C’è chi crede che il deep learning stia mostrando la corda, e chi ritiene invece che abbia ancora ampie possibilità di stupire risolvendo problemi estremamente complessi.

Devono pensarla così a Salesforce, dove un team di ricercatori guidato da Richard Socher ha sviluppato un sistema chiamato AI Economist, il quale utilizza il reinforcement learning per trovare le migliori politiche fiscali in un’economia simulata.

Lo strumento è ancora relativamente semplice poiché non ha modo di includere nei suoi calcoli tutte le complessità del mondo reale o del comportamento umano, ma è un primo promettente passo verso la valutazione delle politiche economiche in un mondo che parte da zero.

Attualmente il sistema fa interagire solo quattro agenti, chiamati lavoratori, che come in un gioco devono acquisire materiali e scambiarli fra loro affinché siano in grado di costruire abitazioni, cosa che fa guadagnar loro il punteggio (i “soldi”). Alla fine di ogni anno tutti i lavoratori vengono tassati da un quinto agente, un’intelligenza artificiale che ha l’obiettivo di massimizzare sia la produttività, sia le entrate di ogni lavoratore.

Ma se fin qui il sistema appare troppo semplicistico, è sulle iterazioni annuali che il deep learning mostra i muscoli: le simulazioni infatti vengono ripetute milioni di volte, con gli agenti di intelligenza artificiale che modificano continuamente il loro comportamento per massimizzare i risultati. Alla fine anche un’economia simulata con pochi attori riesce a produrre politiche fiscali interessanti e con un loro fondamento economico.

Per fare un esempio, in un primo risultato l’AI ha trovato una serie di politiche che sembrerebbero essere del 16% più eque rispetto ad alcuni modelli attualmente proposti dagli economisti. Inoltre, in un ulteriore test che ha coinvolto questa volta 100 persone in carne e ossa – ognuna con il compito di “prendere il controllo” di uno degli agenti nella simulazione – si è visto che gli esseri umani si comportavano come gli agenti simulati, confermando così la bontà delle previsioni dell’intelligenza artificiale.

I modelli di reinforcement learning non hanno alcuna nozione di economia, devono semplicemente massimizzare certi risultati e per fare questo adottano un sistema che li spinge a provare in continuazione nuove strategie. Tuttavia nonostante i primi successi la limitazione a 4 lavoratori è uno degli scogli che il team vuole superare al più presto. Simulare un’economia con quattro persone è ancora troppo semplicistico, malgrado le iterazioni fra loro generino comunque un numero impressionante di variazioni. Ma se con AI Economist si vorranno modellare scenari realistici, il team dovrà portare il numero di lavoratori simulati almeno a 100. Inserendo inoltre altre caratteristiche tipiche di un’economia reale, come ad esempio le aziende, che nel sistema ancora mancano.

AI Economist ha comunque già riservato alcune sorprese, come la proposta di una politica fiscale allo stesso tempo progressiva e regressiva, dove cioè a essere tassati maggiormente sono sia gli individui maggiormente ricchi sia quelli maggiormente poveri, lasciando la minor tassazione al ceto medio. Forse l’intelligenza artificiale non si fida delle dichiarazioni dei redditi troppo esigue?

L’autore: Luca Sambucci:

Dopo la laurea in Management ha conseguito una specializzazione in Business Analytics a Wharton e una certificazione Artificial Intelligence Professional da IBM. E’ socio fondatore del chapter italiano di Internet Society, membro dell’Associazione Italiana esperti in Infrastrutture Critiche (AIIC), della Association for the Advancement of Artificial Intelligence (AAAI) e dell’Associazione Italiana per l’Intelligenza Artificiale (AIxIA). Partecipa ai lavori della European AI Alliance della Commissione Europea e del Consultation Forum for Sustainable Energy in the Defence and Security Sector della European Defence Agency.

Abbiamo stipulato un accordo con l’autore, Luca Sambucci, per la diffusione dei suoi articoli. L’articolo originale si trova al seguente link: Notizie.ai