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

La frontiera dell’Intelligenza Artificale sulla teoria economica

NEW YORK – Fino a poco tempo fa, due grandi ostacoli ponevano dei limiti a ciò che gli economisti ricercatori potevano apprendere sul mondo grazie ai potenti metodi matematici e statistici, sviluppati sin dall’inizio del diciannovesimo secolo, per riconoscere e interpretare gli schemi con dati distorti: dati limitati e costosi e computer lenti e cari. Pertanto, è ovvio che, con la notevole riduzione di questi ostacoli grazie allo sviluppo informatico, gli economisti si sono affrettati a utilizzare i big data e l’intelligenza artificiale per poter individuare dei modelli in ogni tipo di attività e di esito.

I dati riassuntivi e il riconoscimento di uno schema sono aspetti importanti anche nella fisica. Una volta il fisico Richard Feynman ha paragonato il mondo naturale ad un gioco svolto dagli dei: “non si conoscono le regole del gioco, ma si può guardare il tabellone di tanto in tanto, in un angolo. E da queste osservazioni si prova a capire quali sono le regole.”

La metafora di Feyman è una descrizione letterale di quello che fanno molti economisti. Come gli astrofisici, anche noi economisti tendiamo ad acquisire dati non sperimentali prodotti da processi che vogliamo comprendere. Il matematico John von Neumann definì il gioco come (1) un elenco di giocatori, (2) una elenco delle azioni di tutti i giocatori, (3) un elenco di come il vantaggio guadagnato da ogni giocatore dipende dalle azioni di tutti i giocatori, (4) un protocollo sincronizzato che indica chi sceglie cosa e quando. Quest’elegante definizione comprende anche ciò che definiamo “costituzione” e “sistema economico”, ovvero una comprensione a livello sociale di chi sceglie cosa e quando.

Proprio come la metafora della fisica di Feynman, il nostro compito è quello di dedurre un “gioco”, che per gli economisti corrisponde alla struttura di un mercato o al sistema dei mercati, attraverso l’osservazione dei dati. Ma in realtà, noi economisti vogliamo andare oltre  rispetto a quello che fanno i fisici, ovvero analizzare come dei “giochi” diversi possono produrre dei risultati migliori. In altre parole, vogliamo condurre degli esperimenti per studiare come un ipotetico cambio di regole del gioco o di uno schema di un comportamento da parte di alcuni “giocatori” (ad esempio enti regolatori o una banca centrale) può influire sugli schemi comportamentali degli altri giocatori.

Pertanto, “coloro che definiscono i modelli strutturali” nell’economia tentano di dedurre dagli schemi comportamentali tradizionali una serie di parametri invarianti per situazioni ipotetiche (spesso senza precedenti) in cui un governo o un ente regolatore si trova a dover seguire delle nuove regole. Come dice un proverbio cinese, il governo ha delle strategie e le persone hanno delle controstrategie. “I modelli strutturali” cercano questi parametri invarianti per aiutare gli enti regolatori e coloro che definiscono i mercati a capire e prevedere gli schemi dei dati in contesti senza precedenti.

Il difficile compito di creare dei modelli strutturali potrà ottenere dei benefici da alcuni rami in rapido sviluppo dell’Intelligenza Artificiale relative al risconoscimento degli schemi. Un ottimo esempio è l’AlphaGo. Il gruppo di scienziati informatici che ha creato l’algoritmo per giocare al gioco cinese Go ha intelligentemente combinato un insieme di strumenti sviluppati da alcuni specialisti in statistica, simulazione, teoria decisionale e comunità delle teorie del gioco. Molti degli strumenti utilizzati nella giusta proporzione per creare un eccellente giocatore artificiale di Go sono anche gli strumenti di lavoro quotidiani degli economisti utilizzati per creare dei modelli strutturali e studiare macroeconomia e organizzazione industriale.

Subscribe now
Bundle2020_web

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

Ovviamente l’economia si differenzia dalla fisica su un aspetto cruciale. Mentre Pierre-Simon Laplace considerava “lo stato attuale dell’universo come un effetto del suo passato e la causa del suo futuro”, per gli economisti è vero il contrario, ovvero ciò che ci aspettiamo che gli altri faranno determina ciò che sappiamo nel presente. Utilizziamo teorie personali per determinare quello che gli altri vogliono al fine di prevedere cosa faranno. Quest’argomentazione a volte definita come “aspettative razionali” rispecchia un’idea secondo cui “il futuro determina il presente” nei sistemi economici. Questo principio è al centro dei modelli economici “strutturali”. 

Ad esempio, ci si unirà alla corsa agli sportelli bancari se ci si aspetta che anche altri lo facciano. Inoltre, in assenza di un’assicurazione sui depositi, i clienti sono incentivati a evitare le banche più vulnerabili alle corse agli sportelli, mentre i clienti che hanno un’assicurazione sui depositi non si creeranno problemi e non verranno influenzati dalle corse agli sportelli. Per contro, nel caso in cui i governi assicurino i depositi, i banchieri avranno come obiettivo quello di rendere i propri capitali cospicui e quanto più rischiosi, mentre ai depositanti ciò non importerà. Ci sono dei compromessi simili nell’ambito delle assicurazioni sulla disoccupazione e sulla disabilità (ovvero assicurando le persone contro la sfortuna si tende a indebolire l’incentivo a provvedere a sé stessi), e per i salvataggi ufficiali di governi e aziende.

In termini più ampi, la propria reputazione è legata a ciò che gli altri si aspettano che uno faccia. Ci si trova quindi a dover scegliere se soddisfare o deludere queste aspettative; inoltre le proprie scelte avranno un impatto su come gli altri si comporteranno in futuro. I banchieri centrali pensano molto a questa dinamica.

Proprio come i fisici, anche noi economisti utilizziamo modelli e dati per imparare, ma non impariamo cose nuove finché non riconosciamo che i nostri vecchi modelli non sono in grado di spiegare i nuovi dati. Quindi, costruiamo nuovi modelli prendendo in considerazione gli elementi che hanno portato al fallimento i modelli precedenti. Ciò spiega il modo in cui abbiamo imparato dalle fasi di depressione e dalle crisi finanziarie del passato e grazie ai big data, a computer più veloci e ad algoritmi migliori, si potranno individuare dei modelli dove una volta si riuscivano a ottenere solo dati distorti.

Traduzione di Marzia Pecorari

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

Click here

https://prosyn.org/pe8vx4bit;
  1. slaughter74_Feodora ChioseaGetty Images_genderinequalitybusinessscale Feodora Chiosea/Getty Images

    The War on Talent

    Anne-Marie Slaughter & Monica Chellam

    A growing body of research suggests that CEOs share more relevant traits with Chief Human Resources Officers than with those of any other C-Suite position. But while CHROs may have a seat at the table, that seat’s occupant – more often than not a woman – is still least likely to become CEO.

    0