Η κατανόηση της δυναμικής της αγοράς ελαιολάδου θα απασχόλησε τους ελαιοκαλλιεργητές, τους ελαιοτριβείς, τους εμπόρους και τους φορείς εκμετάλλευσης. Η πρόβλεψη της τιμής του ελαιολάδου θα βοηθούσε επίσης στην πιο δίκαιη κατανομή της κερδοφορίας στην αλυσίδα εφοδιασμού.
Υπάρχουν εικασίες που προκαλούνται από διελκυστίνδα μεταξύ των διαφόρων παραγόντων στην αλυσίδα εφοδιασμού, αλλά ουσιαστικά οι παράμετροι στις οποίες βασίζεται η αγορά πετρελαίου βασίζονται σε αντικειμενικές και μετρήσιμες παραμέτρους, για παράδειγμα με βάση την παραγωγή και τις πωλήσεις.
Ο Diego Hueltes, μηχανικός λογισμικού και Διευθύνων Σύμβουλος του TADIA.ai, μιας εταιρείας συμβούλων τεχνητής νοημοσύνης, έχει αναπτύξει τρία μοντέλα πρόβλεψης τιμών, συμπεριλαμβανομένης της πρόβλεψης μιας εβδομάδας, μιας πρόβλεψης τεσσάρων εβδομάδων και μιας πρόβλεψης ανόδου ή πτώσης τιμών.
Ο Hueltes χρησιμοποίησε αλγόριθμους μηχανικής μάθησης και έρευνα τεχνητής νοημοσύνης για να αναλύσει ιστορικές τιμές ελαιολάδου, δεδομένα καιρού και δεδομένα παραγωγής για να κάνει ακριβείς εκτιμήσεις τιμών το 2017 και το 2018 και στη συνέχεια τα συνέκρινε με πραγματικά δεδομένα.
Το μοντέλο εβδομαδιαίας πρόβλεψης έχει μέσο σφάλμα 3%.
«Για παράδειγμα, εάν το μοντέλο μου προβλέπει ότι η τιμή θα είναι 10,00 ευρώ την επόμενη εβδομάδα, η πραγματική τιμή πιθανότατα θα είναι μεταξύ 9,97 και 10,03 ευρώ», λέει ο Hueltes.
Η πρόβλεψη ήταν χαμηλότερη σε εβδομαδιαία βάση, με ποσοστό ακρίβειας 76%.
«Για να αξιολογήσω αυτό το μοντέλο, χρησιμοποίησα μια οικονομική τεχνική που αναλύει τις αποδόσεις, ελέγχοντας ποια θα ήταν η συσσωρευμένη απόδοση εάν, κάθε φορά που το μοντέλο προέβλεπε ότι η τιμή θα αυξανόταν την επόμενη εβδομάδα, αγόραζα ελαιόλαδο και κάθε φορά προέβλεπε η τιμή θα έπεφτε, πούλησα ελαιόλαδο», συνέχισε ο Hueltes. «Αν είχα επενδύσει 100 ευρώ ακολουθώντας το μοντέλο μεταξύ 2017 και 2018, μετά από ένα χρόνο θα είχα 140 ευρώ».
Ο Hueltes δημοσίευσε την έρευνά του στο GitHub, καθιστώντας τη διαθέσιμη στο ευρύ κοινό.
«Το μοντέλο AI, χρησιμοποιώντας δεδομένα τιμής, παραγωγής και καιρού, είναι σε θέση να εξάγει υποκείμενα μοτίβα στα δεδομένα. Αυτά τα μοτίβα, τα οποία είναι πολύ δύσκολο να εντοπίσουν οι άνθρωποι, ακόμη και για τους ειδικούς του κλάδου, είναι απολύτως εφικτά για μοντέλα τεχνητής νοημοσύνης», είπε ο Hueltes.
Πηγή: teatronaturale.it
