Mākslīgais intelekts centrālajās bankās: no mašīnmācīšanās metodēm līdz ģeneratīvajiem modeļiem

Centrālās bankas tradicionāli tiek uzskatītas par piesardzīgām un stabilām institūcijām, tomēr mūsdienās tās darbojas vidē, kuru strauji pārveido digitalizācija, datu apjoma pieaugums un informācijas plūsmas paātrināšanās. Šajos apstākļos arvien nozīmīgāku lomu ieņem mākslīgais intelekts (MI), tostarp mašīnmācīšanās (machine learning) un ģeneratīvais mākslīgais intelekts (Generative Artificial Intelligence). MI ļauj analizēt arvien plašākas un sarežģītākas datu kopas, uzlabot prognožu precizitāti un atbalstīt lēmumu pieņemšanas procesus. Atšķirībā no tradicionālajām ekonometriskajām metodēm MI pieeja spēj elastīgi apstrādāt nelineāras sakarības, augstas dimensijas datus un nestrukturētu informāciju, kas kļūst arvien nozīmīgāka arī monetārās politikas kontekstā. Arī Latvijas Bankā aktīvi tiek testēti MI rīki un tiek gan veidoti asistenti darbības efektivitātes uzlabošanai, gan arī tiek iekļautas metodes analītisko materiālu gatavošanā un pētniecībā.

Šajā rakstā aplūkota MI izmantošana monetārās politikas analīzē un prognozēšanā, koncentrējoties uz trim galvenajiem aspektiem: jaunu datu signālu iegūšanu un apstrādi, ekonomisko prognožu uzlabošanu un institucionālajiem izaicinājumiem un pārvaldības jautājumiem, kas saistīti ar MI ieviešanu centrālajās bankās.

MI izmantošana centrālajās bankās nav jauna parādība – dažādas mašīnmācīšanās metodes statistikā, ekonomiskajā analīzē un risku novērtēšanā tiek izmantotas jau vairākus gadu desmitus. Mašīnmācīšanās kā MI apakšnozare balstās uz algoritmiem, kas ir iepriekš apmācīti un spēj identificēt likumsakarības bez stingri noteiktas modeļa struktūras. Šīs metodes sniegušas būtisku pienesumu ekonomiskajā pētniecībā un darbā ar oficiālo statistiku. [1]

Pēdējos gados MI pielietojumu strauji paplašinājusi ģeneratīvā MI attīstība, īpaši lielo valodu modeļu (large language models) jomā. Atšķirībā no tradicionālajām mašīnmācīšanās metodēm ģeneratīvais MI ļauj strādāt ar tekstu, attēliem un kodu dabiskajā valodā, padarot MI rīkus pieejamus arī darbiniekiem bez padziļinātām programmēšanas zināšanām.

Saskaņā ar Starptautiskās norēķinu bankas 2024. gadā veikto aptauju [2], 88 % centrālo banku jau izmanto ģeneratīvā MI rīkus, turklāt gandrīz puse to izmantošanu uzskata par vienu no galvenajām stratēģiskajām prioritātēm. MI tiek pielietots plašā spektrā – no teksta ģenerēšanas un labošanas, dokumentu kopsavilkumu veidošanas un tulkošanas līdz kodēšanas asistentiem un datu analīzes atbalstam. Lai gan aptaujas dati liecina, ka lielākā daļa MI rīku ir attīstības fāzē vai arī to pielietojums ir ierobežots, MI potenciāls monetārās politikas jomā un pētniecībā ir būtisks un strauji augošs.

Datu kvalitāte un granularitāte

Augstas kvalitātes dati ir priekšnoteikums ticamai monetārās politikas analīzei un prognozēšanai. Centrālajām bankām arvien biežāk nākas strādāt ar lieliem, heterogēniem un augstas frekvences datu kopumiem, tostarp jauniem un nestrukturētiem datu avotiem. MI metodes šajā kontekstā var kalpot kā būtisks atbalsta instruments datu kvalitātes uzlabošanai un statistiskās bāzes uzlabošanai.

Viena no visplašāk izmantotajām MI pieejām ir anomāliju noteikšana, kas palīdz identificēt netipiskus novērojumus, kuri var rasties datu ievades kļūdu, metodoloģisku izmaiņu vai ārkārtēju notikumu dēļ. Šim nolūkam centrālajās bankās bieži tiek izmantoti tādi algoritmi kā izolācijas mežs (isolation forest, skat., piemēram, rakstu Anomāliju noteikšana banku klientu pārrobežu maksājumos, izmantojot mašīnmācīšanās algoritmus) un K-tuvākie kaimiņi (K-nearest means), kas ir piemēroti lieliem un daudzdimensionāliem datu kopumiem [3], [4].

MI metodes tiek pielietotas arī trūkstošo datu aizpildīšanai un datu kopu saskaņošanai, izmantojot nelineāras sakarības starp rādītājiem. Šajā jomā bieži tiek izmantoti K-tuvāko kaimiņu, nejaušā meža (random forest) un Baiesa (Bayes) pieejās balstīti algoritmi, kas palīdz precīzāk aizpildīt trūkstošos datus, nodrošinot stabilākus rezultātus arī tad, ja dati ir nepilnīgi vai trokšņaini (noisy data – dati, kuros ir kļūdas, nejaušas svārstības vai nevajadzīga informācija).

Papildus tam MI palīdz dubultu ierakstu noteikšanai un klasifikācijai. Klasterizācijas algoritmi un dabiskās valodas apstrādes metodes ļauj identificēt līdzīgus ierakstus un automatizēt to sakārtošanu atbilstošās grupās.

Svarīgs pielietojuma virziens ir arī strukturālo pārmaiņu noteikšana, kas ļauj laikus identificēt izmaiņas datu ģenerēšanas procesos. Šim nolūkam tiek izmantoti izmaiņu punktu noteikšanas algoritmi un modeļu veiktspējas monitorings, kas ir īpaši nozīmīgi krīžu periodos un tūlītējai prognozēšanai (nowcasting) [5].

Praksē datu kvalitātes nodrošināšana balstās uz cilvēka un MI sadarbību: MI automatizē problemātisku novērojumu identificēšanu, savukārt eksperti veic to interpretāciju, kvalitātes kontroli un galīgo vērtējumu. Šāda pieeja ļauj apvienot algoritmisko efektivitāti ar profesionālo spriedumu, saglabājot centrālajām bankām raksturīgos augstos kvalitātes standartus.

Nestrukturētas informācijas izmantošana ekonomiskajā analīzē

Viens no nozīmīgākajiem MI pienesumiem monetārās politikas analīzē ir spēja sistemātiski izmantot nestrukturētu informāciju. Papildus tradicionālajiem statistikas rādītājiem centrālās bankas arvien biežāk izmanto netradicionālus datu avotus, piemēram, ziņu plūsmas, uzņēmumu paziņojumus, sociālo mediju saturu, tiešsaistē apkopotas cenas un pat satelītattēlus. [6]

Dabiskās valodas apstrādes (natural language processing) metodes ļauj strukturēt lielus teksta apjomus, identificēt tematiskos virzienus, noteikt sentimentu un analizēt komunikācijas toni. Savukārt datorredzes (computer vision) metodes no satelītattēliem var sniegt informāciju par transporta intensitāti, būvniecības aktivitāti vai lauksaimniecības ražīguma izmaiņām. Šādi signāli var kalpot kā agrīnie brīdinājuma indikatori un papildināt tradicionālos makroekonomiskos datus. [7]

Kā piemēru var apskatīt Vācijas Bundesbankas izstrādāto MI darbināto modeli MILA (Monetary-Intelligent Language Agent), kas analizē centrālās bankas komunikāciju. MILA klasificē monetārās politikas paziņojumus kā vanadziskus vai dūjiskus (attiecīgi – norādot uz stingrāku vai vaļīgāku politikas nostāju), vienlaikus novērtējot teksta toni un sniedzot interpretējamus pamatojumus saviem secinājumiem. Šis rīks tiek izmantots Eiropas Centrālās bankas (ECB) preses konferenču un paziņojumu analīzei, palīdzot novērtēt ECB komunikācijas ietekmi uz finanšu tirgiem. [8] Arī Latvijas Bankas ekonomisti darbojas pie  lielo valodu modeļu rīka ECB komunikācijas analīzei.

Arī ASV Federālās Rezervju sistēmas pētnieki meklē iespējas lielo valodu modeļu un citu mašīnmācīšanās metožu pielietošanu ekonomiskajā analīzē. Piemēram, mašīnmācīšanās pieejas ir pielietotas nestrukturētu tekstuālu datu analīzei, lai identificētu un prognozētu finanšu krīzes. Tāpat ir pētīta ģeneratīvā MI izmantošana Federālā atvērtā tirgus komitejas (Federal Open Market Committee) sanāksmju protokolu analīzē [9]. Savukārt Ričmondas Federālo rezervju bankas pētnieki eksperimentēja ar lielo valodu modeļu izmantošanu, simulējot profesionālo prognozētāju aptaujas (Survey of Professional Forecasters) paneli un veidojot sintētiskus prognozētājus – mākslīgi ģenerētus prognožu sniedzējus, kas, balstoties uz vēsturiskajiem datiem un modeļa iekšējo struktūru, reproducē individuālu prognozētāju lēmumu pieņemšanas loģiku [10]. Šie sintētiskie paneļa dalībnieki atsevišķos prognožu horizontos uzrādīja augstu precizitāti.

Uzlabota ekonomikas prognozēšana ar MI

MI arvien biežāk tiek izmantots kā papildinājums tradicionālajiem makroekonomiskajiem prognozēšanas rīkiem, ļaujot centrālajām bankām uzlabot prognožu precizitāti, savlaicīgumu un elastību. Atšķirībā no klasiskajiem ekonometriskajiem modeļiem MI pieeja spēj apstrādāt nestrukturētu, daudzdimensionālu un augstas frekvences informāciju, uztvert nelineāras sakarības un pielāgoties mainīgiem ekonomiskajiem apstākļiem. Tā ļauj paplašināt informācijas kopumu, uz kura balstās prognozes, vienlaikus mazinot kavēšanos starp ekonomisko notikumu norisi un to atspoguļojumu datos, kas ir īpaši nozīmīgi periodos ar paaugstinātu nenoteiktību.

MI rīki netiek izmantoti kā tradicionālo prognozēšanas modeļu aizvietotāji, bet gan kā papildinājums. Centrālās bankas arvien biežāk izmanto modeļu kopumu (ensemble approaches), kur MI prognozes tiek kombinētas ar ekonometriskajiem un strukturālajiem modeļiem, tādējādi uzlabojot kopējo prognožu stabilitāti. Cilvēka ekspertīze saglabā būtisku lomu gan modeļu vērtēšanā, gan prognožu interpretācijā. MI modeļi var signalizēt par iespējamām izmaiņām ekonomikas dinamikā, taču galīgais vērtējums par to ekonomisko nozīmi un politikas implikācijām paliek ekspertu ziņā. Šāda pieeja ļauj izmantot MI priekšrocības, vienlaikus saglabājot prognozēšanas procesa caurspīdīgumu un uzticamību.

Nowcasting un reāllaika ekonomikas novērtējums

MI modeļi ir kļuvuši par būtisku instrumentu nowcasting procesā, nodrošinot reāllaika novērtējumus par galvenajiem makroekonomiskajiem rādītājiem, piemēram, iekšzemes kopprodukta izaugsmi un inflāciju. Šie modeļi spēj apvienot dažādas frekvences datus – no ikmēneša apsekojumiem līdz ikdienas maksājumu, mobilitātes vai cenu datiem –, sniedzot dinamiskus un regulāri atjaunojamus novērtējumus.

ECB inflācijas nowcasting praksē MI tiek izmantots, lai apstrādātu tiešsaistē apkopotus (web scraping) cenu datus, savukārt lielie valodu modeļi palīdz klasificēt preces un pakalpojumus, strukturējot sākotnēji nestrukturētus datus [11]. Līdzīgas pieejas izmanto arī citas centrālās bankas, tostarp Kanādas Banka [12].

Mašīnmācīšanās modeļi vidējā termiņa prognozēs un pētniecībā

Papildus īstermiņa nowcasting uzdevumiem MI metodes tiek izmantotas arī vidējā termiņa prognozēšanā un pētniecībā. Uz lēmumu kokiem balstīti (tree-based) algoritmi [13], piemēram, nejaušais mežs (random forest) un gradient boosting, bieži uzrāda labāku prognožu precizitāti nekā lineārās regresijas pieejas, jo spēj uztvert sarežģītas un nelineāras sakarības starp ekonomiskajiem mainīgajiem. Neironu tīklu (neural network) modeļi ļauj analizēt augstas dimensijas datu kopas un ir īpaši noderīgi situācijās, kad ekonomikas dinamiku ietekmē vairāki savstarpēji saistīti faktori. Šādas metodes palīdz labāk izprast, piemēram, procentu likmju zemākās robežas efektus vai inflācijas dinamikas izmaiņas atšķirīgos ekonomiskajos režīmos.

Anglijas Banka pēc pandēmijas inflācijas analīzē izmanto blokos strukturētu boosted decision tree modeli [14], kas ļauj atdalīt pieprasījuma un piedāvājuma faktorus, vienlaikus saglabājot ekonomisko interpretējamību. Šajā pieejā inflācijas dinamiku veidojošie mainīgie tiek sadalīti ekonomiski intuitīvos blokos, kas atspoguļo globālos un iekšzemes pieprasījuma faktorus, piedāvājuma puses ietekmes, kā arī inflācijas gaidās balstītu tendenci. Modeļa ietvaros tiek ieviesti zīmju ierobežojumi, kas ļauj atdalīt pieprasījuma un piedāvājuma signālus, piemēram, pieprasījuma blokā pieļaujot inflācijas pieaugumu vienlaikus ar bezdarba samazināšanos, bet piedāvājuma blokā – inflācijas pieaugumu kopā ar bezdarba kāpumu. Šāda pieeja ļauj sasaistīt mašīnmācīšanās modeļa rezultātus ar ekonomisko teoriju. Šī pieeja parāda, ka mašīnmācīšanās metodes var sniegt politikas veidotājiem praktiski izmantojamus ieskatus, ja šīs metodes tiek papildinātas ar ekonomiski pamatotiem ierobežojumiem.

Arī ECB nesen izstrādāts mašīnmācīšanās modelis [15] sniedz padziļinātu ieskatu inflācijas nelineārajā dinamikā eirozonā. ECB izmanto kvantiļu regresijas meža modeli (quantile regression forest), kas ļauj prognozēt ne tikai konkrētu inflācijas vērtību nākotnē, bet arī iespējamo nākotnes iznākumu sadalījumu, tādējādi nodrošinot inflācijas blīvuma prognozes, kas ir īpaši nozīmīgas monetārās politikas lēmumu pieņemšanā. Salīdzinot prognožu precizitāti, ECB mašīnmācīšanās modeļa rezultāti ir ļoti līdzīgi Eirosistēmas ekspertu inflācijas prognozēm un daudzos gadījumos pārspēj vienkāršākos lineāros modeļus, īpaši īsāka termiņa prognozēm. Šī līdzība liecina, ka ekspertu spriedums jau šobrīd palīdz integrēt nelineārus aspektus prognozēs, pat ja pamatmodeļi formāli balstās uz lineārām sakarībām. Tādējādi ECB pieredze apstiprina, ka mašīnmācīšanās modeļi ir vērtīgs papildinājums prognozēšanas rīku kopumam, kas ļauj labāk izprast inflācijas risku sadalījumu un nenoteiktību, vienlaikus neaizvietojot tradicionālās analītiskās pieejas.

Latvijas Bankā tiek attīstīta mašīnmācīšanās metožu pielietošana, tās  kombinējot ar ekspertu vērtējumu, lai uzlabotu gan prognožu kvalitāti, gan rezultātu interpretējamību. Pašlaik tiek vērtēta iespēja inflācijas prognozēšanas modeļu klāstu papildināt ar kvantiļu regresijas meža modeli, kas ļauj prognozēt ne tikai vidējo inflācijas trajektoriju, bet arī tās nenoteiktību un riskus dažādās kvantilēs. Pētniecībā MI metodes tiek izmantotas arī cēloņu un mehānismu izpētei, kur svarīgi ir atklāt sarežģītas mijiedarbības starp faktoriem un mazināt modeļa specifikācijas kļūdas risku. Piemēram, pētījumā par to, kā bērnības apstākļi ietekmē ienākumu līmeni pieaugušā vecumā [16], tika izmantota pastiprinātā meža regresijas metode (boosted forest regression), lai identificētu nozīmīgākos bērnības apstākļus, kas saistīti ar iespēju nevienlīdzību Eiropā. Šī pieeja ļauj elastīgi modelēt nelineāras sakarības un plašu mijiedarbību kopumu, vienlaikus sniedzot informāciju par faktoru relatīvo nozīmību. Pētījuma rezultāti rāda, ka starp būtiskākajiem faktoriem bieži izceļas vecāku izglītība, mājsaimniecības finansiālais stāvoklis, dzimums, dzimšanas valsts un urbanizācijas pakāpe, turklāt šo faktoru nozīmīgums atšķiras pa valstīm un laika periodiem.

Darbības efektivitāte un politikas atbalsts

Papildus analītiskajam pienesumam ģeneratīvais MI uzlabo centrālo banku operacionālo efektivitāti. Tas palīdz sagatavot analīžu melnrakstus, veidot kopsavilkumus, testēt programmatūru un ģenerēt kodu, tādējādi atbrīvojot ekspertu laiku stratēģiskiem uzdevumiem.

Lai arī pagaidām MI rīku ieviešana darbības efektivitātes uzlabošanā bieži vien nav pilnībā pabeigta un ir izmēģinājuma un pilotprojektu stadijā, atsevišķu centrālo banku pārstāvji ir izteikušies par šo rīku izmantošanu centrālajās bankās. Piemēram, ASV Federālā rezervju sistēma izmanto MI rīkus atbalsta funkcijās, piemēram, rakstīšanā, kodēšanā un pētniecībā [17], savukārt ECB izmanto MI balstītus tulkošanas risinājumus, lai nodrošinātu komunikāciju visās 24 Eiropas Savienības oficiālajās valodās. Austrālijas Rezervju banka testē MI darbinātu tērzēšanas robotu RBA PubChat, kas palīdz analizēt analītiskos dokumentus un izsekot ekonomiskā noskaņojuma maiņām. [18] Šie pielietojumi netieši, bet būtiski atbalsta monetārās politikas procesu.

Ierobežojumi un institucionālie izaicinājumi

Neraugoties uz ievērojamajām iespējām, MI izmantošana centrālajās bankās rada vairākus izaicinājumus.

Modeļu interpretējamība. Sarežģīti MI modeļi bieži darbojas kā "melnās kastes", kas apgrūtina rezultātu skaidrojumu. Caurspīdīgums un interpretējamība ir īpaši svarīga institūcijām, kuru leģitimitāte balstās uz sabiedrības uzticību.

Datu risks un pārlieka automatizācija. MI sistēmu rezultāti ir atkarīgi no datu kvalitātes. Pastāv risks pārlieku paļauties uz automatizētām prognozēm, ja tās netiek papildinātas ar cilvēka spriedumu un konteksta izpratni.

Datu konfidencialitāte. Centrālajās bankās tiek izmantoti sensitīvi un konfidenciāli dati, kurus izmantojot jāievēro īpaši datu aizsardzības nosacījumi, tāpēc publiski MI risinājumi bieži nav piemēroti. Lokālu risinājumu ieviešana prasa ievērojamas investīcijas un specializētu ekspertīzi.

Kompetenču plaisa un ētiskā atbildība. MI ieviešanai nepieciešami augsti kvalificēti datu zinātnieki, programmētāji un ekonomisti. Tomēr daudzās centrālajās bankās joprojām pastāv kompetenču plaisa, kas var palēnināt inovāciju ieviešanu vai novest pie pārmērīgas atkarības no ārējiem tehnoloģiju piegādātājiem. Vienlaikus centrālajām bankām jānodrošina, ka MI tiek izmantots ētiski, taisnīgi un caurspīdīgi.

Secinājumi

MI sniedz centrālajām bankām jaunas iespējas iegūt savlaicīgus, detalizētus un kontekstuāli bagātus ieskatus par ekonomikas procesiem, uzlabojot monetārās politikas analīzi un prognozēšanu. Tāpat MI rīki kļūst par atbalstu ikdienā, paaugstinot darbības efektivitāti. Tomēr MI nav aizvietotājs cilvēka spriedumam – tas ir atbalsta instruments, kura efektivitāte ir atkarīga no atbildīgas pārvaldības, datu kvalitātes un institucionālās kapacitātes. Līdzsvars starp tehnoloģisko inovāciju un piesardzību būs izšķirošs, lai MI kļūtu par uzticamu un ilgtspējīgu palīgu monetārās politikas lēmumu pieņemšanā.

Raksts sagatavots, izmantojot mākslīgā intelekta (Chat GPT-5.2) atbalstu.

[1] Doerr et al., 2021, Big data and machine learning in central banking, BIS Working Papers, No 930

[2] Araujo, D, R Schmidt, O Sirello, B Tissot and R Villarreal (2025), Governance and implementation of artificial intelligence in central banks, IFC Report, no 18.

[3] Matteo Accornero & Gianluca Boscariol (2021), Machine learning for anomaly detection in datasets with categorical variables and skewed distributions, IFC-Bank of Italy Workshop on “Machine learning in central banking”, Rome / virtual event

[4] Araujo, D, G Bruno, J Marcucci, R Schmidt and B Tissot (2022), Machine learning applications in central banking, IFC Bulletin, no 57.

[5] Nowcasting ir metode, ar kuru ekonomisti cenšas novērtēt, kas ekonomikā notiek tieši šobrīd, pat ja oficiālie dati vēl nav publicēti. Parasti, piemēram, iekšzemes kopprodukta dati tiek publicēti ar vairāku mēnešu nobīdi. Nowcasting izmanto dažādus jau pieejamus aktuālos datus (piemēram, uzņēmumu aptaujas, industriālās ražošanas datus, maksājumu karšu datus u.c.), lai izveidotu iespējami precīzu "šī brīža bildi".

[6] Doerr et al., 2021, How do central banks use big data and machine learning?, SUERF Policy Briefs, No 67, April

[7] Zhang T., 2025, Artificial intelligence and central banks: monetary and financial stability implications, Mumbai, 8 October

[8] Geiger et al., 2025, Monetary-Intelligent Language Agent (MILA), Technical Paper

[9] Dunn W. et. Al., 2024, Using Generative AI Models to Understand FOMC Monetary Policy Discussions

[10] D. Cook L., 2025, AI: A Fed Policymaker's View, July 17, Cambridge, Massachusetts

[11] Cipollone, P. 2024, Artificial intelligence: a central bank’s view, 4 July, Rome

[12] Macklem T., 2024, Artificial intelligence, the economy and central banking, September 20, Toronto

[13] Uz lēmumu kokiem balstīti algoritmi ir mašīnmācīšanās metodes, kas pieņem lēmumus, uzdodot secīgus "jā/nē" jautājumus un sadalot datus kā zarotu koku. Tie soli pa solim nonāk pie prognozes vai lēmuma, balstoties uz datu īpašībām.

[14] Buckmann et al., 2025, Boosted inflation – using machine learning to make sense of non-linear determinants of inflation

[15] Lenza, M. et al. (2023), Forecasting euro area inflation with machine learning models, Research Bulletin, No 112, ECB.

[16] Fadejeva L, Kalnbērziņa K., 2024, Childhood circumstances defining the inequality of opportunity in Europe: what are the trees telling us?

[17] D. Cook L., 2025, AI: A Fed Policymaker's View, July 17, Cambridge, Massachusetts

[18] Gupta V., 2025, How Central Banks Are Harnessing AI: A Global Perspective, September 30