banner large

Riset AI Economist Salesforce ingin mengeksplorasi keseimbangan antara kesetaraan dan produktivitas

Comment
X
Share
tenaga penjualan.jpg

Oleh monticello — Shutterstock

2016 adalah tahun yang penting bagi Salesforce. Saat itulah perusahaan mengakuisisi MetaMind, “platform AI perusahaan yang bekerja dalam pencitraan medis dan gambar eCommerce dan NLP dan banyak hal lainnya, platform horizontal bermain sebagai alat pembelajaran mesin untuk pengembang,” seperti yang dijelaskan oleh pendiri Richard Socher.

Jika kedengarannya menarik hari ini, itu mungkin lebih awal dari waktu itu. Akuisisi tersebut mendorong Socher menjadi Chief Data Scientist di Salesforce, memimpin lebih dari 100 peneliti dan ratusan insinyur yang mengerjakan aplikasi yang diterapkan pada skala dan dampak Salesforce. AI menjadi bagian integral dari upaya Salesforce, terutama melalui Salesforce Einstein, sebuah inisiatif luas untuk menyuntikkan kemampuan AI ke dalam platform Salesforce.

Selain upaya berorientasi pasar, Salesforce juga mensponsori inisiatif “AI untuk kebaikan”. Ini termasuk apa yang dibingkai Salesforce sebagai moonshot: membangun perencana sosial AI yang mempelajari kebijakan ekonomi optimal untuk dunia nyata. Proyek dengan nama “AI Economist” baru-baru ini menerbitkan beberapa hasil baru. Stephan Zheng, Salesforce Lead Research Scientist, Senior Manager, AI Economist Team, berbagi lebih banyak tentang latar belakang proyek, hasil, dan peta jalan.

Penguatan pembelajaran sebagai alat untuk kebijakan ekonomi

Zheng sedang mengerjakan PhD-nya di bidang fisika sekitar waktu pembelajaran mendalam meledak — 2013. Motivasi yang dia kutip untuk pekerjaannya di Salesforce ada dua: “untuk mendorong batas-batas pembelajaran mesin untuk menemukan prinsip-prinsip kecerdasan umum, tetapi juga untuk melakukan kebaikan sosial”.

Zheng percaya bahwa masalah sosial-ekonomi termasuk yang paling kritis di zaman kita. Apa yang membuatnya tertarik pada penelitian khusus ini adalah kenyataan bahwa ketidaksetaraan ekonomi telah meningkat dalam beberapa dekade terakhir, berdampak negatif pada peluang ekonomi, kesehatan, dan kesejahteraan sosial.

Pajak adalah alat pemerintah yang penting untuk meningkatkan kesetaraan, catat Zheng. Namun, ia percaya bahwa sulit bagi pemerintah untuk merancang struktur pajak yang membantu menciptakan kesetaraan sekaligus mendorong produktivitas ekonomi. Sebagian masalahnya, tambahnya, berkaitan dengan pemodelan ekonomi itu sendiri.

“Dalam ekonomi tradisional, jika orang ingin mengoptimalkan kebijakan mereka, mereka perlu membuat banyak asumsi. Misalnya, mereka mungkin mengatakan bahwa dunia kurang lebih sama setiap tahun. Tidak ada yang benar-benar berubah sebanyak itu.

Itu benar-benar membatasi. Artinya banyak dari metode ini tidak benar-benar menemukan kebijakan terbaik jika Anda mempertimbangkan dunia dalam kekayaan penuhnya jika Anda melihat semua cara di mana dunia dapat berubah di sekitar Anda”, kata Zheng.

Tim Salesforce AI Economist mencoba mengatasi hal ini dengan menerapkan jenis pembelajaran mesin tertentu yang disebut pembelajaran penguatan (RL). RL telah digunakan untuk membangun sistem seperti AlphaGo dan berbeda dengan pendekatan pembelajaran terawasi yang lazim dalam pembelajaran mesin.

“Dalam pembelajaran terawasi, seseorang memberi Anda kumpulan data statis, dan kemudian Anda mencoba mempelajari pola dalam data. Dalam pembelajaran penguatan, sebaliknya, Anda memiliki simulasi ini, lingkungan interaktif ini, dan algoritme belajar melihat dunia dan berinteraksi dengan simulasi. Dan dari situ sebenarnya bisa bermain-main dengan lingkungan, bisa mengubah cara kerja lingkungan”, jelas Zheng.

Fleksibilitas ini adalah alasan utama mengapa RL dipilih untuk AI Economist. Seperti yang dijelaskan Zheng, ada tiga bagian dari pendekatan ini. Ada simulasi itu sendiri, optimalisasi kebijakan, dan kemudian ada data juga, karena data dapat digunakan untuk menginformasikan cara kerja simulasi. AI Economist berfokus pada pemodelan dan simulasi bagian ekonomi yang disederhanakan: pajak penghasilan.

Dunia dua dimensi diciptakan, memodelkan hubungan spasial dan temporal. Di dunia ini, agen dapat bekerja, menambang sumber daya, membangun rumah, dan menghasilkan uang dengan cara itu. Pendapatan yang diperoleh agen melalui pembangunan rumah kemudian dikenakan pajak oleh pemerintah. Tugas AI Economist adalah merancang sistem perpajakan yang dapat mengoptimalkan kesetaraan (seberapa mirip pendapatan orang) dan produktivitas (jumlah semua pendapatan).

Pemodelan AI vs. dunia nyata

Penelitian Salesforce menunjukkan bahwa AI dapat meningkatkan pertukaran antara kesetaraan pendapatan dan produktivitas jika dibandingkan dengan tiga skenario alternatif: formula pajak terkemuka yang dikembangkan oleh Emmanuel Saez, pajak progresif yang menyerupai formula pajak AS, dan pasar bebas (tanpa pajak). Seperti yang dijelaskan Zheng, 3 alternatif tersebut dikodekan ke dalam sistem, dan hasilnya diukur terhadap yang berasal dari AI melalui simulasi RL.

Meskipun ini terdengar menjanjikan, kita juga harus mencatat keterbatasan penelitian ini. Pertama, penelitian ini hanya membahas pajak penghasilan dalam ekonomi yang sangat disederhanakan: tidak ada yang namanya aset, perdagangan internasional dan sejenisnya, dan hanya ada satu jenis kegiatan. Selain itu, jumlah total agen dalam sistem maksimal 10 pada saat ini.

ezgif-2-ab50f9c477

The AI ​​Economist adalah simulasi ekonomi di mana agen AI mengumpulkan dan memperdagangkan sumber daya, membangun rumah, mendapatkan penghasilan, dan membayar pajak kepada pemerintah.

Tenaga penjualan

Zheng mencatat bahwa penelitian tersebut mempertimbangkan banyak tata ruang dan distribusi sumber daya yang berbeda, serta agen dengan keahlian atau tingkat keterampilan yang berbeda. Dia juga menyebutkan bahwa pekerjaan saat ini adalah bukti konsep, dengan fokus pada bagian AI dari masalah.

“Masalah konseptual utama yang kami tangani adalah pemerintah mencoba mengoptimalkan kebijakan ini, tetapi kami juga dapat menggunakan AI untuk memodelkan bagaimana ekonomi akan merespons pada gilirannya. Ini adalah sesuatu yang kami sebut masalah RL dua tingkat.

Dari sudut pandang itu, memiliki sepuluh agen dalam perekonomian dan pemerintah sudah cukup menantang untuk dipecahkan. Kami benar-benar harus bekerja keras untuk menemukan algoritme, untuk menemukan campuran yang tepat dari strategi pembelajaran untuk benar-benar membuat sistem menemukan solusi kebijakan pajak yang sangat bagus ini”, kata Zheng.

Melihat bagaimana orang menggunakan RL untuk melatih sistem untuk memainkan beberapa jenis video game atau catur, ini sudah menjadi masalah pencarian dan pengoptimalan yang sangat sulit, meskipun mereka hanya menggunakan dua atau sepuluh agen, tambah Zheng. Dia mengklaim bahwa AI Economist lebih efisien daripada sistem tersebut.

Tim AI Economist yakin bahwa sekarang mereka memiliki pemahaman yang baik tentang bagian pembelajaran, mereka berada dalam posisi yang bagus untuk memikirkan masa depan dan memperluas pekerjaan ini juga ke dimensi lain, menurut Zheng.

Dalam versi sebelumnya dari AI Economist, tim bereksperimen dengan meminta pemain manusia berpartisipasi dalam simulasi juga. Ini menghasilkan lebih banyak kebisingan, karena orang-orang berperilaku tidak konsisten; menurut Zheng, bagaimanapun, AI Economist masih mencapai tingkat kualitas dan produktivitas yang lebih tinggi.

Ekonomi dan ekonom

Beberapa pertanyaan yang jelas sejauh penelitian ini berjalan adalah apa yang para ekonom pikirkan tentangnya dan apakah wawasan mereka juga dimodelkan dalam sistem. Tidak ada anggota tim AI Economist yang benar-benar seorang ekonom. Namun, beberapa ekonom berkonsultasi, menurut Zheng.

“Ketika kami pertama kali memulai, kami tidak memiliki ekonom, jadi kami bermitra dengan David Parkes, yang duduk di bidang ilmu komputer dan ekonomi. Selama bekerja, kami berbicara dengan para ekonom dan mendapatkan pendapat mereka. umpan balik. Kami juga melakukan pertukaran dengan [economist and best-selling author] Thomas Piketty. Dia orang yang sangat sibuk, jadi saya pikir dia menganggap pekerjaan itu menarik.

Dia juga mengajukan pertanyaan tentang, sampai taraf tertentu, bagaimana kebijakan tersebut dapat diimplementasikan. Dan Anda dapat memikirkan ini dari banyak dimensi, tetapi secara keseluruhan dia tertarik dengan pekerjaan itu. Saya pikir itu mencerminkan respons yang lebih luas dari komunitas ekonomi. Ada minat dan pertanyaan tentang apakah ini dapat diterapkan. Apa yang kita butuhkan untuk melakukan ini? Ini bahan pemikiran bagi komunitas ekonomi”, kata Zheng.

Adapun jalan ke depan, Zheng percaya itu “untuk membuat ini berguna secara luas dan memiliki beberapa dampak sosial yang positif”. Zheng menambahkan bahwa salah satu arah yang dituju tim adalah bagaimana mendekatkan diri ke dunia nyata.

Di satu sisi, itu berarti membuat simulasi yang lebih besar dan lebih baik, sehingga lebih akurat dan lebih realistis. Zheng percaya itu akan menjadi komponen kunci dari kerangka kerja untuk pemodelan ekonomi dan desain kebijakan. Sebagian besar dari itu bagi peneliti AI adalah membuktikan bahwa Anda dapat mempercayai metode ini.

“Anda ingin menunjukkan hal-hal seperti ketangguhan dan kemampuan menjelaskan. Kami ingin memberi tahu semua orang di sini adalah alasan mengapa AI merekomendasikan kebijakan ini atau itu. Juga, saya sangat percaya ini sebagai masalah interdisipliner. Saya pikir benar-benar peluang di sini adalah untuk AI peneliti untuk bekerja sama dengan ekonom, untuk bekerja sama dengan pakar kebijakan dalam memahami tidak hanya dimensi teknis dari masalah mereka, tetapi juga untuk memahami bagaimana teknologi itu dapat berguna bagi masyarakat”, kata Zheng.

Dua aspek yang ditekankan Zheng tentang penelitian ini adalah penetapan tujuan dan transparansi. Penetapan tujuan, yaitu hasil apa yang akan dioptimalkan, dilakukan secara eksternal. Ini berarti bahwa apakah sistem harus dioptimalkan untuk kesetaraan maksimum, produktivitas maksimum, keseimbangannya, atau berpotensi di masa depan, menggabungkan parameter lain seperti keberlanjutan juga merupakan pilihan desain terserah pengguna.

Zheng menggambarkan “transparansi penuh” sebagai landasan proyek. Jika di masa depan pengulangan jenis sistem ini akan digunakan untuk kebaikan sosial, maka setiap orang harus dapat memeriksa, mempertanyakan, dan mengkritiknya, menurut Zheng. Untuk mencapai tujuan ini, tim AI Economist telah membuka semua kode dan data eksperimental berdasarkan penelitian.

Bagian lain dari kemajuan tim AI Economist adalah lebih menjangkau komunitas ekonom. “Saya pikir ada sedikit pendidikan di sini, di mana saat ini para ekonom tidak dilatih sebagai ilmuwan komputer. Mereka biasanya tidak diajarkan pemrograman dengan Python, misalnya. Dan hal-hal seperti RL mungkin juga bukan sesuatu yang menjadi bagian dari kurikulum standar mereka atau cara berpikir mereka. Saya pikir ada peluang besar di sini untuk penelitian interdisipliner,” kata Zheng.

Tim AI Economist terus berbicara dengan para ekonom dan mempresentasikan karya ini kepada komunitas ilmiah. Zheng mengatakan tim sedang mengerjakan sejumlah proyek, yang akan dapat mereka bagikan lebih banyak dalam waktu dekat. Dia menyimpulkan bahwa sedikit pendidikan untuk membuat orang terbiasa dengan pendekatan ini dan UI/UX yang lebih ramah pengguna mungkin akan sangat membantu.

Leave a Reply

Your email address will not be published. Required fields are marked *