{"id":616,"date":"2020-04-30T18:38:00","date_gmt":"2023-06-06T18:38:57","guid":{"rendered":"https:\/\/www.salesforce.com\/?p=616"},"modified":"2023-07-31T14:01:22","modified_gmt":"2023-07-31T14:01:22","slug":"ai-economist","status":"publish","type":"post","link":"https:\/\/www.salesforce.com\/de\/blog\/ai-economist\/","title":{"rendered":"AI Economist: Warum Salesforce-Forscher maschinelles Lernen im Bereich der \u00f6konomischen Steuerung anwenden"},"content":{"rendered":"\n

Salesforce Research hat \u201eAI Economist<\/a>\u201c vorgestellt, eine neue Forschungsrichtung, die untersucht, wie sich \u00f6konomische Steuerung mithilfe von K\u00fcnstlicher Intelligenz (KI) verbessern l\u00e4sst, um Produktivit\u00e4t und soziale Gerechtigkeit zu erh\u00f6hen. Das neue KI-Framework wurde entwickelt, um die Auswirkungen von Entscheidungen in Wirtschaftssystemen \u00fcber lange Zeitr\u00e4ume hinweg \u2013 parallel \u2013 zu simulieren und so \u00d6konomen, Politikern und anderen dabei zu helfen, eine Steuerpolitik zu entwerfen, die soziale Folgen optimiert. Sie fragen sich vielleicht, warum ein CRM-Unternehmen k\u00fcnstliche Intelligenz (KI) und Reinforcement Learning (RL, eine Methode des maschinellen Lernens) in der Wirtschaft anwendet? Wir haben uns mit Richard Socher (Chief Scientist und Leiter der Salesforce-Forschung)<\/a> und seinem wissenschaftlichen Team, darunter Stephan Zheng (Senior Research Scientist), Nikhil Naik (Lead Research Scientist) und Alex Trott (Research Scientist) zusammengesetzt, um zu erfahren, was genau \u201eAI Economist\u201c ist, welche Ziele das Team mit dieser Forschung verfolgt und wie die Simulation ein Modell geschaffen hat, das die Ausgewogenheit zwischen Produktivit\u00e4t und wirtschaftlicher Gleichheit um 16 Prozent effektiver macht als bisher f\u00fchrende Frameworks.<\/p>\n\n\n\n

WAS MACHT DAS SALESFORCE-FORSCHUNGSTEAM? WARUM BESCH\u00c4FTIGT ES SICH MIT \u00d6KONOMIE?<\/h2>\n\n\n\n

Richard<\/b>: Das Salesforce-Forschungsteam befasst sich mit Problemen, die f\u00fcr unsere Kunden und weitere Interessensgruppen im Bereich der KI wichtig sind. So haben wir beispielsweise Deep Learning-APIs entwickelt, die es unseren Kunden erm\u00f6glichen, KI-gest\u00fctzte Anwendungen mit Einstein Vision und Einstein Language sowie Spracherkennungstechnologie mit Einstein Voice zu erstellen. Auf dem Gebiet der KI betreiben wir Grundlagenforschung und angewandte Forschung, um KI-Innovationen voranzutreiben. Wir haben bereits Durchbr\u00fcche bei der Erzeugung nat\u00fcrlicher Sprache<\/a> und erkl\u00e4rbarer KI<\/a> erzielt und wir haben KI-Modelle f\u00fcr die Erzeugung von Proteinen<\/a> entwickelt. Bei Salesforce Research gehen wir gerne gro\u00dfe Probleme an. Wenn man sich in der Welt umsieht, ist eines der dr\u00e4ngendsten globalen Probleme unserer Zeit die wirtschaftliche Ungleichheit. Studien der UN haben gezeigt, dass sich gro\u00dfe Einkommensunterschiede<\/a> negativ auf das Wirtschaftswachstum<\/a> und die wirtschaftlichen M\u00f6glichkeiten auswirken k\u00f6nnen. In der KI-\u00d6konomie wenden wir Algorithmen des RL an, um herauszufinden, wie neuartige steuerliche Rahmenbedingungen die Ungleichheit verringern und die wirtschaftliche Produktivit\u00e4t verbessern und letztendlich die Welt zu einem besseren Ort machen k\u00f6nnen. Wir glauben, dass dies f\u00fcr die KI-Forschungsgemeinschaft und letztlich f\u00fcr alle Wirtschaftsakteure eine sehr wirkungsvolle zuk\u00fcnftige Forschungsrichtung sein wird.<\/p>\n\n\n\n

WIE ARBEITET \u201eAI ECONOMIST\u201c?<\/h2>\n\n\n\n

Stephan<\/b>: Steuern und Subventionen sind wichtige Instrumente der Regierungen, um Ungleichheit zu verringern und Wohlstand umzuverteilen. Wir haben jedoch noch nicht vollst\u00e4ndig herausgefunden, wie wir eine Steuerpolitik umsetzen k\u00f6nnen, die soziale Ergebnisse optimiert, zum Beispiel die Abw\u00e4gung zwischen wirtschaftlicher Gerechtigkeit und Produktivit\u00e4t. Die Wirtschaftstheorie kann die Komplexit\u00e4t der realen Welt nicht vollst\u00e4ndig modellieren, und reale Steuerexperimente sind nahezu unm\u00f6glich. Mit \u201eAI Economist\u201c bringen wir das Reinforcement Learning (RL) zum ersten Mal in die Steuerforschung ein, um eine simulations- und datengest\u00fctzte L\u00f6sung zur Definition optimaler Steuern f\u00fcr ein bestimmtes sozio\u00f6konomisches Ziel zu ermitteln. AI Economist verwendet eine Sammlung von KI-Agenten, mit denen simuliert werden kann, wie die Menschen auf verschiedene Steuern reagieren k\u00f6nnten. In der Simulation verdient jeder KI-Agent Geld, indem er Ressourcen sammelt, handelt und H\u00e4user baut. Die Agenten lernen, ihren Nutzen oder ihr Gl\u00fcck zu maximieren, indem sie ihr Bewegungs-, Handels- und Bauverhalten anpassen. Eine M\u00f6glichkeit, dies zu erreichen besteht darin, das Einkommen zu maximieren und gleichzeitig den Aufwand zu minimieren, z.B. einen m\u00f6glichst hohen Stundenlohn zu erzielen. Gleichzeitig lernt der KI-Planer oder -\u00d6konom, Steuern und Subventionen zu optimieren, um globale Ziele zu unterst\u00fctzen. \"grafik.png\" Bildunterschrift: Mitglieder des Salesforce Research Teams: L-R: Melvin Gruesbeck, Alex Trott, Stephan Zheng, Richard Socher, und Sunil Srinivasa. Nicht mit auf dem Bild: Nikhil Naik.<\/i><\/p>\n\n\n\n

WARUM IST AI ECONOMIST AUS WIRTSCHAFTLICHER SICHT FASZINIEREND?<\/h2>\n\n\n\n

Richard<\/b>: Volkswirtschaft ist hochkomplex, und wir sind uns bewusst, dass wir keine \u00d6konomen sind. Wir haben zum Beispiel mit Wirtschaftsprofessor David Parkes aus Harvard zusammengearbeitet, der uns darauf hingewiesen hat, dass einige unserer Annahmen zu vereinfachend sind. Nikhil Naik aus unserem Team war aufgrund seiner fr\u00fcheren Erfahrung in der Zusammenarbeit mit einem Nobelpreistr\u00e4ger f\u00fcr Wirtschaftswissenschaften ebenfalls von entscheidender Bedeutung. Nikhil<\/b>: Unser Modell ist enorm leistungsf\u00e4hig. \u00d6konomen haben sich fr\u00fcher auf Theoreme verlassen, aber Theoreme basieren auf einfacher Mathematik und setzen voraus, dass die Menschen sich rational verhalten. Unsere heutige Welt wird immer komplexer. Zuk\u00fcnftige Wirtschaftstheorien m\u00fcssen deshalb zus\u00e4tzliche Anforderungen wie den Umweltschutz nahtlos einbeziehen. Dar\u00fcber hinaus weisen Wirtschaftsakteure oft komplexe, irrationale, konkurrierende oder kollaborative Verhaltensweisen auf. KI hilft, diese Komplexit\u00e4t und ein breites Spektrum von Verhaltensweisen zu modellieren. Unser Modell gibt Wirtschaftswissenschaftlern zus\u00e4tzliche Instrumente an die Hand, auf die sie ihre Entscheidungen st\u00fctzen k\u00f6nnen. Durch die Simulation von Wirtschaftssystemen \u00fcber extrem lange Zeitr\u00e4ume hinweg und das Ausprobieren einer Vielzahl von Steuervarianten kann AI Economist vorhersagen, wie die Menschen tats\u00e4chlich auf eine Steuer reagieren, beispielsweise, ob sie einen Anreiz bietet, mehr oder weniger zu arbeiten.<\/p>\n\n\n\n

WIE K\u00d6NNTE DIESES MODELL ANGEWANDT WERDEN, UM UNS AUS ZEITEN WIRTSCHAFTLICHER UNSICHERHEIT HERAUSZUF\u00dcHREN?<\/h2>\n\n\n\n

Gegenw\u00e4rtig konzentriert sich AI Economist ausschlie\u00dflich auf Steuern. Wir sind jedoch der Meinung, dass RL f\u00fcr die Wirtschaft vielversprechend ist und potenziell zur Bew\u00e4ltigung der wirtschaftlichen Nachwirkungen von COVID-19 eingesetzt werden k\u00f6nnte. \u00d6konomische Simulationen k\u00f6nnen menschliches Verhalten durch die Verwendung echter Daten ber\u00fccksichtigen. Im Zusammenspiel mit unseren RL-Algorithmen kann die KI Wirtschafts-Richtlinien generieren und formulieren, die dazu beitragen, die wirtschaftliche Erholung der Welt zu beschleunigen. Wir denken bereits dar\u00fcber nach, wie wir uns dem n\u00e4hern k\u00f6nnen und ermutigen Forscher, die ebenfalls daran arbeiten, sich an uns zu wenden.<\/p>\n\n\n\n

WARUM IST AI ECONOMIST EINE INTERESSANTE HERAUSFORDERUNG F\u00dcR DIE FORSCHUNG?<\/h2>\n\n\n\n

Richard<\/b>: Reinforcement Learning hat durch das Gaming eine Reihe von Durchbr\u00fcchen erzielt, denken Sie zum Beispiel an Alpha Go. Letztendlich sind Spielpartien jedoch nur Spielpartien \u2013 als erstmals ein Mensch beim Schach von einem intelligenten Computersystem geschlagen wurde, hat sich der Rest der Welt danach nicht wirklich ver\u00e4ndert. Wenn wir uns als KI-Forscher statt auf Spiele darauf konzentrieren, die Wirklichkeitsn\u00e4he und den Umfang der Wirtschaftssimulationen sowie die F\u00e4higkeiten der KI-Agenten und der KI-\u00d6konomie zu verbessern, k\u00f6nnen wir eine Menge positiver Ergebnisse erreichen.<\/p>\n\n\n\n

\"\"\/\n\t\t\t\n\t\t\t\t\n\t\t\t<\/svg>\n\t\t<\/button><\/figure>\n\n\n\n

Alex<\/b>: AI Economist ist ein erster Schritt, um die Anwendung von RL auf Bereiche mit dem gr\u00f6\u00dften Potenzial auszudehnen. Wir haben festgestellt, dass man f\u00fcr zahlreiche Disziplinen der Wirtschaftswissenschaften RL-Instrumente nutzen kann und wollen dies st\u00e4rker mit KI-Anwendungen verbinden. Wir hoffen, so \u00d6konomen in die Lage zu versetzen, fundiertere politische Entscheidungen zu treffen. In Zukunft k\u00f6nnten dann auch Politiker diese Instrumente nutzen, um ein bestimmtes Ziel zu erreichen, wie zum Beispiel die Unterst\u00fctzung der Mittelschicht.<\/p>\n\n\n\n

WAS HABEN SIE BISHER GELERNT?<\/h2>\n\n\n\n

Stephan: In unseren Experimenten verbessert AI Economist das Gleichgewicht zwischen wirtschaftlicher Gleichheit und Produktivit\u00e4t um mindestens 16 Prozent, verglichen mit der Saez-Steuerformel<\/a> (einem bekannten Steuer-Framework eines US-Professors), den Einkommenss\u00e4tzen der US-Bundesregierung und dem freien Markt (ohne Steuern). Unsere Modellierung hat gelernt, verschiedene Steuermodelle festzulegen: beispielsweise h\u00f6here Spitzensteuers\u00e4tze und niedrigere S\u00e4tze f\u00fcr mittlere Einkommen, was zu h\u00f6heren Nettosubventionen f\u00fcr niedrige Einkommen f\u00fchrt. Alex<\/b>: \u00d6konomische KI-Agenten lernten mit Steuern zu „spielen“, um ihren effektiven Steuersatz zu senken. Jedes Mal, wenn die KI-Regierung eingreift oder ihre Steuerpolitik \u00e4ndert, sind diese Agenten klug genug, um Schlupfl\u00f6cher oder Wege zu finden, um das System auszutricksen, wie zum Beispiel den Wechsel zwischen Steuerperioden mit hohen und niedrigen Einkommen. Aus technischer Sicht bedeutet das, dass die Dinge sehr instabil werden k\u00f6nnen. Die Gleichberechtigung kann schwanken. Da KI-Agenten versuchen, ihre Gewinne in einer fluktuierenden Umgebung zu maximieren, ist die Simulation n\u00e4her am realen Leben.<\/p>\n\n\n\n