journal N3 2025

DOI კოდი: 10.52340/ekonomisti.2025.03.09

საკვანძო სიტყვები: მონეტარული პოლიტიკა, ხელოვნური ინტელექტი, მანქანური დასწავლა, პროგნოზირება

კვლევა განხორციელდა შოთა რუსთაველის საქართველოს ეროვნული სამეცნიერო ფონდის ფინანსური მხარდაჭერით, PHDF-18-858, „ინფლაციური პროცესების რეგულირების პრობლემები - საქართველოს მაგალითი“.

შესავალი

მონეტარული პოლიტიკა მნიშვნელოვან როლს ასრულებს ფასების სტაბილურობის რეგულირებაში, მდგრადი ეკონომიკური ზრდის მიღწევასა და ფინანსური სტაბილურობის შენარჩუნებაში. ტრადიციულად, ცენტრალური ბანკები მონეტარული პოლიტიკის გადაწყვეტილებების მიღების პროცესში ეყრდნობოდნენ არსებულ ეკონომიკურ თეორიებს, ექსპერტულ შეფასებებს, სტატისტიკურ და ეკონომეტრიკულ მოდელებს. თუმცა, გლობალური ეკონომიკის კომპლექსურობის ზრდამ და გამოთვლითი სიმძლავრეების განვითარებამ ცენტრალურ ბანკებს ახალი ანალიტიკური ინსტრუმენტების ძიებისკენ უბიძგა. ამ კონტექსტში, მანქანური დასწავლა (ML) და ხელოვნური ინტელექტი (AI) პერსპექტიულ ინსტრუმენტებად გამოიკვეთა მონეტარული პოლიტიკის ეფექტიანობის გასაუმჯობესებლად. ბოლო წლებში, მსოფლიოს ცენტრალურმა ბანკებმა დაიწყეს AI/ML ტექნიკების შესწავლა და დანერგვა საკუთარი საქმიანობის პროცესში, რაც განაპირობა ფინანსური, თუ სხვა სახის კრიზისების პერიოდში გაურკვევლობის ზრდამ და, ამავდროულად, მონაცემთა მრავალფეროვანი ნაკრებების ხელმისაწვდომობამ (Georgieva, 2023).

მკვლევარები აღნიშნავენ, რომ ხელოვნურ ინტელექტს აქვს პოტენციალი, გარდაქმნას ცენტრალური ბანკების ძირითადი ამოცანები, რითაც ინფლაციის პროგნოზირებასთან ერთად მნიშვნელოვანი ყურადღება დაეთმობა ფინანსური მოწყვლადობის გამოვლენას, შედეგად კი გაუმჯობესდება ფასების სტაბილურობის და ფინანსური სტაბილურობის მიღწევის გზები (Hartmann, Maver, 2025; BIS, 2024). სტატია წარმოადგენს მანქანური დასწავლისა და ხელოვნური ინტელექტის გლობალური გავლენის მიმოხილვას მონეტარულ პოლიტიკაში, უახლესი კვლევების ინტეგრირებით. მაკროეკონომიკური პროგნოზირების, ფინანსური სტაბილურობის ანალიზისა და ეკონომიკური პოლიტიკის კომუნიკაციების ტექსტური ანალიზის დახმარებით, ჩვენ განვიხილავთ აქტუალურ ლიტერატურას აღნიშნული საკითხების ირგვლივ და გთავაზობთ ტრადიციული და ახალი მიდგომების შედარებას. სტატიის მიზანია შეფასდეს ხელოვნური ინტელექტის გამოყენების ტექნიკები მონეტარულ პოლიტიკაში მსოფლიო მასშტაბით, შეფასდეს მათი სარგებელი და შეზღუდვები აკადემიურ კონტექსტში, სხვადასხვა ცენტრალურ ბანკებში დანერგილი პრაქტიკისა და მათი მოსაზრებების მიმოხილვის დახმარებით.

ლიტერატურისმ იმოხილვა

ადრეულმა კვლევებმა გამოკვეთა ხელოვნური ინტელექტის პოტენციალი ეკონომიკური პროგნოზირების ჭრილში. აღსანიშნავია ისეთი მეთოდები, როგორებიცაა ნეირონული ქსელები დახმარებით მთლიანი შიდა პროდუქტის ზრდის პროგნოზირება (Vrbka, 2016), დინამიკური სტოქასტური ზოგადი წონასწორობის (DSGE) მოდელის (Tovar, 2008) და ჰიბრიდული მოდელები აღნიშნული ორი მეთოდის ინტეგრაციით (Stempel, Zahner, 2022), რის შედეგადაც დადგინდა, რომ მანქანური დასწავლის მეთოდებს შეუძლიათ ისეთი რთული, არაწრფივი კავშირების აღქმა, რომლებიც შესაძლოა ვერ აღმოაჩინონ სტანდარტულმა მოდელებმა. მიუხედავად ამისა, აღსანიშნავია, რომ აღნიშნული წარმოადგენს ტრადიციული მოდელების გაძლიერების, და არა მათი ჩანაცვლების ინსტრუმენტს (Georgieva, 2023).

მაკროეკონომიკური პროგნოზირებისა და ნაუქასთინგის (nowcasting) მიმართულებით, აღსანიშნავია, რომ მანქანური დასწავლის ალგორითმებს (მაგ. Random Forests), ტრადიციულ სტატისტიკურ მოდელებთან შედარებით, უკეთესად შეუძლიათ აშშ-ს ინფლაციის პროგნოზირება, განსაკუთრებით მაშინ, როდესაც ხელმისაწვდომია რაოდენობრივად მეტი მონაცემი (Medeiros et al., 2021). ახალი ზელანდიის მაგალითზე განხორციელებული ერთ-ერთი კვლევა ასევე აღნიშნავს, რომ შესაძლებელია რეალურ დროში მთლიანი შიდა პროდუქტის პროგნოზირების მნიშვნელოვნად გაუმჯობესება მანქანური დასწავლის მეთოდების (მ.შ. Ensemble modeling) გამოყენებით, განსაკუთრებით მაშინ, როდესაც გამოყენებული იქნა რამდენიმე ალგორითმის კომბინაცია (Richardson et al., 2019).

მაკროეკონომიკური პროგნოზირების გარდა, ხელოვნური ინტელექტი მნიშვნელოვან როლს თამაშობს ფინანსური სტაბილურობისა და რისკების პროგნოზირების მიმართულებითაც. სხვადასხვა ქვეყნებში ტრადიციული და მანქანური დასწავლის მეთოდებით საბანკო და ფინანსური კრიზისების პროგნოზირების შედარებისას, კვლევის დასკვნები მიუთითებს, რომ მანქანური დასწავლის მეთოდების გამოყენება აუმჯობესებს პროგნოზების სიზუსტედ, თუმცა გასათვალისწინებელია ინტერპრეტირებისა და კალიბრაციის გამოწვევები, რაც ხაზს უსვამს მსგავსი შედეგების გამოყენებისას სიფრთხილის გამოჩენის საჭიროებას (Beutel et al., 2019). საკრედიტო რისკის შეფასების პროცესში, კვლევამ, რომელიც საკრედიტო დეფოლტის პროგნოზს აფასებდა, დამატებით წარმოაჩინა არასწორი სპეციფიკაციის, ან მოდელის ზედმეტად მორგების (overfit) რისკები. შესაბამისად, მეტად მნიშვნელოვანი ხდება ხელოვნური ინტელექტის მოდელების მდგრადობა, რათა ისინი მცდარი პროგნოზისკენ არ იყვნენ მიდრეკილი და შეცდომაში არ შეიყვანონ მათი მომხმარებლები (Robisco, Martinez, 2022).

სხვა კვლევებიც აღნიშნავენ ფინანსურ ანალიზში მანქანური დასწავლის მოდელების დანერგვის შემთხვევაში წარმოქმნილ დადებით ეფექტებს, როგორებიცაა მონაცემთა სწრაფი დამუშავება და პროგნოზების გაუმჯობესებული სიზუსტე, და რისკებს, როგორებიცაა ალგორითმული ხარვეზები, ეთიკის, მონაცემთა დაცვისა და კონფიდენციალურობის საკითხები და მზარდი ციფრული უთანასწორობა განვითარებულ და განვითარებად ეკონომიკებს შორის (Boukherouaa et al., 2021).

სტატიაში ჩვენს მიერ განხილული მიმართულებით არსებული ლიტერატურა მიუთითებს, ხელოვნური ინტელექტისა და მანქანური დასწავლის მოდელებს გააჩნიათ მნიშვნელოვანი პოტენციალი მონეტარული პოლიტიკის ანალიზის გაუმჯობესების კუთხით. თუმცა, გასათვალისწინებელია ის ფაქტი, რომ მათ დანერგვას თან ახლავს გარკვეული რისკები.

ხელოვნური ინტელექტის პრაქტიკული გამოყენება მონეტარულ პოლიტიკაში

ხელოვნური ინტელექტის გამოყენება შესაძლებელია მონეტარული პოლიტიკის სხვადასხვა ასპექტში. ამ სექციაში განვიხილავთ სამ ძირითად მიმართულებას, კერძოდ, მაკროეკონომიკურ პროგნოზირებას, ფინანსურ სტაბილურობას და ბუნებრივი ენის დამუშავებას (NLP).

ძირითადი მაკროეკონომიკური ინდიკატორების, როგორიცაა ინფლაცია, მთლიანი შიდა პროდუქტის ზრდა, უმუშევრობა, და სხვა ზუსტი პროგნოზები მნიშვნელოვანია ინფორმირებული მონეტარული პოლიტიკის გადაწყვეტილებების მისაღებად. მანქანური დასწავლის მეთოდები, რომლებიც გამოირჩევიან დიდი რაოდენობის მონაცემებში რთული კანონზომიერებების გამოვლენით, ცენტრალურ ბანკებს სთავაზობს მძლავრ ინსტრუმენტს პროგნოზების სიზუსტის და მნიშვნელოვნების გასაუმჯობესებლად. კვლევები აჩვენებს, რომ მანქანური დასწავლის მოდელებს შეუძლიათ გაითვალისწინონ პროგნოზირებადი ცვლადების უფრო ფართო სპექტრი (არატრადიციული მონაცემების ჩათვლით) და აღმოაჩინონ არაწრფივი კავშირები, რაც ხშირად ტრადიციულ მოდელებთან შედარებით ზუსტი პროგნოზირების საშუალებას იძლევა. მაგალითად, საერთაშორისო სავალუტო ფონდის კვლევამ (Liu et al., 2024), რომელმაც გამოიყენა რამდენიმე მანქანური დასწავლის ალგორითმი  2020 წლის შემდგომ, პოსტ-კოვიდ პანდემიით გამოწვეულ არასტაბილურ პერიოდში, იაპონიის საბაზო ინფლაციის პროგნოზირებისთვის, დაადგინა, რომ გარკვეული მანქანური დასწავლის მოდელები (მაგ. LASSO) გაცილებით ზუსტი შედეგების მიღების საშუალებას იძლეოდა სტანდარტულ დროითი მწკრივების მოდელებთან შედარებით და ერთიდან ექვს თვემდე პერიოდით ადრე ამცირებდა პროგნოზირების შეცდომებს. აღნიშნული გამოწვეული იყო იმ ფაქტით, რომ მანქანური დასწავლის მოდელებს უკეთესად შეუძლიათ რამდენიმე დამოკიდებული ცვლადის გაანალიზება.

ზოგიერთი მოდელის საშუალებით შესაძლებელია სხვადასხვა წყაროებიდან სტრუქტურირებული (მაგ. დროით მწკრივები, ცხრილები, სტატისტიკური მონაცემები) და არასტრუქტურირებული (მაგ. ფოტოები, ტექსტი, და ა.შ.) მონაცემების ინტეგრირება. შესაბამისად, სტანდარტული რაოდენობრივი ანალიზის დახმარებით პროგნოზირებასთან ერთად, ტექსტური და სხვა არაციფრული მონაცემების დამუშავების დახმარებით შესაძლებელია თვისებრივი ანალიზის მეთოდების გამოყენებაც. ზოგიერთი კვლევა აჩვენებს, რომ ტექსტის ანალიზის დახმარებით, კერძოდ ახალი ამბების, სტატიებისა და სოციალური მედიის სენტიმენტების დამუშავებით შესაძლებელი ხდება ინფლაციური მოლოდინების უფრო ზუსტი პროგნოზირება (Tilly, Livan, 2022).

თუმცა, აღსანიშნავია, რომ იაპონიის მაგალითზე განხორციელებული სხვა კვლევის მიხედვით, მანქანური დასწავლის რთული, არაწრფივი მოდელები (მაგ., Random Forests, Gradient-Boosted Trees) ყოველთვის უპირატესი არ იყო. აღნიშნულმა მოდელებმა ნაკლები მნიშვნელობა მიანიჭეს ინფლაციის ბოლოდროინდელ ზრდას, რითაც ავტორეგრესიულ მოდელზე ნაკლებად ზუსტი შედეგი აჩვენეს (Liu et al., 2024). შესაბამისად, მიუხედავად იმისა, რომ კომპლექსურ მოდელებს შეუძლიათ პროგნოზების გაუმჯობესება, მათი წარმატება დამოკიდებულია მოდელის კომპლექსურობის სწორად შერჩევასა და საცდელ მონაცემებში ახალი პერიოდის საკმარისი დაკვირვებების არსებობაზე.

მაკროეკონომიკური ანალიზის არანაკლებ მნიშვნელოვანი ნაწილია ფინანსური სტაბილურობის ანალიზი და რისკების მონიტორინგი.ფინანსური სტაბილურობის მიმართულებით, მანქანური დასწავლის ალგორითმები გამოიყენება დიდი მოცულობის ფინანსური მონაცემების ანალიზის საფუძველზე შესაბამისი რისკ ფაქტორების გამოსავლენად. ხელოვნური ინტელექტის დახმარებით შესაძლებელია არაწრფივი რისკ-ფაქტორების გათვალისწინება, რაც ტრადიციული მეთოდებისგან განსხვავებით უფრო სანდო და ზუსტი საკრედიტო რისკის მოდელირების და მსესხებელთა დეფოლტის პროგნოზირების საშუალებას იძლება.

მიუხედავად ამისა, აღსანიშნავია, რომ ცენტრალური ბანკები ხელოვნური ინტელექტის საპროგნოზო მოდელებს იზოლირებულად არ განიხილავენ და თვლიან, რომ ადამიანის ექსპერტიზა კვლავ გადამწყვეტ როლს ასრულებს. შესაბამისად, პრაქტიკაში, ბევრი ინსტიტუტი იყენებს შერეულ მიდგომას, როდესაც მანქანური დასწავლის პროგნოზები დამხმარე ინსტრუმენტია ტრადიციულ პროგნოზებსა და ექსპერტულ შეფასებებთან ერთად. მაგალითად, ევროპის ცენტრალურმა ბანკმა (ECB) ინფლაციის პროგნოზირებისთვის შეიმუშავა მანქანური დასწავლის არაწრფივი მოდელი, რომელიც პარალელურად მუშაობდა მის ჩვეულებრივ მოდელებთან. აღნიშნული მოდელის პროგნოზები ახლოს იყო ოფიციალურ ექსპერტულ პროგნოზებთან, რაც ადასტურებს, რომ იგი უკვე ითვალისწინებდა ზოგიერთ არაწრფივ კავშირს (Lenza et al., 2023).

მანქანური დასწავლა ასევე გამოიყენება ფინანსური კრიზისების ადრეული იდენტიფიცირების სისტემებში, რომლებიც ისტორიული მონაცემებიდან სწავლობენ არსებული ტენდენციების იდენტიფიცირებას პრე-კრიზისული პერიოდებისთვის. მაგალითად, ინგლისის ბანკის თანამშრომლებმა შეიმუშავეს მანქანურ დასწავლაზე დაფუძნებული საგანგაშო სისტემა დიდი ბრიტანეთის ბანკებისთვის, რომელიც იყენებს სპეციფიკური ფინანსური და მაკრო ცვლადების ფართო სპექტრს (Bholat et al., 2020). დადგინდა, რომ მანქანური დასწავლის აღნიშნული სისტემა უზრუნველყოფდა საფრთხისა და რისკების გამოვლენის უფრო ხანგრძლივ წინმსწრებ პერიოდებს, ვიდრე ტრადიციული ინსტრუმენტები და საზომები, რაც მონეტარული პოლიტიკის გამტარებლებს აძლევდა მნიშვნელოვან დროით უპირატესობას პრევენციული ზომების მისაღებად.

გარდა ამისა, ახალი ამბების, ან სხვა მსგავსი არასტრუქტურირებული მონაცემების ანალიზზე დაფუძნებული ინდექსები (მაგ. ფინანსური სტრესის ინდექსი), ხელს უწყობს ფინანსური რისკების იდენტიფიცირებისა და მათი შემცირების შედარებით პროაქტიულ მიდგომას. ამასთან, პარალელურად საჭიროა ქსელური ანალიზი, რომელიც სისტემურად მნიშვნელოვანი ინსტიტუტების და მათთან მიმართებაში წარმოქმნილი ანომალიების გამოსავლენად გამოიყენება, რის საშუალებითაც შესაძლებელი ხდება საგადასახადო სისტემებში დარღვევების, ან საბაზრო გარიგებებში უჩვეულო კანონზომიერებების აღმოჩენა.

როგორც ფინანსური, ასევე მაკროეკონომიკური ანალიზის განსახორციელებლად მკვლევარები და სახელმწიფო ინსტიტუტები სხვადასხვა ინსტრუმენტებს იყენებენ. მათ შორის ერთ-ერთი მნიშვნელოვანი ადგილი უკავია ბუნებრივი ენის დამუშავებას და ინსტიტუციური გზავნილების ანალიზს.ბუნებრივი ენის დამუშავების განვითარებამ გამოიწვია ცენტრალური ბანკების მიერ პოლიტიკური გზავნილების ანალიზისა და მართვის ტრანსფორმაცია, ვინაიდან შესაძლებელი გახდა ოფიციალური განცხადებებიდან, ახალი ამბებიდან და სხვა მსგავსი წყაროებიდან მიღებული ტექსტური მონაცემების რაოდენობრივი ანალიზი. შედეგად, გაუმჯობესდა პოლიტიკური გზავნილების, ბაზრის სენტიმენტებისა და მონეტარული პოლიტიკის შოკების დროული იდენტიფიცირება.

ერთ-ერთი კვლევა ბუნებრივი ენის დამუშავებას იყენებს ფედერალური სარეზერვო სისტემის შიდა დოკუმენტაციის, მათ შორის ოქმების ანალიზისთვის, რის საფუძველზეც ქმნის პოლიტიკური შოკების ტექსტურ მონაცემებზე დამყარებულ საზომს (Aruoba, Drechsel, 2024). აღნიშნულ ინსტრუმენტს ცენტრალური ბანკები ასევე იყენებენ თავიანთი გზავნილების სიცხადისა და საზოგადოების მიერ მათი აღქმის შესაფასებლად. საკუთარი გზავნილების ანალიზის გარდა, ცენტრალური ბანკები იყენებენ რეალურ დროში მანქანურ დასწავლაზე დაფუძნებულ ახალი ამბების ანალიტიკას ეკონომიკური მოვლენების მონიტორინგისთვის, რაც თვისებრივ ინფორმაციას რაოდენობრივ მონაცემებად გარდაქმნის და ხელს უწყობს შედარებით გამჭვირვალე და მონაცემებზე დაფუძნებული პოლიტიკური გადაწყვეტილებების მიღებას.

ცენტრალური ბანკების მიერ AI/ML-ის დანერგვის შემთხვევების შესწავლა

მსოფლიოს მასშტაბით იზრდება ცენტრალურ ბანკთა რაოდენობა, რომელთაც წამოიწყეს საპილოტე პროექტები მათ ხელთ არსებულ მონეტარული პოლიტიკის ინსტრუმენტთა ნაკრებში მანქანური დასწავლის გასაერთიანებლად.

ევროპის ცენტრალური ბანკი მოწინავე პოზიციებზეა მანქანური დასწავლის დანერგვის მიმართულებით კვლევებში. ზემოთ ნახსენები არაწრფივი ინფლაციის პროგნოზირების მოდელის გარდა (Lenza et al., 2023), შეფასებულია დიდი მონაცემებისა და მანქანური დასწავლის გამოყენება სხვა სფეროებშიც. 2021 წლის სტრატეგიის მიმოხილვისას, ევროპის ცენტრალურმა ბანკმა აღნიშნა ინფლაციის დინამიკაში არაწრფივი კავშირების და ალბათობის განაწილების მიხედვით ნაკლებად მოსალოდნელი შედეგების დადგომის (ე.წ. Tail Risk) რისკების მნიშვნელობა, რამაც გამოიწვია ინტერესი მანქანური დასწავლის მოდელების მიმართ. ასეთი მოდელებით წერტილოვანი პროგნოზების ნაცვლად შესაძლებელი ხდება სრული პროგნოზული განაწილების გენერირება. ევროპის ცენტრალური ბანკის მკვლევრებმა ასევე გამოიყენეს მანქანური დასწავლის მოდელებზე დაფუძნებული კომპოზიტური ფინანსური სტრეს-ინდექსები, რომლებიც აერთიანებენ ახალი ამბების სენტიმენტსა და ფასიანი ქაღალდების ბაზრის მონაცემებიდან გამომდინარე არასტაბილურობის საზომებს, რის საფუძველზეც შესაძლებელია საბაზრო სტრესის გაზომვა რეალურ დროში. გარდა ამისა, ევროპის ცენტრალურმა ბანკმა შეიმუშავა ბუნებრივი ენის დამუშავების ინსტრუმენტები შიდა კომუნიკაციების გასაანალიზებლად, რომელიც აფასებს მმართველი საბჭოს განცხადებებისა და მედიაში გაშუქებულ ტექსტს, რათა განსაზღვროს განზრახული გზავნილის ადრესატამდე მიღწევადობის დონე.

ამერიკის შეერთებული შტატების ცენტრალურმა ბანკმა, ფედერალურმა სარეზერვო სისტემამ ასევე გადადგა ნაბიჯები ხელოვნური ინტელექტის ელემენტების ძირითადად კვლევასა და ზედამხედველობაში ინტეგრაციის საშუალებით. აღნიშნული მიმართულებით განხორციელებული კვლევები მოიცავს მონეტარული პოლიტიკის შოკების იდენტიფიცირებას, ფედერალური სარეზერვო სისტემის დოკუმენტაციის გაანალიზებას ბუნებრივი ენის დამუშავების მოდელების დახმარებით, მანქანური დასწავლის დახმარებით Nowcasting-ის ანგარიშების მომზადებას ნიუ-იორკის ფედერალურ სარეზერვო სისტემაში და სპეციფიკური ინფლაციის კომპონენტების გამოვლენას, ასევე სენტიმენტებიდან მიღებული შედეგების რიცხობრივ მონაცემებში გადაყვანას (Aruoba, Drechsel, 2024). ინფლაციის პროგნოზირებისათვის შექმნილი მანქანური დასწავლის მოდელები, ფედერალურმა სარეზერვო სისტემამ, განსაკუთრებით ისეთი კომპონენტების ანალიზისთვის გამოიყენა, როგორებიცაა უძრავი ქონების ქირის, ან მეორადი ავტომობილების ფასები. მსგავსი ტიპის სექტორების ანალიზი შედარებით მარტივია ფასების მონაცემების სიუხვისა და მარტივი ხელმისაწვდომობიდან  გამომდინარე.

დიდი ბრიტანეთის ცენტრალური ბანკი, ინგლისის ბანკი იკვლევდა მანქანურ დასწავლის მოდელებს მონეტარული პოლიტიკისთვის და მაკროპრუდენციული რეგულირებისთვის. ამის თვალსაჩინო მაგალითებია ინგლისის ბანკის მიერ შემუშავებული ხელოვნური ინტელექტის ჩარჩო კომერციული ბანკების ოპერაციისას წარმოქმნილი პრობლემების პროგნოზირებისთვის და მანქანური დასწავლის მოდელების დახმარებით ფილიპსის მრუდის არაწრფივი დინამიკის ანალიზი, როგოც ინფლაცია-უმუშევრობის კავშირის გარშემო გამართული დებატების ნაწილი (Buckmann, Joseph, 2022). კვლევებმა დაადგინეს, რომ მანქანური დასწავლის მოდელებმა გამოავლინეს ფილიპსის მრუდის არაწრფივი ურთიერთობები, როგორიცაა თეორია იმის შესახებ, რომ დაბალი ინფლაცია ნაკლებად მგრძნობიარეა უმუშევრობის მიმართ. აღნიშნულმა დასკვნებმა ხელი შეუწყო ინგლისის ბანკის დებატებს ფილიპსის მრუდის ეფექტის შესუსტების შესახებ, აჩვენა რა არაწრფივი კავშირების მნიშვნელობა. ინგლისის ბანკის აქტიურ ჩართულობას თანამედროვე ტექნოლოგიების ათვისების პროცესში ამყარებს ის ფაქტიც, რომ მისი ინიციატივით შეიქმნა და 2025 წლის მაისიდან ფუნქციონირებს ხელოვნური ინტელექტის კონსორციუმი (Artificial Intelligence Consortium), რომელშიც უკვე გაწევრიანდნენ ისეთი კომპანიების წარმომადგენლები, როგორებიცაა Microsoft, Goldman Sachs, Visa, Bloomberg LP, HSBC, JPMorgan, Revolut და სხვა (Bank of England, 2025).

ხელოვნურ ინტელექტსა და მანქანური დასწავლის მოდელებს ასევე იყენებენ განვითარებადი ბაზრების ცენტრალური ბანკები. მაგალითად, ბრაზილიის ცენტრალური ბანკი იყენებს მანქანურ დასწავლას ინფლაციისა და მთლიანი შიდა პროდუქტის პროგნოზირების პროცესში (Araujo, Gaglianone, 2022, Garcia et al. 2017). აზიის ცენტრალური ბანკები, მაგალითად, კორეის ბანკი (BIS, 2019) და ტაილანდის ბანკი (Chaiboonsri, Wannapan, 2019) ხელოვნური ინტელექტის დახმარებით აანალიზებენ ექსპორტისა და ტურიზმის ნაკადებს.

აღსანიშნავია, რომ მონეტარული პოლიტიკის გადაწყვეტილებების მიღების პროცესში ხელოვნური ინტელექტის მოდელების გამოყენების შესახებ კვლევა განხორციელებული აქვს საქართველოს ეროვნულ ბანკსაც. კვლევის თანახმად, ხელოვნური ინტელექტის გამოყენება იძლევა შესაძლებლობას, ხელი შეუწყოს მონეტარული პოლიტიკის გადაწყვეტილების მიღების პროცესს შედარებით ეფექტიანი შედეგების მისაღწევად. აღნიშნული მეთოდების დახმარებით შესაძლებელია მრავალ ცვლადიანი ანალიზის გამოყენება (Dundua, Gorgodze, 2022). სხვა კვლევის მიხედვით, ხელოვნური ინტელექტის გამოყენება შესაძლებელია მთლიანი შიდა პროდუქტის Nowcasting-ის პროცესში, რაც მიმდინარე ეკონომიკურ აქტივობებზე შედარებით მაღალი სიზუსტით და ნაკლები დაყოვნებით დაკვირვების საშუალებას იძლევა (Mgebrishvili, 2022).

არანაკლებ მნიშვნელოვანია საერთაშორისო ინსტიტუტების როლი მსგავსი კვლევების იმპლემენტაციის პროცესში. ისეთი ინსტიტუტები, როგორიცაა საერთაშორისო სავალუტო ფონდი (IMF) და საერთაშორისო ანგარიშსწორებათა ბანკი (BIS) აქტიურად იკვლევენ მანქანური დასწავლის მოდელების გამოყენების გზებს და კონსულტაციებს უწევენ წევრ ცენტრალურ ბანკებს მსგავსი ინსტრუმენტების დანერგვის პროცესში.

ხელოვნური ინტელექტის და მანქანური და სწავლის მოდელების გამოყენების პროცესში წარმოქმნილი რისკები და გამოწვევები

მონეტარული პოლიტიკაში ხელოვნური ინტელექტისა და მანქანური დასწავლის დანერგვა მნიშვნელოვან შესაძლებლობებს იძლევა, თუმცა, როგორც უკვე აღვნიშნეთ, მას თან ახლავს რიგი გამოწვევები. ცენტრალურმა ბანკებმა მსგავსი რისკები მაქსიმალური სიფრთხილით უნდა მართონ, რათა არ დაირღვეს პოლიტიკის ეფექტიანობა და ფინანსური სტაბილურობა. დასამუშავებელ მონაცემთა ხარისხი და ხელმისაწვდომობა ერთ-ერთ უმნიშვნელოვანეს რისკს წარმოადგენს, განსაკუთრებით განვითარებად ქვეყნებში, სადაც ხშირია არასრულფასოვანი, ან ფრაგმენტული მონაცემები. სტრუქტურული ცვლილებები, ალტერნატიულ მონაცემთა ბაზებთან შეზღუდული ხელმისაწვდომობა და მონაცემთა კონფიდენციალურობის პრობლემები ამ გამოწვევებს კიდევ უფრო ამძაფრებს. ასევე საყურადღებოა კომპლექსური მოდელების ინტერპრეტაციის სიზუსტე. მოდელების, ცვლადების, ან შედეგების არასწორი ინტერპრეტაცია ეჭვქვეშ აყენებს გამჭვირვალობას და ამცირებს ეკონომიკური ინსტიტუტებისადმი ნდობას.

ცენტრალური ბანკები ასევე დგანან ისეთი საოპერაციო რისკების წინაშე, როგორებიცაა კიბერუსაფრთხოება, გამართული ტექნიკური ინფრასტრუქტურა, და მანქანური დასწავლის მოდელების მუდმივი ვალიდაცია. ეთიკური რისკები, მათ შორის მონაცემთა კონფიდენციალურობა და სამართლიანობა, საჭიროებს მკაფიო ეთიკურ ჩარჩოებს და ინტერდისციპლინურ კონტროლს. აღსანიშნავია სხვა ტექნიკური რისკებიც, მაგალითად მოდელების ზედმეტად მორგება, ეკონომიკოსთა და ანალიტიკოსთა ნაკლებობა, ან დაბალკვალიფიციურობა, და სხვა. ეს გამოწვევები ერთმანეთთანა დაკავშირებულია და კიდევ ერთხელ უსვამს ხაზს საჭიროებს ინტეგრირებული მიდგომების გამოყენების საჭიროებას.

დასკვნა

მანქანური დასწავლა და ხელოვნური ინტელექტი ფუნდამენტურად ცვლის მონეტარული პოლიტიკის ანალიზს მთელი მსოფლიოს მასშტაბით. როგორც განვითარებული, ასევე განვითარებადი ეკონომიკების ცენტრალური ბანკები წარმატებით იყენებენ აღნიშნულ ინსტრუმენტებს დიდი მოცულობის არასტრუქტურირებული მონაცემების დახმარებით მაკროეკონომიკური პროგნოზირების უკეთესად შესაფასებლად და ფინანსური არასტაბილურობის დროული იდენტიფიცირებისთვის. მონეტარული პოლიტიკის პროცესში ხელოვნური ინტელექტის ინტეგრაციას აქვს პოტენციალი, მნიშვნელოვნად გააუმჯობესოს ცენტრალური ბანკის მიერ გადაწყვეტილების მიღების დროულობა და სიზუსტე, განსაკუთრებით დიდი მოცულობის მონაცემების დამუშავებისა და ისეთი რთული კანონზომიერებების გამოვლენის გზით, რომლებიც ტრადიციულმა მოდელებმა შესაძლოა ვერ გაითვალისწინონ.

ცენტრალური ბანკების მიერ მსგავსი ინსტრუმენტების ადაპტაციის აუცილებლობას ხაზს უსვამს თანამედროვე ეკონომიკაში ხელოვნური ინტელექტის მზარდი გამოყენება. ვინაიდან კერძო სექტორში არსებული კომპანიები ხელოვნური ინტელექტის ალგორითმების გამოყენებით ადგენენ ფასებს და იღებენ საინვესტიციო გადაწყვეტილებებს, ცენტრალურმა ბანკებმა უნდა შეიმუშაონ საკუთარი ანალიტიკური ინსტრუმენტები, რათა შეძლონ შესაბამისი ცვლილებების იდენტიფიცირება და ეფექტურად უპასუხონ ეკონომიკურ დინამიკას.

თუმცა, კვლევებში დოკუმენტირებული გამოცდილება ნათლად მიუთითებს, რომ ხელოვნური ინტელექტი და მანქანური დასწავლა არ წარმოადგენენ დამოუკიდებელ ინსტრუმენტებს, არამედ დამხმარე მეთოდებს, რომლებიც საჭიროებენ გონივრულ გამოყენებას. ყველაზე წარმატებული მოდელები განიხილავენ მათ გამოყენებას ექსპერტულ ანალიზისა და ტრადიციული მოდელებთან ერთად, რაც მიუთითებს მონეტარული პოლიტიკის ჰიბრიდულ მომავალზე.

ამასთან, ხელოვნური ინტელექტის დახმარებით მიღებული შედეგების გამჭვირვალობა აუცილებელია ცენტრალური ბანკის სანდოობის შესანარჩუნებლად. ანალიტიკურ პროცესში გამოყენებული მეთოდოლოგიის, მათ შორის, მანქანური დასწავლის მოდელების დახმარებით მიღებული შედეგების რეგულარულ ანგარიშებში ინტეგრაციის, შესახებ ღია კომუნიკაცია ხელს შეუწყობს საზოგადოების ნდობის ამაღლებას. გარდა ამისა, არანაკლებ მნიშვნელოვანია გლობალური თანამშრომლობა და ცოდნის გაზიარება, რაც საშუალებას მოგვცემს მანქანური დასწავლის მოდელების გამოყენებით მიღებული სარგებელი მარტივად გავრცელდეს სამეცნიერო და არასამეცნიერო საზოგადოებაში, და ხელს შეუწყობს მცირე ქვეყნების, ან შეზღუდული რესურსების მქონე ცენტრალური ბანკების მიერ მათ უფრო მარტივ ათვისებას. 

ბიბლიოგრაფია

1. Araujo G. S., Gaglianone W. P. (2022). Machine Learning Methods for Inflation Forecasting in Brazil: New Contenders Versus Classical Models. Central Bank of Brazil, Working Paper Series 561.
2. Aruoba S. B., Drechsel T. (2024). Identifying Monetary Policy Shocks: A Natural Language Approach. NBER Working Paper No. 32417. Cambridge, MA: National Bureau of Economic Research.
3. Bank for International Settlements (BIS) (2024). Annual Economic Report 2024, Chapter III: Artificial Intelligence and the Economy – Implications for Central Banks. Basel: BIS.
4. Bank for International Settlements (BIS) (2019). The Use of Big Data Analytics and Artificial Intelligence In Central Banking. IFC Bulletin, No 50.
5. Bank of England (2025). Artificial Intelligence Consortium: List of Participants. Financial Conduct Authority, https://www.bankofengland.co.uk/research/fintech/artificial-intelligence-consortium/ai-tor
6. Beutel J., List S., von Schweinitz G. (2019). Does Machine Learning Help Us Predict Banking Crises? Journal of Financial Stability, 45, Article 100693.
7. Boukherouaa E. B., Shabsigh G., AlAjmi Kh., Deodoro J., Farias A., Iskender E. S., Mirestean A. T., Ravikumar R. (2021). Powering the Digital Economy: Opportunities and Risks of Artificial Intelligence in Finance. IMF Departmental Paper No. 21/024. Washington, DC: International Monetary Fund.
8. Buckmann M., Joseph A. (2022). An interpretable machine learning workflow with an application to economic forecasting. Bank of England Staff Working Paper No. 984.
9. Chaiboonsri C., Wannapan S. (2019). Big Data and Machine Learning for Economic Cycle Prediction: Application of Thailand’s Economy. Springer Nature Switzerland AG.
10. Dundua M., Gorgodze O. (2022). Application of Artificial Intelligence for Monetary Policy-Making. NBG Working Papers, WP 02/2022.
11. Garcia M. G. P., Medeiros M. C., Vasconcelos G. F. R. (2017). Machine Learning Methods for Inflation Forecasting in Brazil: new contenders versus classical models. International Journal of Forecasting 33.
12. Georgieva S. (2023). Application of Artificial Intelligence and Machine Learning in the Conduct of Monetary Policy by Central Banks. Economic Studies (Bulgarian Academy of Sciences), Issue 8.
13. Hartmann P., Maver V. (2025). Implications of Artificial Intelligence for Monetary Policy – A First Conceptual Assessment. SUERF Policy Brief No. 1080.
14. Lenza M., Moutachaker I., Paredes J. (2023). Forecasting euro area inflation with machine-learning models. ECB Research Bulletin No. 112, European Central Bank.
15. Liu Y., Pan R., Xu R. (2024). Mending the Crystal Ball: Enhanced Inflation Forecasts with Machine Learning. IMF Working Paper No. 24/206. Washington, DC: International Monetary Fund.
16. Mgebrishvili M. (2022). Nowcasting with high frequency data, Google trends and machine learning. Working Paper, WP 01/2022
17. Medeiros M. C., Vasconcelos G. F., Veiga Á., Zilberman E. (2021). Forecasting Inflation in a Data-Rich Environment: The Benefits of Machine Learning Methods. Journal of Business & Economic Statistics, 39 (1).
18. Richardson A., van Florenstein Mulder T., Vehbi T. (2019). Nowcasting New Zealand GDP Using Machine Learning Algorithms. IFC Bulletins (Bank for International Settlements) No. 50.
19. Robisco A. A., Carbó Martinez J. M. (2022). Measuring the model risk-adjusted performance of machine learning algorithms in credit default prediction. Financial Innovation.
20. Stempel D., Zahner J. (2022). DSGE models and machine learning: An application to monetary policy in the euro area. MAGKS Discussion Paper No. 32-2022.
21. Tilly S., Livan G. (2022). Predicting market inflation expectations with news topics and sentiment. SSRN Working Paper, Elsevier.
22. Tovar C. E. (2008). DSGE models and central banks. BIS Working Paper No. 258. Basel: Bank for International Settlements.
23. Vrbka J. (2016). Predicting Future GDP Development by Means of Artificial Intelligence. Littera Scripta, 9(3).