2016 foi um ano crucial para a Salesforce. Foi quando a empresa adquiriu a MetaMind, “uma plataforma de IA corporativa que trabalhava em imagens médicas e imagens de comércio eletrônico e NLP e um monte de outras coisas, uma plataforma horizontal que funciona como uma ferramenta de aprendizado de máquina para desenvolvedores”, como fundador Richard Socher descreveu.

Se isso soa interessante hoje, provavelmente estava à frente de seu tempo na época. A aquisição impulsionou Socher a Cientista de Dados Chefe da Salesforce, liderando mais de 100 pesquisadores e muitas centenas de engenheiros trabalhando em aplicativos que foram implantados em escala e impacto da Salesforce. A IA tornou-se parte integrante dos esforços da Salesforce, principalmente por meio de Salesforce Einstein, uma iniciativa abrangente para injetar recursos de IA na plataforma da Salesforce.

Além dos esforços voltados para o mercado, a Salesforce também patrocina iniciativas de “IA para o bem”. Isso inclui o que Quadros do Salesforce como uma foto da lua: construindo um planejador social de IA que aprende políticas econômicas ideais para o mundo real. O projeto sob o nome de “AI Economist” publicou recentemente alguns novos resultados. Stephan Zheng, cientista líder de pesquisa da Salesforce, gerente sênior da equipe de economistas de IA, compartilhou mais sobre o histórico, os resultados e o roteiro do projeto.

Aprendizagem por reforço como ferramenta para a política econômica

Zheng estava trabalhando em seu doutorado em física na época em que o aprendizado profundo explodiu – 2013. A motivação que ele citou para seu trabalho na Salesforce é dupla: “ultrapassar os limites do aprendizado de máquina para descobrir os princípios da inteligência geral, mas também para fazer bem social”.

Zheng acredita que as questões socioeconômicas estão entre as mais críticas do nosso tempo. O que o atraiu para essa linha de pesquisa em particular é o fato de que a desigualdade econômica tem acelerado nas últimas décadas, impactando negativamente nas oportunidades econômicas, na saúde e no bem-estar social. 

Os impostos são uma importante ferramenta do governo para melhorar a igualdade, observa Zheng. No entanto, ele acredita que é um desafio para os governos projetar estruturas tributárias que ajudem a criar igualdade e ao mesmo tempo impulsionar a produtividade econômica. Parte do problema, acrescenta, tem a ver com a própria modelagem econômica.

“Na economia tradicional, se as pessoas querem otimizar suas políticas, precisam fazer muitas suposições. Por exemplo, eles podem dizer que o mundo é mais ou menos o mesmo todos os anos. Nada realmente muda tanto.

Isso é realmente constrangedor. Isso significa que muitos desses métodos realmente não encontram a melhor política se você considerar o mundo em toda a sua riqueza, se você observar todas as maneiras pelas quais o mundo pode mudar ao seu redor”, disse Zheng.

A equipe do Salesforce AI Economist tenta resolver isso aplicando um tipo específico de aprendizado de máquina chamado aprendizagem de reforço (RL). RL tem sido usado para construir sistemas como AlphaGo e é diferente da abordagem de aprendizado supervisionado que prevalece no aprendizado de máquina.

“No aprendizado supervisionado, alguém fornece um conjunto de dados estático e, em seguida, você tenta aprender padrões nos dados. No aprendizado por reforço, em vez disso, você tem essa simulação, esse ambiente interativo, e o algoritmo aprende a olhar para o mundo e interagir com a simulação. E a partir disso, ele pode realmente brincar com o ambiente, pode mudar a maneira como o ambiente funciona”, explicou Zheng.

Essa flexibilidade foi a principal razão pela qual a RL foi escolhida para o AI Economist. Como Zheng elaborou, há três partes nessa abordagem. Tem a simulação em si, a otimização da política, e tem os dados também, porque os dados podem ser usados ​​para informar como funciona a simulação. The AI ​​Economist concentrou-se em modelar e simular um subconjunto simplificado da economia: o imposto de renda.

Foi criado um mundo bidimensional, modelando relações espaciais e temporais. Neste mundo, os agentes podem trabalhar, minerando recursos, construindo casas e ganhando dinheiro dessa maneira. A renda que os agentes ganham com a construção de casas é então tributada pelo governo. A tarefa do AI Economist é projetar um sistema tributário que possa otimizar a igualdade (como as rendas das pessoas são semelhantes) e a produtividade (soma de todas as rendas).

Modelagem de IA versus o mundo real

A pesquisa da Salesforce mostra que a IA pode melhorar o trade-off entre igualdade de renda e produtividade quando comparado a três cenários alternativos: uma fórmula tributária proeminente desenvolvida por Emmanuel Saez, impostos progressivos semelhantes à fórmula tributária dos EUA e o mercado livre (sem impostos). Como Zheng explicou, essas 3 alternativas foram codificadas no sistema e seus resultados foram medidos em relação aos derivados da IA ​​por meio da simulação RL.

Embora isso pareça promissor, também devemos observar as limitações desta pesquisa. Em primeiro lugar, a pesquisa aborda apenas o imposto de renda em uma economia muito simplificada: não existem ativos, comércio internacional e afins, e há apenas um tipo de atividade. Além disso, o número total de agentes no sistema é no máximo 10 neste momento.

Zheng observou que a pesquisa considerou muitos layouts espaciais e distribuições de recursos diferentes, bem como agentes com diferentes conjuntos de habilidades ou níveis de habilidade. Ele também mencionou que o trabalho atual é uma prova de conceito, focando na parte de IA do problema.

“A principal questão conceitual que estamos abordando é o governo tentando otimizar essa política, mas também podemos usar a IA para modelar como a economia responderá por sua vez. Isso é algo que chamamos de problema de RL de dois níveis.

Desse ponto de vista, ter dez agentes na economia e no governo já é bastante desafiador para resolver. Nós realmente temos que trabalhar muito para encontrar o algoritmo, para encontrar a combinação certa de estratégias de aprendizado para realmente fazer com que o sistema encontre essas soluções de política tributária realmente boas”, disse Zheng.

Olhando como as pessoas usam RL para treinar sistemas para jogar alguns tipos de videogame ou xadrez, esses já são problemas de busca e otimização muito difíceis, embora utilizem apenas dois ou dez agentes, acrescentou Zheng. Ele afirmou que o AI Economist é mais eficiente do que esses sistemas.

A equipe do AI Economist está confiante de que agora que eles têm uma boa compreensão da parte do aprendizado, eles estão em ótima posição para pensar no futuro e estender esse trabalho também para outras dimensões, de acordo com Zheng.

Em um versão anterior do AI Economist, a equipe também experimentou ter jogadores humanos participando da simulação. Isso resultou em mais barulho, pois as pessoas se comportaram de maneira inconsistente; de acordo com Zheng, no entanto, o AI Economist ainda alcançou níveis mais altos de qualidade e produtividade.

Economia e economistas

Algumas questões óbvias no que diz respeito a esta pesquisa são o que os economistas pensam sobre isso e se seus insights também foram modelados no sistema. Nenhum membro da equipe do AI Economist é realmente um economista. No entanto, alguns economistas foram consultados, segundo Zheng.

“Quando começamos, não tínhamos um economista a bordo, então fizemos uma parceria com David Parkes, que atua tanto em ciência da computação quanto em economia. Ao longo do trabalho, conversamos com economistas e ouvimos suas opiniões. Também tivemos um intercâmbio com [economista e autor de best-sellers] Thomas Piketty. Ele é um homem muito ocupado, então acho que ele achou o trabalho interessante.

Ele também levantou questões sobre, até certo ponto, como as políticas poderiam ser implementadas. E você pode pensar nisso de muitas dimensões, mas no geral ele estava interessado no trabalho. Acho que isso reflete a resposta mais ampla da comunidade econômica. Há interesse e dúvidas sobre se isso é implementável. O que precisamos para fazer isso? É motivo de reflexão para a comunidade econômica”, disse Zheng.

Quanto ao caminho a seguir, Zheng acredita que é “tornar isso amplamente útil e ter algum impacto social positivo”. Zheng acrescentou que uma das direções que a equipe está seguindo é como se aproximar do mundo real.

[Conteúdo incorporado]

Por um lado, isso significa construir simulações maiores e melhores, para que sejam mais precisas e realistas. Zheng acredita que será um componente-chave das estruturas para modelagem econômica e desenho de políticas. Uma grande parte disso para os pesquisadores de IA é provar que você pode confiar nesses métodos.

“Você quer mostrar coisas como robustez e explicabilidade. Queremos dizer a todos aqui as razões pelas quais a IA recomendou esta ou aquela política. Além disso, acredito fortemente nisso como um problema interdisciplinar. Acho que realmente a oportunidade aqui é para pesquisadores de IA trabalharem em conjunto com economistas, trabalharem em conjunto com especialistas em políticas para entender não apenas as dimensões técnicas de seu problema, mas também para entender como essa tecnologia pode ser útil para a sociedade”, disse Zheng.

Dois aspectos que Zheng enfatizou nesta pesquisa foram o estabelecimento de metas e a transparência. A definição de metas, ou seja, quais resultados otimizar, é feita externamente. Isso significa que se o sistema deve otimizar para a máxima igualdade, produtividade máxima, seu equilíbrio ou, potencialmente, no futuro, incorporar outros parâmetros, como sustentabilidade, é uma escolha de design a cargo do usuário.

Zheng descreveu a “transparência total” como a pedra angular do projeto. Se no futuro as iterações desses tipos de sistemas forem usadas para o bem social, todos devem poder inspecioná-los, questioná-los e criticá-los, de acordo com Zheng. Para atender a esse objetivo, a equipe do AI Economist código aberto todo o código e dados experimentais com base na pesquisa.

Outra parte do caminho a seguir para a equipe do AI Economist é o maior alcance da comunidade de economistas. “Acho que há um pouco de educação aqui, onde hoje os economistas não são treinados como cientistas da computação. Eles normalmente não são ensinados a programar em Python, por exemplo. E coisas como RL também podem não ser algo que faça parte de seu currículo padrão ou de sua maneira de pensar. Acho que há uma grande oportunidade aqui para pesquisas interdisciplinares”, disse Zheng.

A equipe do AI Economist está constantemente conversando com economistas e apresentando este trabalho para a comunidade científica. Zheng disse que a equipe está trabalhando em vários projetos, sobre os quais poderão compartilhar mais em um futuro próximo. Ele concluiu que um pouco de educação para familiarizar as pessoas com essa abordagem e UI/UX mais amigável pode ajudar muito.

• Coinsmart. A melhor troca de Bitcoin e criptografia da Europa.Clique aqui
• Platoblockchain. Inteligência Metaverso Web3. Conhecimento Ampliado. Acesse aqui.
• Fonte: https://www.zdnet.com/article/salesforces-ai-economist-research-wants-to-explore-the-equilibrium-between-equality-and-productivity/#ftag=RSSbaffb68