Исследование показало, что сложные модели искусственного интеллекта не всегда надежны в финансовых прогнозах для самозанятых
2 ноября 2026 г. · 2 мин чтения
Исследование, в котором приняла участие компания Declarando, пришло к выводу, что самые продвинутые модели искусственного интеллекта не всегда предоставляют наиболее надежные финансовые и налоговые прогнозы для самозанятых лиц.
В работе, опубликованной в журнале International Journal of Computational Intelligence Systems, анализировались реальные данные 395 самозанятых. Ученые сравнивали различные статистические системы и модели трансформеров от Amazon. Результаты показали, что комбинация более простых моделей может обеспечивать более стабильные результаты, чем сложные архитектуры искусственного интеллекта.
В ходе исследования сравнивались три типа инструментов прогнозирования: простое скользящее среднее, несколько ансамблевых моделей, которые объединяют оценки разных алгоритмов, и две версии Amazon Chronos-T5, представляющие собой архитектуры трансформеров. Было установлено, что ансамблевые модели демонстрируют более стабильное, последовательное и менее предвзятое поведение, чем анализируемые модели трансформеров.
Особое внимание в исследовании было уделено разнице между взносами, уплаченными на основе прогнозов, и суммами, которые фактически соответствовали бы реальным доходам. Некоторые ансамблевые модели показали отклонения менее одного евро. В то же время модели от Amazon зафиксировали постоянные отклонения, близкие к 50 евро.
В сценарии, где профессионалы удваивают свои доходы, использование модели Amazon привело бы к тому, что самозанятый переплатил бы почти 200 евро, так как сумма изменилась бы с 376,04 до 562,83 евро. Это эквивалентно оплате дополнительного взноса в систему социального обеспечения в течение нескольких месяцев. При этом отмечено, что такие расхождения незначительны по сравнению с ошибками, возникающими при полном отсутствии методов прогнозирования, которые могут привести к дефициту в тысячи евро.
Авторы работы подчеркивают, что большая технологическая сложность не гарантирует более высокую надежность. Они указывают на необходимость адаптации модели к характеристикам конкретной проблемы, а также к количеству и качеству доступных данных. Исследователи заключают, что важно не выбирать между искусственным интеллектом и традиционными моделями, а определять наиболее подходящую технологию для каждой конкретной задачи.