τις κατάλληλες δεξιότητες και την κατάλληλη γνώση θα πρέπει, επομένως, πέρα από τις εξειδικευμένες γνώσεις, να στοχεύει επίσης στην ανάπτυξη προσωπικών και συναισθηματικών δεξιοτήτων (soft skills).

Στο πλαίσιο αυτό κεντρική θέση στην ανώτατη εκπαίδευση έχει το πρόγραμμα σπουδών: αν είναι σωστά σχεδιασμένο αποτελεί μια σημαντική αφετηρία, ώστε οι φοιτητές να αναπτύξουν δεξιότητες και να αποκτήσουν τα εφόδια που θα τους επιτρέψουν να ενταχθούν με επιτυχία στην αγορά εργασίας. Ένα πρόγραμμα σπουδών που έχει εκπονηθεί από ειδικούς στον εκπαιδευτικό χώρο, με τη συμβολή και τα σχόλια των κοινωνικών εταίρων, έχει περισσότερες πιθανότητες να οδηγήσει σε επιτυχή συμμετοχή στην αγορά εργασίας. Οι επιχειρηματικές συμπράξεις μεταξύ ανώτατων εκπαιδευτικών ιδρυμάτων και επιχειρηματικού τομέα, εφόσον οργανωθούν σωστά, είναι επωφελείς για όλες τις πλευρές: οι φοιτητές αποκτούν τις δεξιότητες που ζητούνται στην οικονομία, οι επιχειρήσεις βρίσκουν τα καταρτισμένα στελέχη που χρειάζονται, ενώ το ακαδημαϊκό προσωπικό των ανώτατων εκπαιδευτικών ιδρυμάτων παρακολουθεί τις τρέχουσες εξελίξεις στην αγορά εργασίας και τις ανάγκες σε δεξιότητες, και αναπτύσσει σχέσεις με τον επιχειρηματικό κόσμο.

***

Κλείνοντας θα ήθελα να πω ότι οι κυριότερες τεχνολογικές εξελίξεις στις οποίες αναφέρθηκα σήμερα, αντιπροσωπεύουν αλλαγές που ξεπερνούν σε ταχύτητα και κλίμακα αυτό που αναμέναμε. Στην εποχή της 4ης Βιομηχανικής Επανάστασης, η τεχνολογία με πρωταγωνιστές το Διαδίκτυο, το υπολογιστικό νέφος (cloud), τα μεγάλα δεδομένα, τη ρομποτική και την τεχνητή νοημοσύνη, μεταμορφώνουν ριζικά τον κόσμο. Πίσω από όλα αυτά τα επιτεύγματα είναι οι γνωστοί από τα μαθηματικά αλγόριθμοι.

Είναι αλήθεια πως οι έξυπνες μηχανές προκαλούν σύγχυση και ερωτήματα σχετικά με τον αντίκτυπο στην καθημερινή ζωή, τις αλλαγές που θα επέλθουν στην αγορά εργασίας και τη διαμόρφωση της σχέσης ανθρώπου-μηχανής. Η σύγχρονη εποχή είναι η εποχή της συνεχούς ανάπτυξης δεξιοτήτων και της καινοτομίας σε όλους τους τομείς. Μια καινοτόμος οικονομία και κοινωνία απαιτεί την απόκτηση, ενεργοποίηση και χρήση εξειδικευμένων δεξιοτήτων, όπως είναι η χρήση μαθηματικού προγραμματισμού, αλλά χρειάζεται, συγχρόνως, άτομα με υψηλές κοινωνικές και συναισθηματικές δεξιότητες. Οι πτυχιούχοι των Μαθηματικών, με ευρεία εκπαίδευση, έχουν τη δυνατότητα να εφαρμόζουν τις μαθηματικές τους δεξιότητες στα προβλήματα του πραγματικού κόσμου και στον τομέα στον οποίο εργάζονται. Η βελτίωση του μαθησιακού αποτελέσματος στο σχολείο και το πανεπιστήμιο αποτελεί επομένως βασική πρόκληση για την εκπαιδευτική διαδικασία.

Με μια ματιά λοιπόν προς το μέλλον, που όμως είναι πολύ κοντά μας πλέον, είναι σχεδόν βέβαιο ότι θα ζήσουμε σε ένα νέο κόσμο συνδυασμένο με μηχανές και ρομπότ. Και όσο πιο μαθηματική είναι η προσέγγισή μας τόσο μεγαλύτερες είναι οι πιθανότητες επιτυχίας μας μέσα σε αυτές τις νέες συνθήκες. Τα μαθηματικά είναι πολύ διασυνδεδεμένα, πολύ περισσότερο από ότι κανείς μπορεί αρχικά να φαντάζεται. Στην πραγματικότητα, τα μαθηματικά αποτελούν αναπόσπαστο κομμάτι της καθημερινής πολύπλοκης ζωής μας.

Σας ευχαριστώ πολύ και σας εύχομαι ένα εποικοδομητικό Συμπόσιο.

(1)Eugene Wigner (1960), “The unreasonable effectiveness of mathematics in the natural sciences”.

(2)Beyer, M.A. and L. Douglas (2012), “The Importance of Big Data: A Definition”. Gartner Report

(3)Γραβάνης Α. (2018), «Η 4η βιομηχανική επανάσταση στη βιοτεχνολογία», ΤΑ ΝΕΑ 24.09.2018.

(4)Ciccarelli M. (2018). Welcome address at the 10th ECB Workshop on Forecasting Techniques: Economic Forecasting with Large Datasets”, 18.06.2018.

(5)Ομιλία του Benoit Cœuré στο συνέδριο “Economic and Financial Regulation in the Era of Big Data”, Banque de France, 24.07.2017.

(6)Γραβάνης Α. (2018), «Η 4η βιομηχανική επανάσταση στη βιοτεχνολογία», ΤΑ ΝΕΑ 24.09.2018

​​ 
Αυτό το website χρησιμοποιεί cookies για την βελτιστοποίηση της εμπειρίας σας. Μάθετε περισσότερα
Αποδέχομαι