A fronteira da inteligência artificial na teoria econômica

Terraço traduz artigo de Thomas Sargent (prêmio Nobel de economia em 2011) sobre o uso de inteligência artificial na pesquisa econômica

2 de dezembro por THOMAS J. SARGENT (publicado originalmente em inglês no site Project Syndicate).

Até recentemente, os conjuntos de dados eram pequenos e custosos, enquanto os computadores eram lentos e caros. Portanto, é natural que, à medida que os ganhos em poder de processamento tenham reduzido drasticamente esses obstáculos, os economistas se apressem em usar big data e inteligência artificial para ajudá-los a identificar padrões em todos os tipos de atividades e séries.

HANGZHOU – Até recentemente, dois grandes obstáculos limitavam o que economistas acadêmicos podiam aprender sobre o mundo usando métodos poderosos que matemáticos e estatísticos desenvolveram, a partir do início do século XIX, para reconhecer e interpretar padrões em dados mal comportados: os conjuntos de dados eram pequenos e custosos, enquanto os computadores eram lentos e caros. Portanto, é natural que, à medida que os ganhos em poder de processamento tenham reduzido drasticamente esses impedimentos, os economistas se apressem a usar big data e inteligência artificial para ajudá-los a identificar padrões em todos os tipos de atividades e resultados.

Consolidar dados e reconhecer padrões também são parte importante das ciências naturais. O físico Richard Feynman uma vez comparou o mundo natural a um jogo dos deuses: “você não conhece as regras do jogo, mas pode olhar para o tabuleiro de tempos em tempos, em um cantinho, talvez . E a partir dessas observações, você tenta descobrir quais são as regras.”

A metáfora de Feynman é uma descrição literal do que muitos economistas fazem. Como os astrofísicos, normalmente adquirimos dados não experimentais gerados por processos que queremos entender. O matemático John von Neumann definiu um jogo como (1) uma lista de jogadores; (2) uma lista de ações disponíveis para cada jogador; (3) uma lista de como os ganhos acumulados para cada jogador dependem das ações de todos os jogadores; e (4) um protocolo de tempo que diz quem escolhe o quê e quando. Essa definição elegante inclui o que entendemos por “constituição” ou “sistema econômico”: um entendimento social sobre quem escolhe o quê e quando.

Como o físico metafórico de Feynman, nossa tarefa é inferir um “jogo” – que para os economistas é a estrutura de um mercado ou sistema de mercados – a partir de dados observados. Mas também queremos fazer algo que os físicos não fazem: pensar em como diferentes “jogos” podem produzir melhores resultados. Ou seja, queremos realizar experimentos para estudar como uma mudança hipotética nas regras do jogo ou em um padrão de comportamento observado por alguns “jogadores” (digamos, reguladores do governo ou um banco central) pode afetar os padrões de comportamento dos demais jogadores.

Assim, os “construtores de modelos estruturais” em economia procuram inferir, a partir de padrões históricos de comportamento, um conjunto de parâmetros invariantes para situações hipotéticas (muitas vezes historicamente sem precedentes) nas quais um governo ou órgão regulador segue um novo conjunto de regras. O governo tem estratégias e o povo tem contra-estratégias, de acordo com um provérbio chinês. Os “modelos estruturais” buscam parâmetros invariantes para ajudar reguladores e projetistas de mercado a entender e prever padrões de dados em situações historicamente sem precedentes.

A tarefa desafiadora de criar modelos estruturais se beneficiará do rápido desenvolvimento de ramos da Inteligência Artificial ​​que não envolvem mais que o reconhecimento de padrões. Um ótimo exemplo é o AlphaGo. A equipe de cientistas da computação que criou o algoritmo para jogar o jogo chinês Go combinou inteligentemente um conjunto de ferramentas que foram desenvolvidas por especialistas em estatística, simulação, teoria da decisão e teoria dos jogos. Muitas das ferramentas que foram usadas nas proporções certas para criar um excelente Go artificial também são ferramentas econômicas para a construção de modelos estruturais para estudar macroeconomia e organização industrial.

Obviamente, a economia difere da física em um aspecto crucial. Enquanto Pierre-Simon Laplace considerava “o estado atual do universo como o efeito de seu passado e a causa de seu futuro”, o inverso é verdadeiro na economia: o que esperamos que outras pessoas façam mais tarde determina o que fazemos agora. Normalmente usamos teorias pessoais sobre o que as outras pessoas querem prever ou como o farão. Quando temos boas teorias de outras pessoas, sobre o que elas provavelmente fariam, determina o que esperamos que elas façam. Essa linha de raciocínio, às vezes chamada de “expectativas racionais”, reflete um sentido em que “o futuro causa o presente” nos sistemas econômicos. Levar isso em consideração é o cerne da construção de modelos econômicos “estruturais”.

Por exemplo, irei sacar dinheiro de um banco se espero que outras pessoas o façam. Sem seguro de depósito, os clientes têm incentivos para evitar bancos vulneráveis ​​a saques em massa. Com o seguro de depósito, os clientes não se importam e não correm. Por outro lado, se os governos garantem depósitos, os proprietários dos bancos desejam que seus ativos se tornem tão grandes e arriscados quanto possível, enquanto os depositantes não se importam. Existem trocas similares com o seguro-desemprego e invalidez – garantir um seguro para as pessoas contra a má sorte pode enfraquecer seu incentivo para elas próprias se garantam- uma vez que contam com ajuda oficial de governos e empresas.

De maneira mais ampla, minha reputação é o que os outros esperam que eu faça. Enfrento escolhas sobre confirmar ou desapontar essas expectativas. Essas escolhas afetarão como os outros se comportam no futuro. Os banqueiros centrais pensam muito nisso.

Como os físicos, nós economistas usamos modelos e dados para aprender. Não aprendemos coisas novas até entendermos que nossos modelos antigos não podem explicar novos dados. Quando isso acontece, construímos novos modelos à luz de como seus predecessores falharam. Isso explica como aprendemos com as recessões e as crises financeiras do passado. E com big data, computadores mais rápidos e algoritmos melhores, podemos ver padrões em que, uma vez que ouvimos apenas ruído.

O autor é membro do Conselho Consultivo Acadêmico da Academia Luohan, Hangzhou, onde foi realizada a pesquisa para este comentário.

(Tradução Renata Kotscho Velloso para o Terraço Econômico)

Renata Velloso

Se de médico e louco todo mundo tem um pouco, Renata tem muito. Logo após se formar em Administração Pública pela EAESP-FGV, trabalhou no mercado financeiro com passagem pelo Citibank, Chase e JPMorgan. Certo dia, cansada da vida boa e rica no ar condicionado, resolveu abandonar tudo para ir estudar Medicina na Unicamp, onde se formou em 2010. Atualmente, além de ser bela e recatada, trabalha com projetos de inovação na área de saúde no Vale do Silício na Califórnia e também é autora do Criando Unicórnios, um livro de empreendedorismo para jovens e adolescentes.
Yogh - Especialistas em WordPress