AI /自动化

利用人工智能＆ce创造机器经济力量

Martin博士探索经济学和AI如何变化业务

计算经济学(CE)是一门利用计算机为基础的经济模型来解决分析和统计经济问题的学科。在这个富有洞察力的采访中，马丁·普劳斯博士解释了如何利用CE和人工智能来创造经济机器。通过CE在当今商业环境中的应用实例，他还揭示了人工智能如何在改善商业模拟方面发挥重要作用。

问：你能帮我们把人工智能(AI)、计算经济学(CE)和构建“经济机器”(machina economicus)联系起来吗?
一个快速和肮脏的答案是：CE是AI方法在经济学中的应用。计算经济（CE）驻留在经济学和计算的交叉点。
了解CE和AI如何连接机马机经济用具，我们必须首先知道，当前的经济理论是建立在一系列假设基础上的，这些假设是:

• 人们在结果中具有合理的偏好
• 个人最大化实用程序，而公司最大限度地提高利润
• 人们独立行动全面和相关信息

这些关于人类行为的假设创造了一个被称为同性恋经济学，“经济人”。虽然这些假设不准确地代表人类在现实世界中的表现，但它们是确定与其合作的分析模型所必需的。
AI研究人员的目标是构建合成同性恋经济学被称为Machina economicus，也被描述为完全理性的机器。）最近的一个公园和Wellmann的文章解释了AI如何模仿同性恋经济学如果它可以对齐看法，结果偏好和行动，以在不确定性下决定。
现在，计算经济学今天有两个业务的主要经济应用：
示例：如果您的汽车中的GPS导航系统，您不需要关心只需一分钟的路由，而不是最佳的路由。

软计算解决经济问题:软计算是指一套自然启发的计算方法，例如进化算法，群体算法和人工神经网络，解决了传统方法不高效的现实问题。这是因为在许多情况下，它需要一个呈指数级的解决时间来计算最佳解决方案，并且第二种和最佳解决方案之间的益处的裕度是相当较小的。因此，我们可以安全地用近似做。在商业世界中，软计算用于高频交易市场的迭代过程，其中交易或投资在毫秒内完成。这里，确定最佳的解决方案以确定最佳投资组合或预测金融市场无法有效地计算，因此，近似是下一个最佳选择。

复杂的系统建模以了解行为：复杂的自适应系统（CAS）是一个系统，其中“代理”自主地相互交互。简单地说，代理是一种感应环境的单元，遵循处理规则，以对环境和内部状态反应，并将其结果传播到其他代理进行交互。CAS在传统分析系统上的主要优势是研究特定现象的出现。随着CAS自组织，它允许非线性行为根据内部系统的变化以及环境变化而出现。
基于代理的建模（ABM）是一种模拟复杂自适应系统的特定类型，以研究经济动态，即代理的行为方式，提供对系统的更好理解。它不仅仅关注结果 - 而是专注于结果如何实现。换句话说，它是一种研究行为的方法。ABM可用于社交网络，以模拟相互作用，消费者行为，口碑广告，创新扩散等。通常，ABM用于为公司和政府寻求建立政策，法规和预测的何种方式。
用亚瑟·塞缪尔（1959年）的话语，人工智能是“赋予计算机的研究领域，而没有明确编程的学习能力。”采取直升机的角度，AI广泛地包括三个领域：知识表示和优化，数据自动分析和学习（即机器学习）。
CE和AI之间的联系是什么？首先，从理论上看，CE和AI使用相同的方法来解决问题。虽然一个人量身定制于经济应用（CE），但另一个申请（AI）不适合量身定制。其次，从应用程序角度来看，AI可以在复杂的自适应系统建模中丰富代理。因此，代理能够获得认知能力来增加现实世界代表性。
总之，多亏了CAS，我们不仅可以研究均衡或特定结果，还可以研究它们是如何形成的。此外，如果代理的行为与人类行为密切相似，那么微观和宏观的动力学就可以更好地理解。
示例：有许多出版物试图评估Brexit和最近停止的跨大西洋贸易和投资伙伴关系（TTIP）对外国直接投资（FDI）的影响。

问：AI如何纳入商业模拟，以及如何帮助公司处理复杂性和不确定性？
一个业务模拟是模拟公司及其战略环境的计算模拟，如内部视图、竞争对手、客户、供应商和PEST——政治、经济、社会和技术方面。在教育领域，这种模拟被用来教授所有业务元素是如何相互关联的。在工业中，他们被用来进行假设分析，使用适当的假设和简化的真实世界模型。有许多现成的系统为公司提供不同的视角:ERP系统提供内部视角，CRM和数字营销提供外部视角，竞争情报系统提供战略环境的视角。
如果这三个系统提供的信息被聚合并送入适当的模型，则可以用于方案分析和市场预测，以对齐所有业务单位的策略。
因此，商业领袖的关键问题是：我的公司可以在这种环境中持续和连贯地确定并执行战略吗？

一本名为“第二台机器时代”（2014年）的书（2014年）由Andrew McAfee und Erik Brynjolfson讨论了数据生成和使用情况如何在不久的将来呈指数级增长，特别是如果机器可以训练自己，以便更好地培训，而不是从过去的学习。数字系统以比社会中的其他系统更快的步伐移动，增加了复杂性和不确定性。

在这里，当它利用代理时，AI就发挥了游戏机马机经济用具业务模拟中的范例。首先，我们可以基于更高级的模型来研究动力学。例如，可以将消费者和供应商表示为具有欲望、目标和认知能力的代理，而不是使用分析性的供求模型。这可能有助于揭开公司环境的复杂性和不确定性。其次，要进行一项合理的假设研究，必须对数百种假设进行检验。因此，必须测试数以千计的模拟。此后，我们必须确定模式并研究结果。这就是机器学习用来识别动态模式并将其与结果联系起来的地方。
下一步是放宽我们之前的一些假设同性恋经济学模型，从而使结果更接近现实，即人类受认知偏见的影响。在日常生活或专业业务中，人们的决策受到信息缺乏、处理时间和资源有限的影响。
一旦模型也可以解释这种系统错误，企业可以更好地了解他们应该如何接近供应商，或者他们应该如何规划他们的营销活动等。
例如:Daniel Kahneman和Amos Tversky(1973)证明了人类会使用捷径来应对这些限制，而这些认知表征和启发式往往与客观现实存在系统性差异。

问：AI可用于公司的商业模式和决策过程的方式是什么？
一个让我们暂时抛开人工智能是一种认知、超级智能、人工处理单元的观点，转而关注人工智能的方法，即知识表示、学习和优化。如今，人工智能应用程序的市场非常分散，围绕这种方法有很多议论。然而，在大多数情况下，AI指的是针对特定应用定制的某种形式的机器学习或软计算。事实上，欧洲市场上的许多公司/初创公司正在整个价值链中推广人工智能方法，他们主要使用优化技术或机器学习。
与人工智能方法的定制化使用不同，也有一些领先的玩家已经在研究具有“像婴儿或动物那样”学习能力的机器。这很有趣，因为这台机器实际上是通过“观察世界”来学习的，而不仅仅是通过训练。这种方法关闭了循环，并聚合了知识表示、学习和优化的元素，以支持更广泛的应用程序。
一些例子：

• 营销：Wounder.ai使用算法匹配人和产品
• 库存：Cargonexx优化了货运空间在其卡车上的效用，从而将需求与供应相匹配。
• 操作:MicroPsi使用AI来控制工业过程和系统
• 开发：EYESCURM使用AI为移动应用/网站设计提供自动A / B检验

对于每个元素，有多种解决方案。

问：AI还对工作自动化，愚蠢的AI等企业促进了令人担忧的问题。什么是陷阱以及企业如何避免这些？
一个让我详细阐述一些阻碍AI接受的基本问题：
害怕在决策中失去控制：人类受到许多认知偏见的影响，机器可以很容易地利用这些偏见。当我们浏览一个网站时，你认为我们有自由意志吗?没有;在一个设计良好的网站中，组件的放置是为了达到一个特定的目标。还有其他担忧:机器可以很容易地使用框架或锚定技术来影响我们的行为，机器学习系统可能会利用人们的数字踪迹，并将未披露的特征纳入自己的决策中。
数据的不透明使用:Eric Horvitz和Deirdre Mulligan强调社交网络帖子可用于确定一个人是否有抑郁症。虽然这是一个很好的帮助我们为该人启动治疗，但具有既得利益的团体可以秘密地利用此类数据。
决策过程的不确定性:这使用机器学习正在增加，但组织缺乏了解计算机如何达到决策。机器是否被编程为偏向特定的公司目标？机器如何解决伦理困境，例如争议手推车问题

解答法律问题:当机器的结果没有与法律或文化标准保持一致时，谁将负责？如果AI控制的交通信号如何了解它比以前更换的灯光更有效地更效率，它比以前更改了比以前更好？虽然这可能更有效，但可能导致更大的事故。

问：我们如何避免那些陷阱？
一个一种方法是建立社会接受的标准。正如汽车制造商必须坚持出售汽车的具体规范，AI设计师和开发人员也应该坚持规范，并遵循如何采取决策，尽管这是一种难以存在的方法一ai的定义。尽管如此，一些组织如Openai，已经朝着这个方向前进了。即使是法律和政府制度也应适应日常私营和商业生活中AI的崛起，以故意规范数据的使用。