AI Economist: veštačka inteligencija za usavršavanje poreskih modela

Simulator ekonomskih trendova zasnovan na veštačkoj inteligenciji, AI Economist u stanju je da nakon milion izvršenih simulacija ekonomskih trendova sačini model jedne pravednije poreske politike.

Duboko učenje (Deep RL, ili, DL, „temeljito učenje“; Deep Reinforcement Learning) je tokom proteklih godina obučilo i osposobilo veštačku inteligenciju da nadmaši čoveka u nekim složenim igrama, mozgalicama kao što su Go ili StarCraft. Da li bi takav princip primene veštačke inteligencije mogao da uradi i bolji posao u, recimo, vođenju nacionalne i globalne ekonomije?

Nejednakost prihoda jedan je od najvećih problema ekonomije. Jedno od najefikasnijih sredstava koje političari moraju imati je način da se postigne što uravnoteženije oporezivanje: vlade prikupljaju novac od građana u skladu s onim što oni zarađuju i taj novac redistribuiraju direktno, putem socijalnih šema ili indirektno, koristeći ga za plaćanje troškova javnih projekata. Ali, iako više oporezivanja može dovesti do veće jednakosti među građanima u društvu, previše oporezivanja bi ih moglo obeshrabriti da rade ili ih motivisati da iznalaze načine izbegavanja plaćanja – što, automatski, po logici, smanjuje i ukupni iznos u budžetskoj kasi.

Postići što racionalniji balans u oporezivanju nije lako. Ekonomisti se obično oslanjaju na pretpostavke koje je teško potvrditi. Ponašanje ljudi vezano za „matematiku para“ odnosno ekonomiju, kako ličnu tako i onu sistemski uspostavljenu je složeno, a prikupljanje podataka i formiranje „info-inputa“ o tome je teško. Ekonomisti su proveli decenije istražujući načine kako da što bolje osmisle poreske politike, ali je ona i dalje, sve do danas, ostala otvoren problem: kako utisnuti što je moguće veću racionalnost u oporezivanju, i na čemu bi taj zdravorazumski pristup trebalo da se zasniva?

Naučnici američke kompanije za poslovnu tehnologiju Salesforce misle da bi veštačka inteligencija mogla pomoći pri rešavanju najboljeg i najpravičnijeg oporezivanja građana i firmi u odnosu na njihove prihode. Vođeni Ričardom Sočerom, tim ove firme je razvio sistem koji se zove ‘AI Economist’ koji koristi duboko učenje – istu vrstu tehnike koja stoji iza ’AlphaGo’ i ’AlphaZero’ kompanije DeepMind – da identifikuje optimalne poreske politike za simuliranu ekonomiju. Alat je još uvek relativno jednostavan (ne postoji način da obuhvata sve složenosti stvarnog sveta ili ljudskog ponašanja), ali je obećavajući prvi korak ka procenjivanju politika na potpuno novi način. „Bilo bi neverovatno učiniti poresku politiku manje ispolitizovanom a sa što više realnih podataka na osnovu kojih izvodi svoje proračune,“ kaže član tima Alex Trott.

U jednom od početnih rezultata, ova ekonomska AI je pronašla politiku koja je, s aspekta maksimuma kako produktivnosti tako i jednakosti dohotka, bila 16% pravednija od najsavremenijeg progresivnog poreskog okvira koji su proučavali ekonomisti iz akademskih krugova. Poboljšanje u odnosu na trenutnu američku politiku bilo je još veće. “Mislim da je to potpuno zanimljiva ideja”, kaže Blejk Lebaron s Univerziteta Brendajs (Blake LeBaron, Brandeis univ., Massachusetts), koji je AI neuronske mreže koristio za modeliranje finansijskih tržišta.

U jednoj simulaciji, četiri osobe zaposlene na ovom istraživanju prihvatile su da ih nadgleda veštačka inteligencija sazdana upravo po njihovim modelima dubokog učenja; upregli su svoju ekonomsku AI dajući joj svoje podatke, potrebne veštačkoj inteligenciji za određivanje njihove poreske osnovice. Oni komuniciraju s dvodimenzionalnim svetom, prikupljajući, recimo, drvo i kamen, ili trgujući tim resursima sa drugima, ili ih koriste za izgradnju kuća, što im donosi novac. Radnici poseduju različite nivoe veština, što ih dovodi do specijalizacije u određenim oblastima. Radnici s nižom kvalifikacijom uče da rade bolje ako prikupljaju resurse, a oni sa višom kvalifikacijom uče da rade bolje ako kupe sredstva za izgradnju kuća. Na kraju svake simulirane godine, svi radnici oporezuju se po stopi koju je odredio kreator politike pod kontrolom AI, koristeći se svojim algoritmom dubokog učenja. Cilj kreatora politike je da poveća i produktivnost i prihode svih radnika. Tako se AI, shodno tome, približavaju optimalnom ponašanju ponavljanjem simulacije do, recimo – milion puta.

Oba modela dubokog učenja (DL) počinju od nule, bez prethodnog znanja o ekonomskoj teoriji, i uče kako da dalje postupaju i funcionišu putem pokušaja i pogrešaka – na potpuno isti način na koji veštačka inteligencija kompanije ‘DeepMind’’ uči, bez ljudskog doprinosa, recimo, da igra Go ili StarCraft na, skromno govoreći, nadljudskim nivoima.

Možete li puno naučiti od samo četiri radnika iz AI? Teoretski, da, jer jednostavne interakcije između nekolicine ispitanika ubrzo dovode do vrlo složenih modela ponašanja. (Na primer, igra ‘Go’ i dalje obuhvata samo dva igrača). I mada je tako, svi uključeni u projekat slažu se da će povećanje broja radnika koje će AI ispitivati u simulaciji biti od suštinske važnosti – ako će ovaj alat za analizu većeg broja ispitanika uspeti da modeluje realne scenarije.

Poigravanje sistemom

Od ključne je važnosti primena „duple doze“ veštačke inteligencije: AI neuronske mreže su i ranije korišćene pri kontroli ispitanika u simuliranim ekonomijama. Ali, stvaranje AI za donosioce politika. pa i za poreske politike, takođe vodi ka modelu u kojem se radnici i odlučioci međusobno neprekidno prilagođavaju jedni drugima, a shodno svojim postupcima. Ovo dinamičko okruženje bilo je izazov za modele dubokog učenja primenjenog na ekonomiju i poreske modele, s obzirom da strategija naučena u okviru jedne poreske politike možda neće funkcionisati tako dobro u interakciji s nekom drugom vrstom poreske politike. Ovo je, međutim, takođe značilo da je AI iznašao načina da izigra sistem. Na primer, neki radnici su naučili da izbegavaju porez smanjujući svoju produktivnost da bi se kvalifikovali za niži poreski razred, da bi je zatim ponovo povećali (produktivnost). Ekipa kompanije Salesforce kaže da ovo uzimanje i davanje uspostavljeni između radnika i kreatora politika dovodi do simulacije ekonomskog stanja i poreskog modela na način realističniji od bilo čega postignutog prethodnim modelima, gde su poreske politike obično fiksne i ne variraju (a što već po sebi nije realno stanje stvari).

Poreska politika koju je smislio AI Economist pomalo je neobična. Za razliku od većine postojećih politika, koje su ili progresivne (tj. oni koji više zarađuju bivaju i više oporezovani) ili regresivno (oni koji više zarađuju se oporezuju manje), poreska politika stvorena veštačkom inteligencijom spojila je aspekte oba, primenjujući najviše poreske stope na bogate i siromašne, dok su najniže poreske stope primenjene na radnicima sa srednjim primanjima. Kao i mnoga rešenja koja AI smisle – poput nekih poteza AlphaZero-a za pobedu u igrama – rezultat se čini kontraintutivan, a ne kao nešto što je čovekov um prethodno zamislio. Pa ipak, njegov uticaj na ekonomiju doveo je do manjeg jaza između bogatih i siromašnih.

U nastojanju da uoče hoće li poreska politika nastala uz pomoć veštačke inteligencije slično uticati i na ljudsko ponašanje, tim je testirao više od 100 radnika angažovanih preko Amazonovog “Mehaničkog Turčina” (Mechanical Turk), od koga je u simulaciji zatraženo da preuzme kontrolu nad radnicima (Naziv je potekao od mehaničke igračke-automatona iz 18. veka za simulaciju igranja šaha – a zapravo lutke iza koje se nalazio čovek koji je povlačio poteze). Otkrili su da je poreska politika proistekla iz veštačke inteligencije ohrabrila ljude da „igraju“ i ponašaju se na gotovo isti način kao i AI, sugeriršući – barem u principu – da se ’AI Economist’ može koristiti za uticaj na stvarnu ekonomsku aktivnost.

Beskrajno podešavanje

Još jedna prednost ekonomske simulacije pokretane veštačkom inteligencijom se ogleda u mogućnosti prilagođavanja parametara kako biste istražili raznolike scenarije. Na primer, uticaj pandemije bi se mogao stvoriti dodavanjem ograničenja kao što su međusobno distanciranje i ograničeni pristup resursima, ili pak uklanjanjem ljudi iz pula radne snage. „Teško je smisliti optimalne poreske teorije zasnovane na prošlosti i primerima iz ekonomske istorije ukoliko budućnost izgleda toliko drugačije od onoga što su do pre neki dan bili modeli predviđanja“, kaže Sočer.

Sposobnost simulacije da menja model je veliki plus, kaže LeBaron: „Prilično je zanimljivo videti radnike koji se prilagođavaju poreskom zakonu“. Ovo je zaobišlo jednu od inače krupnih kritika na račun već postojećih poreskih modela, u kojima je ponašanje obično fiksno, odnosno, nepromenljivo, kaže on.

Glavna rezervisanost LeBarona prema ’AI Ekonomisti’ odnosi se na mali broj ispitanika na kojima je ovaj alat primenjen. „Postoje oni koji tvrde da možete steći dublji intelektualni uvid sa samo nekoliko ispitanika“, kaže on. “A nisam jedan od njih.” On bi želeo da vidi kako ishode simulacije sprovedene na, recimo, stotinjak radnika – što je takođe cifra kojoj teži tim kompanije Salesforce.

LeBaron, međutim, veruje da bi se ovaj AI alat već mogao koristiti za proveru postojećih ekonomskih modela: „Da sam ja kreator politika, pokrenuo bih ovu ‘stvar’ čisto da vidim šta će ‘reći’ o već postojecim modelima“. Ako se AI Economist ne bi složio sa drugim, tradicionalnim „ljudskim“ modelima, to bi mogao biti znak da tim drugim modelima nešto nedostaje, kaže on.

Dejvid Parks, harvardski informatičar i ekonomista koji je sarađivao sa timom iz firme Salesforce je takođe optimističan. On se slaže s LeBaronom da im je potrebno znatno veći broj ispitanika. Ali, nakon što su to primenili nekoliko dodatnih karakteristika kao što je dodavanje kompanija simulaciji, Parks predviđa da će moći da ponovi postojeće teorijske rezultate. “Tada ishod AI simulacije odmah postaje koristan i upotrebljiv”, kaže on.

Američki profesor Doin Farmer (Doyne Farmer), koji na Oksfordu predaje ekono-fiziku i kompleksne matematičke sisteme u ekonomiji je, međutim, nešto malo manje ubeđen u valjanost budućih ishoda ekonomskog AI simulatora. Iako pozdravlja ukrštanje i primenu dubokog učenja sa igara na oblast ekonomije – „Postavlja se pitanje da li možete istraživati politike na isti način na koji AlphaZero igra apstraktnu stratešku igru kao što je Go“. On smatra da će proći još neko vreme pre nego što ovaj AI alat postane zaista koristan u ekonomskim predviđanjima i modeliranju. „Stvarni svet je, ipak, previše komplikovan“, kaže Farmer.

Tim iz Salesforce-a prihvata činjenicu da će neki ekonomisti biti, tek vremenom, i postepeno, ubeđivani u prihvatanje ekonomskih ishoda proizašlih isključivo iz algoritma. U tom smislu, oni puštaju svoj kod i pozivaju ostale da kroz njega pokreću svoje modele. Dugoročno gledano, ova otvorenost biće takođe važan deo prerastanja takvih alata u pouzdane, kaže Sočer. „Ako koristite AI kako biste ga preporučili nekim ljudima u formiranju njihovih nižih ili viših stopa oporezivanja,“ ističe on, „onda bi bilo bolje da budete dobro upoznati zašto je tako – da dobro poznajete razloge zbog kojih je proračun baš takav, a ne drugačiji.“

Will Douglas Heaven, MIT Technology Review

Veštačka inteligencija za svakodnevnu upotrebu: uskoro i na vašem pragu

Kako su četiri programera – bez skoro ikakvog znanja o Japancima – dizajnirali softver za čitanje japanskog rukopisa.

Danas na tržištu postoji obilje applikacija koje podražavaju stvaran svet na način veštačke inteligencije. Ovakve aplikacije niču na neočekivanim mestima – nastaju i pre nego što biste pomislili da takvo šta postoji.

Dok trijumf u igranju igre Go može biti impresivna stvar, i inteligencija današnjih mašina se takođe razvija do tačke gde je može koristiti više ljudi kako bi radilo više stvari. Tako su četiri inženjera, bez gotovo ikakvog znanja japanskog, uspela da za samo nekoliko meseci stvore program koji prepoznaje piktografski rukopis ovog jezika.

Programeri iz informatičke kompanije Reactive Inc. objavili su aplikaciju koja prepoznaje japanski sa 98,66 odsto tačnosti. Ovaj tokijski start-up koji je pokrenut pre samo 18 meseci samo je deo rastuće, globalne zajednice programera i investitora koji predano rade na iskorišćavanju snage neuronskih mreža kako bi AI doveli do što praktičnije svrhe, a ne samo za odgovaranje na trivijalna pitanja ili kao takmaca u šahu i ostalim društvenim igrama.

“Do pre samo nekoliko godina morali biste da budete genije za to”, rekao je Dejvid Malkin (David Malkin) koji ima doktorat iz oblasti učenja mašina (deep learning), ali koji jedva da u nizu može da sastavi dve japanske rečenice. “Sada možete biti prosečno inteligentan momak a ipak da ste u stanju da kreirate zaista korisne stvari. Mašta će ubuduće biti ta koja će se sve više upotrebljavati za rešavanje poslovnih iskušenja na terenu.”

Neuronske mreže sposobne su da “vide” primenom slojevitih filtera koji iziskuju sve kompleksnije funkcije, umnogome na način na koji funkcioniše ljudski korteks za funkcije vida i oka.

Veštačka inteligencija nekada je bila ekskluzivno “igralište” kojim su dominirali jedan Google Inc. ili Facebook Inc. kao i drugi lideri u oblasti tehnološke industrije. Svaki start-up koji se danas bavi razvojem mašinskog učenja može pristupiti platformi baziranoj na IT oblaku, pri čemu im kompanije kao što su Microsoft Corp., NVIDIA Corp. i Amazon.com Inc. prodaju svoje AI platforme kao koristan razvojni alat.

Tehnologija koju je razvio startap Reactive pokazuje kako su čak i mali timovi sposobni da veoma uspešno osmisle složene aplikacije sa tek malo znanja u datoj oblasti. Onaj teži deo posla sastojao bi se u smišljanju strategije kako da zaradite novac s takvom dobrom idejom. U tom smislu, Reactive namerava da pomogne japanskim školama da  poboljšaju svoje testove – jedna naizgled prozaična “vežba” koja bi mogla da promeni pravila igre u zemlji u kojoj se testovi još uvek pišu olovkom na papiru.

Malkin i njegove kolege, Džo Bulard, Filip Remi i Filip Iri, dva magistra i doktor informatike, postižu zavidno brz napredak u razvoju “neuro-softvera”. Bulard je početkom ove godine njihov AI program pokazao grupi entuzijasta tokom druženja u japanskom sedištu kompanije Google, koji je funkcionisao besprekorno – sve dok mu jezička ograničenja nisu stala na put.

“Samo da znaš da ne varam, koji je vaš omiljeni lik?” upitao je Bulard prisutne u prostoriji. Neko je rekao da je to “ba”, jedan fonetski karakter. Soba je odzvanjala smehom dok se Bulard očajnički trudio da napiše ovaj simbol.

I dok se prepoznavanje rukopisa može smatrati za učenje mašina, učenje japanskog je potpuno druga “igra”. To je zbog toga što jezik uključuje simboličke znakove kao što je recimo Kanđi (Kanji), koji se sastoji od elemenata koji se mogu čitati nezavisno, što nam otežava da konačno doznamo gde se jedan simbol završava a drugi počinje.  U svakodnevnom japanskom pisanju postoji više od 2.000 široko rasprostranjenih piktograma sastavljenih od nekoliko desetina klasičnih poteza. Trik je pozabaviti se uvek samo jednim slikovnim znakom, bez vezivanja za ostale.

Softverski algoritam za japanski jezik koji je razvila startup firma Reactive ispituje neuronske mreže za uparivanje i spajanje s ostalim simbolima u rečenici, dodajući svakom obrađivanom simbolu i drugi, pridruženi znak, ponavljajući ga u procesu prepoznavanja sve dok u ovoj finoj obradi ne dobije konačan rezultat koji je visoke verovatnoće tačnosti. Pre nego što ga je pustio u javnost, ovaj startup je svoj algoritamski model za prepoznavanje japanskog „izbrusio“ i testirao na oko 1,8 miliona karaktera.

“Činjenica da je ova tehnologija iskorak u domenu ekspertize pruža veliku prednost u brzini i skalabilnosti kada su u pitanju poslovne aplikacije”, rekao je Seishi Okamoto, projektni direktor u Fujitsu Laboratories Ltd., gde se razvija softver za čitanje kineskog. “Mašine uče da prepoznaju kineske piktograme i to takvim tempom da su već uhvatile korak sa ljudskim sposobnostima a verovatno će ih uskoro i pomračiti.”

I dok je ova tehnologija koju je razvio startap Reactive javno prikazana jedino tokom susreta poput onog u japanskom Guglu, ovi podaci nisu potvrđeni kao važeći, niti su ocenjeni od bilo koje nezavisne strane.

Za razliku od tipičnog programa izgrađenog oko krutih pravila, AI učenje mašina  modelovano je po uzoru na to kako ljudi obrađuju informacije. S obzirom da je dovoljno podataka ulaz (input), a skup željenih rezultata je izlazni set podataka (output), neuronske mreže uče da shvataju šta je to što je u sredini, između inputa i outputa. Ovo im omogućava da pronađu rešenja koja su dosad opterećivala tradicionalne pristupe, kao što je tumačenje govora i jezika ili, recimo, ili prepoznavanje i označavanje slika.

“Postoji nekoliko faktora koji su ovde u igri: računarstvo visokih performansi u suštini postaje jedna vrsta robe-sirovine, obezbeđena je dostupnost svuda prisutnim i gargantuovski obimnim bazama podataka a tu je i ogroman napredak u razvoju bazičnih naučnih disciplina, čija dostignuća čine računare bržima i pametnijima”, rekao je Jošua Bengio, profesor informatike na Univerzitetu u Montrealu koji je i jedan od autora nekih ključnih studija iz ove oblasti. “Demokratizacija informatičkih alata i omasovljavanje računarskih tehnologija takođe olakšava većem broju korisnika – a ne više samo vrhunskim profesionalcima – da razvijaju nove aplikacije i proizvode.

Sve ovo će verovatno ubrzati evoluciju tehnologije za veštačku inteligenciju. Investicije u AI startup firme zahvataju raznolike oblasti – od obrazovanja i maloprodaje, do poljoprivrede. U 2015. godini ova ulaganja dostigla su 310 miliona evra, što je povećanje od gotovo sedam puta u zadnjih pet godina, prema istraživanju  njujorške firme za data-analitiku CB Insights.

Jednom kada bude izgrađena, neuronska mreža ne mora da bude ograničena samo na aplikacije za prepoznavanje jezika. U svoje slobodno vreme, četiri inženjera iz “Reaktiva” je 5.000 fotografija žena i ženske odeće preuzete sa Google Images, “provuklo” kroz svoju aplikaciju za vizuelno prepoznavanje. Dali su računaru jednu sliku prilično oskudno odevene dame da je prokomentariše: “Seksi odeća,” bio je odgovor softvera.

Pavel Alpeyev, Bloomberg