Как коллективный интеллект людей и роботов может...

Сейчас большинство инвестиционных венчурных сделок закрываются так называемыми синдикатами. Т.е. в сделке в одном раунде одновременно участвуют несколько инвесторов. И с каждым годом этот тренд только усиливался. Помимо просто синдикатных сделок, в которых участвуют партнерские венчурные фонды, каждый год организуются специальные объединения/клубы коллективных инвестиций (самый известный пример – Angel List, российский аналог – Venture Club) Почему венчурные (и не только) инвесторы предпочитают входить в сделки не в одиночку, а группой, хотя, казалось бы, зачем делиться выгодной инвестицией со своими конкурентами по рынку? Одна из причин подобных структур сделок кроится в использовании системы коллективного интеллекта для хеджирования рисков от возможных ошибок группового мышления, когда инвестор может принять ошибочное решение о сделки на почве какого-то ложного инсайта, тренда или недостаточной компетенции в конкретной отрасли. В синдикате же набор компетенций и предыдущего опыта инвесторов может быть очень разнородным, что позволяет взглянуть и на стартап в целом, и на команду, и на возможные риски под разными углами. И в случае нахождения каких-то веских причин для отмены сделки – сделать это. В большинстве венчурных инвестициях лучшая сделка – это нереализованная сделка. А теперь представьте, что к коллективному интеллекту профессиональных инвесторов добавить технологию искусственного интеллекта, которая в реальном времени на основе множества данных (таких как: количество выходов, ситуация на фондовом рынке в конкретной отрасли, ситуации на рынке труда и даже поведения основателей стартапа в социальных сетях) адаптируется к текущей рыночной ситуации и создает сигналы для принятия решения о вхождении или не вхождении в ту или иную сделку без какого-либо эмоционального фактора. Большинство инвесторов пред-посевных и посевных стадий признаются, что главным фактором для принятия их инвестиционных решений остаются до сих пор эмоции. Симбиоз двух типов интеллектов в данном случае мог бы эффективно нивелировать недостатки «эмоционального» подхода людей, усилив сигнал для принятия решений множеством децентрализованных точек для анализа данных. Применение подобного подхода обосновано в системах с еще большей степенью неопределенности и высокой сложностью решаемых задач. Например, биотехнологии. В известной научной работе коллектив исследователей создали игру, в которой каждый участник с разной степенью знания мог поучаствовать в процессе молекулярного докинга (процесс, позволяющий предсказать структуру будущего химического элемента с желаемыми свойствами). Каждый участник этого проекта мог расположить две молекулы белка относительного друг друга любым способом. Используя такой краудсорсинг от множества различных специалистов совместно с виртуальным скринингом (компьютерное моделирование и machine learning), ученные создают новые лекарства путем совмещения молекулы (лекарства) и целевого белка (раковой мишени). Синергия двух интеллектов помогает человечеству находить лекарства от ранее неизлечимых заболеваний. «Коллективный разум» для новых технологий корпоративного управления пользуются  Google, Johnson&Johnson и ряд не менее серьезных корпораций. Для краудсорсинга новых идей, для генерации прогнозов о будущем компании и ее конкурентов (планы продаж, выпуск новых продуктов, старт работы на новых рынках) корпорации уже начали интегрировать в свои стратегические процессы технологию краудсорсинга идей и предсказания будущего. Компания из Чикаго Cultivate Labs, выросшая из стартапа одного из самых первых выпусков Y Combinator в 2006 году, как раз предлагает крупным компаниям и общественным организациям подключиться к внутреннему коллективному интеллекту для генерации ценных «инсайтов».  С одной стороны, топ-менеджмент собирает (что важно, децентрализованно) предложения и сигналы от различных сотрудников и департаментов – ведь, точки зрения и «инсайты» у менеджера по продажам, ежедневно собирающем обратную связь от рынка, и разработчика, владеющего информацией о действительной ценности технологии и выполнения продуктового плана компанией, имеют совершенно разную природу и ценность. Подключив к этой системе беспристрастные алгоритмы обработки больших данных (данные о продажах, аналитические отчеты и прогнозы, постоянное меняющуюся рыночную ситуацию) и математического моделирования, топ-менеджмент компании получает доступ к очень ценному децентрализованному источнику принятия решений, который можно использовать в связке с остальными стратегическими параметрами. Подобная технология, конечно, будет использоваться и в политических целях. Примечательным является известный студенческий проект Iowa Electronic Market, запущенный 1988 и ставший в результате одним из самых точных инструментов для предсказания результатов политических событий и выборов для большинства стран. Участники этого «рынка» могут покупать или продавать контракты на те ли иные итоги будущих политических событий (аналогично коротким и длинным позициям на бирже), формируя тем самым ожидания и очень точную вероятность победы того или иного кандидата в президента. На протяжении 2-х десятков лет эта технология предсказывала результаты президентских выборов в США с наибольшей точности по сравнению с любыми аналитиками или компаниями (до последних выборов, кстати). Но все же лидером в глубине проработки и использования гибридного интеллекта в бизнесе являются, без сомнения, фондовые рынки. Сфера, в которой трейдерам приходится принимать решения на миллионы долларов каждую секунду (а торговым роботам – каждую миллисекунду). Финансовый рынок является предсказанием в чистом виде. У тебя есть цена акций на сегодня и множество неизвестных, которые будут влиять на цену завтра. При этом рынок очень быстрый, прогнозы нужны каждый день и в большом объеме. Где их брать? Конечно, у аналитиков, но количество специалистов ограничено и все они пользуются примерно одной и той же информацией. Мы стали изучать публичные эксперименты. В одном из них профессор просил студентов угадать количество конфет в банке, показывая, что средневзвешеннный ответ их большой группы был бы наиболее точным (по сравнению с ответами даже самых удачливых и точных индивидуумов). А в 1906 году британский ученный Френсис Гальтон подобным образом определил точный вес быка, продававшегося на сельско-хозяйственном аукционе, децентрализовано опросив около 800 посетителей этой ярмарки. Социолог Хейгел Найт в середине 20-го века попросила студентов оценить температуру в комнате. Средний арифметический показатель мнения группы сообщил о том, что температура в комнате должна быть на уровне 22,44 градусов, в то время как реальная температура составила 22,2 градуса.   Технологии гибридного интеллекта для финансовых рынков, я уверен, не менее перспективны. На рынке давно пытаются решить эту задачу. Например, стартап Estimize с помощью 20 000 разнородных непрофессилнальных аналитиков уже несколько лет дает более точные прогнозы по доходности публичных компаний, чем Wall Street. На протяжении уже 4-лет коллективный разум Estimize бьет рыночный консенсуc профессиональных аналитиков Wall Street в 70% случаев. Но одним из главным вызовов для этой компании по-прежнему остается разработка системы весов доверия каждого из участников коллективного интеллекта для нивелирования шумов и попыток мошенничеств. Другая компания, Numer.ai  собирает коллективные прогнозы —  только не людей, а математических моделей. Этот калифорнийский стартап создал свой собственный хедж-фонд, управление которым доверено тысячам разработчкикам торговых роботов. Запуская соревнование между ними и мотивируя финансово каждый месяц 100 самых релеватных (с точки зрения профита), Numerai создают новый подход краудинвестинга интеллектуальных ресурос — Proof of Intelligence. Только на прошлой неделе фонд анонсировал IСO собственной криптовалюты для перехода на нее выплаты денежных бонусов разработчикам. Этот шаг позволяет, с одной стороны получить легальную возможность выплачивать дивиденды пользователям со всего мира, а с другой — сделать данный формат сотрудничества полностью анонимным. Numerai еще только предстоит решить одну из главных проблем подобного подхода – «переоптимизация» торговых и математических моделей. Это проблема вызвана тем, что построение их моделей строится на основе ретроспективных данных, а не в формате форвард тестирования реальных сделок  в реальном времени с учетом всевозможных рыночных изменений. Наш эксперимент с Московской Биржей (автор представляет сервис прогнозов Cindicator  - Forbes) подтвердил, что коллективный интеллект непрофессиональных трейдеров совместно с искусственным интеллектом торговых роботов может заработать на бирже.  Коллективный разум в этом эксперименте состоял из 863-х абсолютно не связанных между собой людей, которые каждый день прогнозировали внутридневные ценовые уровни для 4-х фьючерсов. Всего в ходе эксперимента было задано 56 вопросов, на основе которых робот совершил 27 сделок, 17 из которых были прибыльными. В результате за 15 дней эксперимента модельный портфель вырос на 2.81% в валюте. Это соответствует доходности 47% годовых в валюте. Но стоит очень отчетливо понимать все возможные риски подобной модели, которые требуют серьезной проработки для поддержания релевантных результатов на длительном промежутке времени. Помимо сбора достаточной в размерах выборки аналитиков-«предсказателей, необходимо внимательнейшим образом оценивать качество решаемых задач каждым из участников группы для максимально корректного определения весов доверия. По теории Суперфоркастинга нужно находить именно те 2% людей из рандомной выборки, которые обладают наибольшей ценностью в процессе прогнозирования. Созданием подобной системы для этого эксперимента занималась целая группа наших математиков. Также нужно было удостовериться, что каждый из суперфоркастеров обладает очень серьезной мотивации делать прогнозы каждый с максимально возможной для него точности во избежание появления шумов и понижению точности. Для этого мы на протяжении всего эксперимента поддерживали соревновательный накал за денежный приз, который динамически повышался от положительного результата трейдинга торгового робота.  Не менее серьезно нужно подходить и к самой формулировке поставленной задачи. Например, нам пришлось выяснить эмпирически мы выяснили, что оптимальным горизонтом прогнозирования ценовых уровней является внутри-дневные и внутри-недельные минимальные и максимальные значения цен финансовых инструментов. Что интересно, если провести бектесты сделок, учитывая только прогнозы победителя (самый точный участник) в этом эксперименте, то его прибыль составила бы +1,48%, что почти вдвое ниже прибыли, которую показал гибридный интеллект. В общем, возможно, и здесь Илон Маск оказался прав:  людям, действительно, пора объединяться в единый гибридный интеллект с роботами.

• 16:41 В Standard Chartered заявили о десятикратном потенциале роста сегмента стейблкоинов
• 14:50 Соучредитель Ethereum перевел 20 000 ETH на Kraken
• 14:36 Капитализация стейблкоинов достигла рекордных $191,5 млрд
• 14:00 Хабиб Нурмагомедов поддержал высмеивающий Конора Магрегора мемтокен
• 13:43 Зафиксирован рекордный объем месячных торгов Uniswap на L2, несмотря на уменьшение спроса на DeFi
• 13:16 RevBit сократил время обмена криптовалют до двух минут
• 12:55 Tether расширит кредитование сырьевых компаний до $5 млрд
• 12:53 Solana Meetup: Pible и Open Source Fun приглашают вас на предновогоднюю встречу криптосообщества