Fondamentalement, les grands modèles de langage (GML) et les modèles numériques s’appuient sur des données d’apprentissage. Cependant, bien que les modèles traditionnels s’appuient sur des ensembles de données étroitement sélectionnés, les GML peuvent extrapoler des modèles dans des domaines de connaissances disparates. Dans notre nouvelle recherche, nous explorons si cette capacité est utile pour prédire les résultats économiques.

Faits saillants

Généraliste contre spécialiste – un débat séculaire à savoir s’il est préférable d’avoir un large éventail de connaissances dans de nombreux domaines ou une expertise approfondie dans un seul domaine. Bien que cette question soit souvent débattue dans le contexte d’êtres humains, elle s’applique également aux modèles. Par exemple, lorsqu’il s’agit de comprendre les relations économiques : comment les grands modèles de langage (GML) « généralistes » se comparent-ils aux modèles statistiques « spécialisés »? Fondamentalement, les grands modèles de langage et les modèles numériques s’appuient sur des données d’apprentissage. Cependant, bien que les modèles traditionnels s’appuient sur des ensembles de données étroitement sélectionnés, les GML peuvent extrapoler des modèles dans des domaines de connaissances disparates.

Dans cette recherche, nous explorons si cette capacité est utile pour prédire les résultats économiques. Pour ce faire, nous appliquons les GML aux entrées numériques structurées comme alternative aux autres modèles d’apprentissage automatique.

Tout d’abord, nous demandons aux GML de déduire la croissance économique en fonction de conditions hypothétiques en lien avec cinq variables économiques. Ensuite, nous utilisons notre modèle d’empreintes digitales pour interpréter la façon dont ils utilisent la logique linéaire, non linéaire et conditionnelle pour comprendre les liens économiques. Nous constatons que leur raisonnement est intuitif et qu’il diffère de façon significative de celui des modèles statistiques formés à partir de données numériques connexes.

Nous comparons également l’exactitude du raisonnement des GML aux autres modèles en fonction des données historiques réelles. Nous constatons que les GML induisent des résultats de croissance économique trimestriels plus fiables que les modèles statistiques étroitement formés, et qu’ils identifient une séparation statistiquement significative dans les résultats de croissance réalisés en moyenne (figure 1). Nous constatons également que l’incertitude des GML, comme l’indiquent leur confiance ou leur dispersion autodéclarée entre les modèles, peut efficacement signaler des interférences de moindre qualité.

Ces résultats suggèrent que les GML peuvent efficacement extrapoler à partir de domaines de connaissances disparates afin de bien comprendre les relations économiques. Cela peut présenter des avantages par rapport aux modèles statistiques plus étroits, ce qui suggère la possibilité pour les GML d’apporter une valeur ajoutée en tant que prédicteurs de résultats économiques et financiers complexes.