Dagens digitale virkelighet genererer store mengder registrerte data og bilder, og omsider er også datakapasiteten god nok til å kunne utnytte mye mer av all informasjonen. En bærbar maskin, et program å kode med og tilgang til datakapasitet andre steder – rustet med dette kan en i dag utføre mye.
Maskinene kan trumfe tradisjonelle metoder mår vi står over for datarikdom eller komplekse sammenhenger, samt på prediksjon. Listen blir stadig lenger.
Maskinlæring og kunstig intelligens har for lengst gitt store gevinster innen områder som medisin, helseteknologi og markedsføring. Ved NMBU jobber vi nå med å dra nytte av kunstig intelligens og maskinlæring innen boligmarkedsforskningen.
Tenk deg all informasjonen de vanlige modellene går glipp av.
Den månedlige boligprisstatistikken fra Eiendomsverdi og Eiendom Norge er et hestehode foran andre land og gir et datagrunnlag som er blant det rikeste i verden. Her kan vi følge kjøp og salg minutt for minutt, samt volumet av solgte og usolgte boliger time for time. Dette er informasjon som er vanskelig å utnytte for de fleste ordinære modeller, men hvor datadrevne algoritmer blomstrer.
Innen flere områder venter jeg stor fremgang fremover:
- Verdsetting av eiendom og regional utvikling: En eiendoms verdi påvirkes av en lang rekke faktorer som beliggenhet, total standard og ulike stedskvaliteter. Moderne programvare kan nå trekke ut slik informasjon fra satellittfoto, salgsoppgaver og salgsannonser. Eksempler på viktige elementer som ikke er blitt fanget opp tilstrekkelig er grad av oppussing, moderniseringsbehov og hvorvidt eiendommen har vestvendt balkong. Datarikdommen vil kunne gi mye bedre verdsettinger. Det åpner seg også opp nye muligheter, som å analysere regionale områders vekst og utvikling samt effekter av ulike lokale satsinger på et helt annet detaljnivå enn før.
- Prisprognoser og sannsynligheten for krakk og kriser: Makroøkonomiens og boligmarkedets dynamikk avhenger av mange faktorer, noe har vi data på, andre ikke. Her kan maskinene trenes opp til å fange opp mønstre i dataen og utvikle prognoser basert på et svært rikt informasjonsgrunnlag. Nevrale nettverk er spesielt egnet når kompleksiteten er stor og kompenserer til og med for manglende data via nye og mer avanserte teknikker. Kraften i disse verktøyene bringer feilmarginene nå ned til bemerkelsesverdig lave nivå.
- Kunne vi forutsett finanskrisen? Maskinene kan også tunes inn mot å fange opp mer sjeldne indikatorer for sårbarhet som gjerne drukner i modeller som er tunet inn på å finne mest sannsynlige utfall. Sorte svaner kan ligge langt ute i sannsynlighetens ytterpunkter, og maskinene være bedre i stand til å oppdage når risiko bygger seg opp. Muligheten for å forutsi den neste krisen avhenger nok av hvor gode vi blir, både menneske og maskin, til å se etter de rette tingene.
Stordatateknologien har foreløpig også vesentlige begrensninger. Maskinene er mye bedre til å svare på spørsmål enn å stille fornuftige spørsmål. De er også svake på å tolke det de ser. Det er flere eksempler hvor teknologi alene ikke har gitt best resultat.
Vi kan i DN 25.2 lese om det algoritme- og robotstyrte faktorfondet Harvest som knuses av børsen. At forvalterroboter helt overlatt til seg selv og til mekanisk kjøp og salg underpresterer, kan være et viktig varselsignal.
Algoritmene ble også motbevist under den amerikanske presidentvalgkampen i 2016 da de mest anerkjente ga Donald Trump vinnersjanser rundt 10 – 30 prosent, basert på en rekke meningsmålinger. Flere vesentlige elementer ble her forbigått, som representativitet i utvalget og kompliserte valgordninger.
Det er med andre ord et stort behov for menneskelig kunnskap og innsikt fortsatt. Det ser heldigvis ikke ut til at vi økonomer blir arbeidsledige med det første. Men gode teknologer bør vi bli.(Vilkår)Copyright Dagens Næringsliv AS og/eller våre leverandører. Vi vil gjerne at du deler våre saker ved bruk av lenke, som leder direkte til våre sider. Kopiering eller annen form for bruk av hele eller deler av innholdet, kan kun skje etter skriftlig tillatelse eller som tillatt ved lov. For ytterligere vilkår se her.
