2016 a été une année charnière pour Salesforce. C’est à ce moment-là que la société a acquis MetaMind, « une plate-forme d’IA d’entreprise qui fonctionnait dans l’imagerie médicale et les photos de commerce électronique et la PNL et un tas d’autres choses, une plate-forme horizontale jouant le rôle d’outil d’apprentissage automatique pour les développeurs », comme le fondateur Richard Socher l’a décrit.
Si cela semble intéressant aujourd’hui, c’était probablement en avance sur son temps à l’époque. L’acquisition a propulsé Socher au poste de Chief Information Scientist chez Salesforce, dirigeant plus de 100 chercheurs et plusieurs centaines d’ingénieurs travaillant sur des functions qui ont été déployées à l’échelle et à l’impression de Salesforce. L’IA est devenue partie intégrante des efforts de Salesforce, principalement by way of Salesforce Einsteinune initiative de grande envergure visant à injecter des capacités d’IA dans la plateforme de Salesforce.
Outre les efforts axés sur le marché, Salesforce parraine également des initiatives « AI for good ». Cela inclut ce que Cadres Salesforce comme un moonshot: construire un planificateur social IA qui apprend les politiques économiques optimales pour le monde réel. Le projet appelé « AI Economist » a a récemment publié de nouveaux résultats. Stephan Zheng, chercheur principal de Salesforce, directeur principal, équipe d’économistes en IA, a partagé plus d’informations sur le contexte, les résultats et la feuille de route du projet.
L’apprentissage par renforcement comme outil de politique économique
Zheng préparait son doctorat en physique à l’époque où l’apprentissage en profondeur a explosé, en 2013. La motivation qu’il a citée pour son travail chez Salesforce est double : « repousser les limites de l’apprentissage automatique pour découvrir les principes de l’intelligence générale, mais aussi pour faire du bien social ».
Zheng estime que les problèmes socio-économiques sont parmi les plus critiques de notre époque. Ce qui l’a attiré vers cette ligne de recherche particulière est le fait que l’inégalité économique s’est accéléré au cours des dernières décennies, ce qui a eu un impression négatif sur les opportunités économiques, la santé et le bien-être social.
Les impôts sont un outil gouvernemental necessary pour améliorer l’égalité, notice Zheng. Cependant, il estime qu’il est difficile pour les gouvernements de concevoir des buildings fiscales qui contribuent à créer l’égalité tout en stimulant la productivité économique. Une partie du problème, ajoute-t-il, est liée à la modélisation économique elle-même.
« En économie traditionnelle, si les gens veulent optimiser leur politique, ils doivent faire beaucoup d’hypothèses. Par exemple, ils pourraient dire que le monde est plus ou moins le même chaque année. Rien ne change vraiment autant.
C’est vraiment contraignant. Cela signifie que beaucoup de ces méthodes ne trouvent pas vraiment la meilleure politique si vous considérez le monde dans toute sa richesse si vous regardez toutes les façons dont le monde peut changer autour de vous », a déclaré Zheng.
L’équipe Salesforce AI Economist tente de résoudre ce problème en appliquant un sort particulier d’apprentissage automatique appelé apprentissage par renforcement (RL). RL a été utilisé pour construire des systèmes tels que Alpha Go et est différente de l’approche d’apprentissage supervisé qui prévaut dans l’apprentissage automatique.
« Dans l’apprentissage supervisé, quelqu’un vous donne un ensemble de données statiques, puis vous essayez d’apprendre des modèles dans les données. Dans l’apprentissage par renforcement, à la place, vous avez cette simulation, cet environnement interactif, et l’algorithme apprend à regarder le monde et à interagir. avec la simulation. Et à partir de là, cela peut réellement jouer avec l’environnement, cela peut changer la façon dont l’environnement fonctionne », a expliqué Zheng.
Cette flexibilité a été la principale raison pour laquelle RL a été choisi pour AI Economist. Comme Zheng l’a expliqué, il y a trois events dans cette approche. Il y a la simulation elle-même, l’optimisation de la politique, et puis il y a aussi les données, automobile les données peuvent être utilisées pour éclairer le fonctionnement de la simulation. The AI Economist s’est concentré sur la modélisation et la simulation d’un sous-ensemble simplifié de l’économie : l’impôt sur le revenu.
Un monde en deux dimensions a été créé, modélisant les relations spatiales et temporelles. Dans ce monde, les brokers peuvent travailler, extraire des ressources, construire des maisons et gagner de l’argent de cette façon. Les revenus que les brokers gagnent grâce à la development de maisons sont ensuite imposés par le gouvernement. La tâche de l’économiste de l’IA est de concevoir un système fiscal qui peut optimiser l’égalité (remark les revenus des personnes sont similaires) et la productivité (somme de tous les revenus).
Modélisation de l’IA par rapport au monde réel
Les recherches de Salesforce montrent que l’IA peut améliorer le compromis entre l’égalité des revenus et la productivité par rapport à trois scénarios alternatifs : une formule fiscale de premier plan développée par Emmanuel Saez, des impôts progressifs ressemblant à la formule fiscale américaine et le marché libre (pas d’impôts). Comme Zheng l’a expliqué, ces 3 alternate options ont été codées dans le système et leurs résultats ont été mesurés par rapport à ceux dérivés de l’IA by way of la simulation RL.
Bien que cela semble prometteur, il convient également de noter les limites de cette recherche. Tout d’abord, la recherche ne traite que de l’impôt sur le revenu dans une économie extrêmement simplifiée : il n’y a pas d’actifs, de commerce worldwide, and so forth., et il n’y a qu’un seul sort d’activité. De plus, le nombre complete d’brokers dans le système est au most de 10 à ce stade.
The AI Economist est une simulation économique dans laquelle des brokers de l’IA collectent et échangent des ressources, construisent des maisons, gagnent des revenus et paient des impôts à un gouvernement. Drive de vente
Zheng a noté que la recherche a pris en compte de nombreuses tendencies spatiales et distributions de ressources différentes, ainsi que des brokers ayant des compétences ou des niveaux de compétence différents. Il a également mentionné que le travail actuel est une preuve de idea, se concentrant sur la partie IA du problème.
« Le problème conceptuel clé que nous abordons est que le gouvernement essaie d’optimiser cette politique, mais nous pouvons également utiliser l’IA pour modéliser remark l’économie va réagir à son tour. C’est quelque selected que nous appelons un problème de RL à deux niveaux.
De ce level de vue, avoir dix brokers dans l’économie et le gouvernement est déjà assez difficile à résoudre. Nous devons vraiment travailler beaucoup pour trouver l’algorithme, pour trouver la bonne combinaison de stratégies d’apprentissage pour que le système trouve réellement ces très bonnes options de politique fiscale », a déclaré Zheng.
En regardant remark les gens utilisent RL pour entraîner des systèmes à jouer à certains varieties de jeux vidéo ou aux échecs, ce sont déjà des problèmes de recherche et d’optimisation très difficiles, même s’ils n’utilisent que deux ou dix brokers, a ajouté Zheng. Il a affirmé que l’IA Economist est plus efficace que ces systèmes.
L’équipe d’AI Economist est convaincue que maintenant qu’elle a une bonne compréhension de la partie apprentissage, elle est en excellente place pour penser à l’avenir et étendre ce travail également à d’autres dimensions, selon Zheng.
Dans un model antérieure de AI Economist, l’équipe a également expérimenté la participation de joueurs humains à la simulation. Cela a entraîné plus de bruit, automobile les gens se comportaient de manière incohérente; selon Zheng, cependant, l’IA Economist a quand même atteint des niveaux de qualité et de productivité plus élevés.
Économie et économistes
Certaines questions évidentes en ce qui concerne cette recherche sont ce qu’en pensent les économistes et si leurs idées ont également été modélisées dans le système. Aucun membre de l’équipe AI Economist n’est réellement économiste. Cependant, certains économistes ont été consultés, selon Zheng.
« Lorsque nous avons commencé, nous n’avions pas d’économiste à bord, nous nous sommes donc associés à David Parkes, qui siège à la fois en informatique et en économie. Au cours du travail, nous avons parlé à des économistes et avons obtenu leurs opinions. Nous avons également eu un échange avec (économiste et auteur à succès) Thomas Piquetty. C’est un homme très occupé, donc je pense qu’il a trouvé le travail intéressant.
Il a également soulevé des questions sur, dans une certaine mesure, la manière dont les politiques pourraient être mises en œuvre. Et vous pouvez penser à cela sous plusieurs angles, mais dans l’ensemble, il était intéressé par le travail. Je pense que cela reflète la réponse plus giant de la communauté économique. Il y a à la fois de l’intérêt et des questions quant à savoir si cela est réalisable. De quoi avons-nous besoin pour faire cela ? C’est matière à réflexion pour la communauté économique », a déclaré Zheng.
Quant à la voie à suivre, Zheng pense qu’il s’agit « de rendre cela largement utile et d’avoir un impression social positif ». Zheng a ajouté que l’une des instructions vers lesquelles l’équipe se dirige est de se rapprocher du monde réel.
(intégré)https://www.youtube.com/watch?v=KPe1Zcb-pyQ(/embed)
D’une half, cela signifie construire des simulations plus grandes et meilleures, afin qu’elles soient plus précises et plus réalistes. Zheng pense que ce sera un élément clé des cadres de modélisation économique et de conception des politiques. Une grande partie de cela pour les chercheurs en IA consiste à prouver que vous pouvez faire confiance à ces méthodes.
« Vous voulez montrer des choses comme la robustesse et l’explicabilité. Nous voulons dire à tout le monde ici les raisons pour lesquelles l’IA a recommandé telle ou telle politique. De plus, je crois fermement en cela en tant que problème interdisciplinaire. Je pense vraiment que l’opportunité ici est pour l’IA chercheurs de travailler avec des économistes, de travailler avec des specialists politiques pour comprendre non seulement les dimensions methods de leur problème, mais aussi pour comprendre remark cette technologie peut être utile à la société », a déclaré Zheng.
Zheng a mis l’accent sur deux elements de cette recherche : l’établissement d’objectifs et la transparence. L’établissement d’objectifs, c’est-à-dire les résultats à optimiser, est effectué en externe. Cela signifie que si le système doit optimiser pour une égalité maximale, une productivité maximale, leur équilibre, ou potentiellement à l’avenir, incorporer d’autres paramètres tels que la durabilité, c’est un choix de conception qui appartient à l’utilisateur.
Zheng a décrit la « transparence totale » comme la pierre angulaire du projet. Si, à l’avenir, des itérations de ces varieties de systèmes doivent être utilisées pour le bien social, alors tout le monde devrait pouvoir les inspecter, les remettre en query et les critiquer, selon Zheng. Pour servir cet objectif, l’équipe d’AI Economist a open supply tout le code et les données expérimentales basé sur la recherche.
Une autre partie de la voie à suivre pour l’équipe AI Economist est une plus grande sensibilisation de la communauté des économistes. « Je pense qu’il y a pas mal d’éducation ici, où aujourd’hui les économistes ne sont pas formés en tant qu’informaticiens. On ne leur enseigne généralement pas la programmation en Python, par exemple. Et des choses comme RL pourraient également ne pas faire partie de leur programme customary ou leur façon de penser. Je pense qu’il y a ici une très grande opportunité pour la recherche interdisciplinaire », a déclaré Zheng.
L’équipe d’AI Economist est en dialogue everlasting avec des économistes et présente ces travaux à la communauté scientifique. Zheng a déclaré que l’équipe travaille sur un sure nombre de projets, sur lesquels ils pourront partager davantage dans un proche avenir. Il a conclu qu’un peu d’éducation pour familiariser les gens avec cette approche et une interface utilisateur / UX plus conviviale peut faire beaucoup.
