A Salesforce AI Economist kutatása az egyenlőség és a termelékenység közötti egyensúlyt kívánja feltárni

A közgazdasági elméletről ismert, hogy modellezésének számos hatékonysági hiányossága korlátozza. A Salesforce kutatói azt állítják, hogy a mesterséges intelligencia segíthet ennek kezelésében, ami robusztusabb gazdaságpolitikához vezet.

2016 sarkalatos év volt a Salesforce számára. Ekkor a vállalat felvásárolta a MetaMind-et, "egy vállalati mesterséges intelligencia platformot, amely orvosi képalkotással és e-kereskedelmi képekkel, NLP-vel és egy csomó más dologgal működött, egy horizontális platformot gépi tanulási eszközként játszott a fejlesztők számára" - írta az alapító Richard Socher.

Ha ez ma érdekesen hangzik, akkor valószínűleg megelőzte a korát. Az akvizíció Sochert a Salesforce vezető adattudósává emelte, több mint 100 kutatót és sok száz mérnököt vezetve, akik a Salesforce léptékében és hatásában telepített alkalmazásokon dolgoznak. A mesterséges intelligencia a Salesforce erőfeszítéseinek szerves részévé vált, elsősorban a Salesforce Einstein révén , amely egy széles körű kezdeményezés, amely mesterséges intelligencia képességeket juttat be a Salesforce platformjába.

A piacorientált erőfeszítések mellett a Salesforce szponzorálja az "AI for good" kezdeményezéseket is. Ez magában foglalja azt, amit a Salesforce holdlövésként fogalmaz meg: egy mesterséges intelligencia társadalmi tervező felépítése, amely megtanulja az optimális gazdaságpolitikát a való világ számára. Az "AI Economist" néven futó projekt nemrégiben tett közzé néhány új eredményt. Stephan Zheng, a Salesforce vezető kutatója, az AI Economist Team vezető menedzsere többet osztott meg a projekt hátteréről, eredményeiről és ütemtervéről.

A megerősítő tanulás mint a gazdaságpolitika eszköze

Zheng a fizika doktori fokozatán dolgozott a mély tanulás robbanásszerű megjelenése körül - 2013-ban. A Salesforce-nál végzett munkájának motivációja kettős: "a gépi tanulás határainak feszegetése az általános intelligencia alapelveinek felfedezése érdekében, de a társadalmi jót is tenni".

Zheng úgy véli, hogy a társadalmi-gazdasági kérdések korunk legkritikusabbak közé tartoznak. Ami vonzotta őt ehhez a kutatási irányhoz, az a tény, hogy a gazdasági egyenlőtlenség az elmúlt évtizedekben felgyorsult , negatívan befolyásolva a gazdasági lehetőségeket, az egészséget és a szociális jólétet. 

Az adók fontos kormányzati eszközök az egyenlőség javításában - jegyzi meg Zheng. Úgy véli azonban, hogy a kormányok számára kihívást jelent olyan adóstruktúrák kialakítása, amelyek elősegítik az egyenlőség megteremtését, miközben a gazdasági termelékenységet is növelik. Hozzáteszi, hogy a probléma egy része magához a gazdasági modellezéshez kapcsolódik.

"A hagyományos közgazdaságtanban, ha az emberek optimalizálni akarják politikájukat, sok feltételezést kell tenniük. Például azt mondhatják, hogy a világ minden évben többé-kevésbé ugyanaz. Semmi sem változik annyira.

Ez nagyon korlátozó. Ez azt jelenti, hogy sok ilyen módszer nem igazán találja meg a legjobb politikát, ha a világot teljes gazdagságában tekintjük, ha megnézzük az összes módot, ahogyan a világ megváltozhat körülöttünk" - mondta Zheng.

A Salesforce AI Economist csapata ezt egy bizonyos típusú gépi tanulással, az úgynevezett megerősítő tanulással (RL) próbálja kezelni. Az RL-t olyan rendszerek építésére használták, mint az AlphaGo, és eltér a gépi tanulásban elterjedt felügyelt tanulási megközelítéstől.

"A felügyelt tanulás során valaki statikus adatkészletet ad, majd megpróbálja megtanulni az adatok mintáit. A megerősítő tanulásban ehelyett megvan ez a szimuláció, ez az interaktív környezet, és az algoritmus megtanulja nézni a világot és interakcióba lépni a szimulációval. És ebből kiindulva valóban játszhat a környezettel, megváltoztathatja a környezet működését" - magyarázta Zheng.

Ez a rugalmasság volt a fő oka annak, hogy az RL-t választották az AI Economist számára. Ahogy Cseng kifejtette, ennek a megközelítésnek három része van. Ott van maga a szimuláció, a szabályzat optimalizálása, és ott vannak az adatok is, mert az adatok felhasználhatók a szimuláció működésének tájékoztatására. Az AI Economist a gazdaság egyszerűsített részhalmazának, a jövedelemadónak a modellezésére és szimulálására összpontosított.

Létrejött egy kétdimenziós világ, amely térbeli és időbeli viszonyokat modellezett. Ebben a világban az ügynökök dolgozhatnak, nyersanyagokat bányászhatnak, házakat építhetnek és így pénzt kereshetnek. Az ügynökök házépítéssel szerzett jövedelmét ezután a kormány megadóztatja. Az AI közgazdász feladata egy olyan adórendszer megtervezése, amely képes optimalizálni az egyenlőséget (mennyire hasonlóak az emberek jövedelme) és a termelékenységet (az összes jövedelem összege).

AI modellezés vs. a való világ

A Salesforce kutatása azt mutatja, hogy a mesterséges intelligencia javíthatja a jövedelmi egyenlőség és a termelékenység közötti kompromisszumot három alternatív forgatókönyvhöz képest: az Emmanuel Saez által kifejlesztett kiemelkedő adóképlet, az amerikai adóképlethez hasonló progresszív adók és a szabadpiac (nincs adó). Ahogy Zheng elmagyarázta, ezt a 3 alternatívát kódolták a rendszerbe, és eredményeiket az RL szimuláción keresztül az AI-ból származtatott alternatívákkal mértük.

Bár ez ígéretesen hangzik, meg kell jegyeznünk a kutatás korlátait is. Először is, a kutatás csak a jövedelemadóval foglalkozik egy jelentősen leegyszerűsített gazdaságban: nincs olyan, hogy vagyon, nemzetközi kereskedelem és hasonlók, és csak egyfajta tevékenység létezik. Ezenkívül a rendszerben lévő ügynökök száma jelenleg legfeljebb 10.

Az AI Economist egy gazdasági szimuláció, amelyben az AI-ügynökök erőforrásokat gyűjtenek és kereskednek, házakat építenek, jövedelmet keresnek és adót fizetnek a kormánynak.

Zheng megjegyezte, hogy a kutatás számos különböző térbeli elrendezést és erőforrás-eloszlást, valamint különböző készségekkel vagy készségszinttel rendelkező ügynököket vett figyelembe. Azt is megemlítette, hogy a jelenlegi munka a koncepció bizonyítéka, amely a probléma mesterséges intelligencia részére összpontosít.

"A legfontosabb fogalmi kérdés, amellyel foglalkozunk, az, hogy a kormány megpróbálja optimalizálni ezt a politikát, de a mesterséges intelligencia segítségével modellezhetjük azt is, hogy a gazdaság hogyan fog reagálni. Ezt nevezzük kétszintű RL-problémának.

Ebből a szempontból a gazdaság és a kormány tíz ügynökének megoldása már most is meglehetősen kihívást jelent. Valóban sok munkát kell fektetnünk az algoritmus megtalálásába, a tanulási stratégiák megfelelő keverékének megtalálásához, hogy a rendszer valóban megtalálja ezeket az igazán jó adópolitikai megoldásokat" - mondta Zheng.

Ha megnézzük, hogy az emberek hogyan használják az RL-t a rendszerek betanítására bizonyos típusú videojátékok vagy sakk lejátszására, ezek már nagyon nehéz keresési és optimalizálási problémák, még akkor is, ha csak két vagy tíz ügynököt használnak - tette hozzá Zheng. Azt állította, hogy az AI Economist hatékonyabb, mint ezek a rendszerek.

Az AI Economist csapata bízik abban, hogy most, hogy jól megértik a tanulási részt, nagyszerű helyzetben vannak ahhoz, hogy a jövőről gondolkodjanak, és ezt a munkát más dimenziókra is kiterjesszék.

Az AI Economist egy korábbi verziójában a csapat azzal kísérletezett, hogy emberi játékosok is részt vegyenek a szimulációban. Ez nagyobb zajt eredményezett, mivel az emberek következetlenül viselkedtek; Zheng szerint azonban az AI Economist még mindig magasabb minőségi és termelékenységi szintet ért el.

Közgazdaságtan és közgazdászok

Néhány nyilvánvaló kérdés a kutatással kapcsolatban, hogy mit gondolnak róla a közgazdászok, és hogy meglátásaikat is modellezték-e a rendszerben. Az AI Economist csapatának egyetlen tagja sem közgazdász. Zheng szerint azonban néhány közgazdásszal konzultáltak.

"Amikor elkezdtük, nem volt közgazdász a fedélzeten, ezért David Parkes-szal társultunk, aki informatikával és közgazdaságtannal is foglalkozik. A munka során beszélgettünk közgazdászokkal, és visszajelzést kaptunk a véleményükről. Volt egy eszmecserénk Thomas Piketty-vel is. Nagyon elfoglalt ember, szóval azt hiszem, érdekesnek találta a munkát.

Bizonyos mértékig kérdéseket vetett fel azzal kapcsolatban is, hogy a politikákat hogyan lehetne végrehajtani. És ezt sok dimenzióból lehet elképzelni, de összességében érdekelte a munka. Úgy gondolom, hogy ez tükrözi a gazdasági közösség szélesebb körű válaszát. Érdeklődés és kérdések is felmerülnek azzal kapcsolatban, hogy ez megvalósítható-e. Mire van szükségünk ehhez? Ez elgondolkodtató a közgazdasági közösség számára" - mondta Zheng.

Ami a továbblépést illeti, Zheng úgy véli, hogy "ez széles körben hasznos, és pozitív társadalmi hatást gyakorol". Zheng hozzátette, hogy a csapat egyik iránya az, hogy hogyan lehet közelebb kerülni a való világhoz.

Ez egyrészt azt jelenti, hogy nagyobb és jobb szimulációkat kell építeni, hogy pontosabbak és valósághűbbek legyenek. Zheng úgy véli, hogy ez kulcsfontosságú eleme lesz a gazdasági modellezés és a politika kialakításának kereteinek. Ennek nagy része az AI-kutatók számára, hogy bebizonyítsák, hogy megbízhatnak ezekben a módszerekben.

"Olyan dolgokat akarsz megmutatni, mint a robusztusság és a megmagyarázhatóság. Mindenkinek el akarjuk mondani, hogy itt vannak az okok, amelyek miatt a mesterséges intelligencia ezt vagy azt a politikát ajánlotta. Emellett erősen hiszek ebben, mint interdiszciplináris problémában. Úgy gondolom, hogy itt valóban lehetőség van arra, hogy a mesterséges intelligencia kutatói együtt dolgozzanak a közgazdászokkal, hogy együttműködjenek a politikai szakértőkkel, hogy ne csak a problémájuk technikai dimenzióit értsék meg, hanem azt is, hogy megértsék, hogyan lehet ez a technológia hasznos a társadalom számára" - mondta Cseng.

Két szempont, amelyet Zheng hangsúlyozott ebben a kutatásban, a célmeghatározás és az átláthatóság volt. A célok kitűzése, azaz az optimalizálás milyen eredményekre történik. Ez azt jelenti, hogy a rendszer a maximális egyenlőségre, a maximális termelékenységre, az egyensúlyra vagy a jövőben más paramétereket, például fenntarthatóságot is magában foglal, a felhasználó döntése.

Zheng a "teljes átláthatóságot" írta le a projekt sarokköveként. Ha a jövőben az ilyen típusú rendszerek iterációit társadalmi jóra fogják használni, akkor Zheng szerint mindenkinek képesnek kell lennie arra, hogy megvizsgálja, megkérdőjelezze és kritizálja őket. E cél elérése érdekében az AI Economist csapata nyílt forráskódú összes kódot és kísérleti adatot a kutatás alapján.

Az AI Economist csapat további lépései a közgazdász közösség nagyobb elérése. "Úgy gondolom, hogy itt elég sok oktatás folyik, ahol ma a közgazdászok nem képzettek informatikusnak. Általában nem tanítják őket például Pythonban. És az olyan dolgok, mint az RL, szintén nem biztos, hogy a szokásos tantervük vagy gondolkodásmódjuk részét képezik. Úgy gondolom, hogy itt nagyon nagy lehetőség rejlik az interdiszciplináris kutatásra" - mondta Zheng.

Az AI Economist csapata folyamatosan beszélget közgazdászokkal, és bemutatja ezt a munkát a tudományos közösségnek. Zheng elmondta, hogy a csapat számos projekten dolgozik, amelyekről a közeljövőben többet tudnak majd megosztani. Arra a következtetésre jutott, hogy egy kis oktatás, hogy az emberek megismerjék ezt a megközelítést, és a felhasználóbarátabb UI/UX sokat segíthet.