• Paolo Benanti

AI politiche: far modellare le tasse al machine learning

Un'intelligenza artificiale può simulare un sistema economico milioni di volte è può essere usato per modellare una politica fiscale più equa. Il Deep Reinforcement Learning ha generato una AI in grado di battere i giocatori umani in giochi complessi come Go e StarCraft. Potrebbe anche fare un lavoro migliore dei politici nella gestione dell'economia?



La disuguaglianza di reddito è uno dei problemi generali dell'economia e uno dei punti chiave nell'elaborazione delle teorie della giustizia e delle diverse teorie politiche ed economiche. Uno degli strumenti più efficaci che i responsabili politici devono affrontare è la tassazione: i governi raccolgono denaro dalle persone in base a ciò che guadagnano e lo ridistribuiscono direttamente, tramite regimi di assistenza sociale o indirettamente, utilizzandolo per pagare progetti pubblici. Ma sebbene una maggiore tassazione possa portare a una maggiore uguaglianza, tassare troppo le persone può scoraggiarle dal lavoro o motivarle a trovare modi per evitare di pagare, il che riduce l'impatto complessivo del sistema sviluppato.


Ottenere l'equilibrio giusto non è facile. Gli economisti in genere si basano su ipotesi difficili da convalidare. Il comportamento economico delle persone è complesso e la raccolta di dati a riguardo è difficile. Decenni di ricercatori economici, politici e movimenti di pensiero si sono confrontato e hanno anche lottato tra loro per progettare la migliore politica fiscale, ma l'equità del sistema tassatorio rimane un problema aperto.



I ricercatori della compagnia statunitense Salesforce, uno dei leader nel software per il business, pensano che l'IA possa essere d'aiuto. Guidato da Richard Socher, il team ha sviluppato un sistema chiamato AI Economist che utilizza il reinforcement learning, lo stesso tipo di tecnica alla base di AlphaGo e AlpahZero di DeepMind (giochi che hanno una complessita molto maggiore degli scacchi come mostra il video), per identificare politiche fiscali ottimali per un'economia simulata. Lo strumento è ancora relativamente semplice (non c'è modo di includere tutte le complessità del mondo reale o del comportamento umano), ma è un primo promettente passo verso la valutazione delle politiche in un modo completamente nuovo. "Sarebbe sorprendente rendere la politica fiscale meno politica e più guidata dai dati", afferma Alex Trott, un membro del team di sviluppo di Salesforce.



In un primo risultato, l'AI ha sviluppato e implementato una politica che, in termini di massimizzazione della produttività e della parità di reddito, era il 16% più equa di un quadro fiscale progressivo all'avanguardia già studiato da economisti nelle università. Il miglioramento rispetto all'attuale politica tassatoria statunitense è stato ancora maggiore. "Penso che sia un'idea totalmente interessante", afferma Blake LeBaron alla Brandeis University nel Massachusetts, che ha utilizzato le reti neurali per modellare i mercati finanziari.


Nella simulazione, quattro operatori di intelligenza artificiale sono controllati ciascuno dai propri modelli di reinforcement learning. Interagiscono con un mondo bidimensionale, raccogliendo legno e pietra e scambiando queste risorse con gli altri o usandole per costruire case, il che fa guadagnare loro denaro. I lavoratori hanno diversi livelli di abilità, il che li porta a specializzarsi. I lavoratori meno qualificati imparano che fanno meglio se raccolgono risorse e quelli più qualificati imparano che fanno meglio se acquistano risorse per costruire case. Alla fine di ogni anno simulato, tutti i lavoratori sono tassati con un'aliquota elaborata da un policymaker controllato dall'AI, che sta eseguendo il proprio algoritmo di apprendimento di rinforzo. L'obiettivo del policymaker è di aumentare sia la produttività che il reddito di tutti i lavoratori. Le AI convergono su un comportamento ottimale ripetendo la simulazione milioni di volte.



Entrambi i modelli di reinforcement learning iniziano da zero, senza una conoscenza preliminare della teoria economica, e imparano ad agire attraverso prove ed errori, più o meno allo stesso modo in cui l'AI di DeepMind imparano, senza alcun input umano, a giocare a Go e StarCraft a livelli superiori a quelle di cui sono capaci gli uomini.


Quanto sono utili questi modelli? Riusciamo a imparare molto da solo quattro lavoratori basati su AI? In teoria sì, perché le semplici interazioni tra una manciata di agenti portano presto a comportamenti molto complessi. (Per quanto sia complesso, Go coinvolge ancora solo due giocatori, per esempio.) Tuttavia, tutti coloro che sono coinvolti nel progetto concordano sul fatto che aumentare il numero di lavoratori nella simulazione sarà essenziale se lo strumento vuole modellare scenari realistici.



Sistema di gioco La doppia dose di AI è la chiave. Le reti neurali sono state utilizzate in precedenza per controllare gli agenti nelle economie simulate. Ma trasformare il policymaker in un'AI anche porta ad un modello in cui i lavoratori e il policymaker si adattano continuamente alle azioni reciproche. Questo ambiente dinamico è stato una sfida per i modelli di reinforcement learning, poiché una strategia appresa nell'ambito di una politica fiscale potrebbe non funzionare così bene in un'altra. Ma significava anche che le AI trovavano il modo di giocare il sistema. Ad esempio, alcuni lavoratori hanno imparato a evitare le tasse riducendo la loro produttività per poter beneficiare di una fascia fiscale più bassa e quindi aumentarla di nuovo. Il team di Salesforce afferma che questo dare e avere tra lavoratori e responsabili delle politiche porta a una simulazione più realistica di qualsiasi altra cosa ottenuta dai modelli precedenti, in cui le politiche fiscali sono in genere fissate.



La politica fiscale elaborata da AI Economist, durante le simulazioni, è un po' insolita. A differenza della maggior parte delle politiche esistenti, che sono progressive (ovvero, i redditi più alti sono tassati di più) o regressive (i redditi più alti sono tassati di meno), la politica di tassazione messa in atto dall'AI di Salesforce ha messo insieme aspetti di entrambi, applicando le aliquote d'imposta più alte ai ricchi e ai poveri e le più basse ai lavoratori a medio reddito. Come molte soluzioni che le AI escogitano - come alcune delle mosse vincenti del gioco di AlphaZero - il risultato appare controintuitivo e non qualcosa che un essere umano avrebbe potuto escogitare. Ma il suo impatto sull'economia ha portato a un divario minore tra ricchi e poveri.


Per vedere se la politica fiscale generata dall'intelligenza artificiale avrebbe influenzato il comportamento umano in modo simile, il team lo ha testato su oltre 100 crowdworker assunti tramite Amazon Mechanical Turk, a cui è stato chiesto di assumere il controllo dei lavoratori durante la simulazione. Quello che hanno scoperto i ricercatori di Salesforce è che la politica sviluppava dalle AI incoraggiava gli umani a giocare allo stesso modo con cui i bot comandate dalle AI avevano fatto, suggerendo - almeno in linea di principio - che l'AI Economist poteva essere usato per influenzare l'attività economica reale.



Modifiche infinite Un altro vantaggio di una simulazione basata sull'intelligenza artificiale è che puoi modificare i parametri per esplorare diversi scenari. Ad esempio, sarebbe possibile modellare l'impatto di una pandemia aggiungendo vincoli come l'allontanamento sociale e l'accesso limitato alle risorse o rimuovendo le persone dalla forza lavoro. "È difficile elaborare teorie fiscali ottimali basate sul passato se il futuro sembra molto diverso", afferma Socher.


La capacità della simulazione di modellare il cambiamento è un grande vantaggio, afferma LeBaron: "È piuttosto interessante vedere i lavoratori adattarsi al codice fiscale". Ciò aggira una delle grandi critiche ai modelli fiscali esistenti in cui il comportamento è in genere fissato.


La principale riserva di LeBaron è il numero limitato di agenti a cui lo strumento è finora limitato. "Ci sono persone che sostengono che puoi ottenere intuizioni intellettuali profonde con pochi agenti", afferma. "Non sono uno di loro." LeBaron vorrebbe vederlo simulare circa 100 lavoratori, che è anche una delle cose a cui punta il team di Salesforce punta.



Ma LeBaron crede che lo strumento potrebbe già essere usato per verificare la validità dei modelli economici esistenti: "Se fossi un politico, sparerei questa cosa per vedere cosa dice". Se l'AI Economist non fosse d'accordo con altri modelli, allora potrebbe essere un segno che a quegli altri modelli mancava qualcosa, conclude lo studioso.


Anche David Parkes, un informatico ed economista dell'Università di Harvard che ha collaborato con il team di Salesforce, è ottimista. Devono aumentare significativamente il numero di attori guidati da AI, ma una volta che sarà fatto e si saranno aggiunte alla simulazione alcune funzionalità extra come le aziende, Parkes afferma di essere in grado di replicare i risultati teorici esistenti. "Quindi diventa immediatamente utilizzabile", dice.


Doyne Farmer, un economista dell'Università di Oxford, è comunque meno convinto. Anche se si compiace del crossover dell'apprendimento per rinforzo dai giochi all'economia - "Si pone la questione se sia possibile indagare sulle politiche nello stesso modo in cui AlphaZero gioca a Go" - pensa che ci vorrà del tempo prima che lo strumento sia effettivamente utile. "Il mondo reale è troppo complicato", afferma.


Il team accetta che alcuni economisti avranno bisogno di essere persuasi. A tal fine, stanno rilasciando il loro codice e invitando altri ad eseguire i propri modelli attraverso di esso. A lungo termine, questa apertura sarà anche una parte importante per rendere tali strumenti affidabili, afferma Socher. "Se stai utilizzando un'intelligenza artificiale per raccomandare che determinate persone ricevano tasse più o meno elevate", sottolinea, "è meglio che tu possa dire il perché".



Di fatto questo caso è un altro dei tanti proposti dalle AI in cui si vede una competizione tra attore/decisore umano e attore/decisore basato su AI. Il parametro di base è quello dell'efficienza e alla luce di questa non si pone mai la domanda su quale differenza vi sia tra una decisione umana e una macchinica.


Inoltre come alcune teorie della giustizia ci mostrano fare scelte giuste non comporta sempre massimizzare il risultato. L'equità non corrisponde con l'ottimizzazione del sistema. Lo stacco tra un valore numerico e un valore etico è qui fondamentale. Le scelte economiche che vogliano essere secondo giustizia, cioè secondo una virtù morale, hanno bisogno di etica. Anzi se vogliono essere precisi abbiamo bisogno di algor-etica perché la macchina cooperi con l'uomo per rendere le decisioni politico-economiche secondo la virtù della giustizia.

345 visualizzazioni1 commento