Skip to main content

Cookies and Privacy

We use cookies to improve your experience on our website. To find out more, read our updated Cookie policy, Privacy policy and Terms & Conditions

sargent1_Wenjie Dong Getty Images_AIdatahuman Wenjie Dong/Getty Images

L’intelligence artificielle, frontière de la théorie économique

NEW YORK – Jusqu’à récemment, deux grands obstacles limitaient ce que les chercheurs en économie pouvaient apprendre du monde grâce aux puissantes méthodes que les mathématiciens et les statisticiens ont développées à partir du début du XIXe siècle pour détecter et interpréter des phénomènes reconnaissables dans un brouhaha de données : les ensembles de données était réduits et coûteux, les ordinateurs lents et onéreux. Il est donc naturel qu’à mesure des progrès de la puissance informatique, qui ont considérablement abaissé ces obstacles, les économistes se soient rués vers l’utilisation du big data et de l’intelligence artificielle pour détecter plus efficacement des phénomènes dans toutes sortes d’activités et de résultats.

Les synthèses de données et la reconnaissance de modèles constituent également des éléments importants en matière de science physique. Le physicien Richard Feynman a un jour comparé le monde naturel à un jeu auquel se livraient les dieux : « Vous ne connaissez pas les règles du jeu, mais vous êtes autorisé à jeter parfois un coup d’œil sur le plateau de jeu, ou peut-être sur une partie du jeu. À partir de ces observations, vous tentez de déduire quelles sont les règles de la partie ».

La métaphore de Feynman décrit littéralement la tâche de nombreux économistes. Tels des astrophysiciens, nous recueillons généralement des données non expérimentales générées par des processus que nous cherchons à comprendre. Le mathématicien John von Neumann définit un jeu comme (1) une liste de joueurs, (2) une énumération d’actions possibles pour chaque joueur, (3) une description de la manière dont les accomplissements de chaque joueur dépendent des actions de l’ensemble des joueurs, et (4) un protocole temporel énonçant qui peut faire tel ou tel choix, à tel ou tel moment. Cette élégante définition inclut ce que nous entendons par « constitution » ou « système économique » : un accord social prévoyant qui peut choisir quoi, et quand.

Comme celle du physicien Feynman, notre tâche consiste à déduire les règles d’un « jeu » – qui pour les économistes correspond à la structure d’un marché ou d’un système de marchés – à partir des données observées. Nous cherchons en revanche à accomplir quelque chose que ne font pas les physiciens : nous réfléchissons à la manière dont des « jeux » différents sont susceptibles de produire de meilleurs résultats. Nous entendons mener des expérimentations pour étudier comment un hypothétique changement apporté aux règles du jeu ou à un modèle de comportement observé par certains « joueurs » (par exemple les régulateurs publics ou une banque centrale) peut influencer les modèles de comportement des autres joueurs.

Ainsi, les « concepteurs de modèles structurels » en économie étudient des modèles historiques de comportements pour en déduire un ensemble de paramètres invariables, dans la perspective de situations hypothétiques (souvent sans précédent historique) dans lesquelles un État ou un régulateur suit un nouvel ensemble de règles. Le gouvernement applique des stratégies, et le peuple des contre-stratégies, dit un proverbe chinois. Les « modèles structurels » recherchent des paramètres invariables afin d’aider les régulateurs et les concepteurs du marché à comprendre et prédire des phénomènes de données dans des circonstances historiques inédites.

La tâche difficile consistant à élaborer des modèles structurels est vouée à bénéficier du développement rapide de branches de l’intelligence artificielle (IA) qui n’impliquent rien de plus que la reconnaissance de phénomènes. Le programme AlphaGo en est le parfait exemple. L’équipe informatique qui a créé cet algorithme pour jouer au jeu chinois de Go a intelligemment combiné une suite d’outils initialement développés par des spécialistes en statistiques, en simulation, en théorie décisionnel, et en théorie des jeux. Nombre des outils utilisés en proportion adéquate pour créer un remarquable joueur virtuel de Go sont aussi les outils habituels qu’utilisent les économistes pour élaborer des modèles structurels leur permettant d’étudier la macroéconomie et l’organisation industrielle.

Subscribe now
ps subscription image no tote bag no discount

Subscribe now

Subscribe today and get unlimited access to OnPoint, the Big Picture, the PS archive of more than 14,000 commentaries, and our annual magazine, for less than $2 a week.

SUBSCRIBE

Bien entendu, l’économie diffère de la physique à un égard majeur. Si Pierre-Simon Laplace a considéré « l’état présent de l’univers comme l’effet de son passé, et la cause de son futur », c’est l’inverse qui se vérifie en économie : ce que nous pensons que d’autres feront plus tard engendre ce que nous faisons dans le présent. Nous utilisons généralement des théories personnelles autour de ce que les autres entendent prévoir de faire. Lorsque nous disposons de bonne théories sur les autres, ce qu’ils feront probablement détermine ce que nous pensons qu’ils feront. Cette forme de raisonnement, parfois appelée « attentes rationnelles », reflète un sentiment dans lequel « le futur cause le présent » au sein des systèmes économiques. Cette prise en compte s’inscrit au cœur de l’élaboration des modèles économiques « structurels ».

Je me joindrai par exemples aux retraits massifs de dépôts bancaires si je pense que les autres le feront. Sans garantie des dépôts, les clients ont tendance à éviter les banques vulnérables à de telles paniques. En présence d’une garantie des dépôts, les clients n’ont rien à craindre, et ne choisissent pas le retrait massif. D’un autre côté, si l’État garantit les dépôts, les propriétaires d’établissements bancaires voudront que leurs actifs deviennent aussi colossaux et risqués que possible, tandis que les déposants ne s’en soucieront pas. Des compromis similaires existent avec l’assurance chômage et l’assurance handicap – le fait d’assurer les individus contre une mauvaise fortune peut réduire leur volonté de subvenir eux-mêmes à leurs besoins – ainsi qu’avec les plans publics de sauvetage d’États ou d’entreprises.

Plus largement, ma réputation correspond à ce que les autres pensent que je ferai. Je dois choisir si je confirme ou si je contredis ces attentes. Ces choix influenceront les comportements des autres à l’avenir. Les banquiers centraux raisonnent souvent de cette manière.

À l’instar des physiciens, nous les économistes utilisons des modèles et des données dans le but d’apprendre. Nous n’apprenons rien de nouveau tant que nous ne reconnaissons pas que nous vieux modèles ne peuvent expliquer de nouvelles données. Nous construisons ensuite de nouveaux modèles à la lumière de l’échec des précédents. C’est ainsi que nous avons tiré des enseignements des dépressions et crises financières passées. Grâce au big data, aux ordinateurs ultra-rapides, ainsi qu’à de meilleurs algorithmes, nous sommes susceptibles de découvrir des phénomènes là où nous n’observions hier qu’un vacarme de données.

Traduit de l’anglais par Martin Morel

Read more about the changing nature of value in the age of Big Data, artificial intelligence, and automation.

Click here

https://prosyn.org/pe8vx4bfr;
  1. op_dervis1_Mikhail SvetlovGetty Images_PutinXiJinpingshakehands Mikhail Svetlov/Getty Images

    Cronies Everywhere

    Kemal Derviş

    Three recent books demonstrate that there are as many differences between crony-capitalist systems as there are similarities. And while deep-seated corruption is usually associated with autocracies like modern-day Russia, democracies have no reason to assume that they are immune.

    7