La economía simple del Machine Learning

La economía simple de la inteligencia de máquinas
Ajay AgrawalJoshua GansAvi Goldfarb - Harvard Business Review



El año 1995 fue anunciado como el comienzo de la "Nueva Economía". La comunicación digital estaba destinada a superar los mercados y cambiar todo. Pero los economistas en general no compraron el bombo. No era que no reconociéramos que algo había cambiado. Fue que reconocimos que la vieja lente de la economía seguía siendo útil para mirar los cambios que ocurren. La economía de la "Nueva Economía" se podría describir a un alto nivel: La tecnología digital causaría una reducción en el costo de la búsqueda y la comunicación. Esto llevaría a más búsqueda, más comunicación, y más actividades que van junto con la búsqueda y la comunicación. Eso es esencialmente lo que sucedió.

Hoy estamos viendo un bombo similar sobre la inteligencia de la máquina. Pero una vez más, como economistas, creemos que se aplican algunas reglas simples. Las revoluciones tecnológicas tienden a implicar que alguna actividad importante se vuelva barata, como el costo de la comunicación o la búsqueda de información. La inteligencia de la máquina es, en su esencia, una tecnología de predicción, por lo que el cambio económico se centrará alrededor de una caída en el costo de la predicción.

El primer efecto de la inteligencia de la máquina será bajar el costo de los bienes y servicios que dependen de la predicción. Esto es importante porque la predicción es un insumo para una serie de actividades, incluyendo el transporte, la agricultura, la sanidad, la fabricación de energía y el comercio minorista.

Cuando el costo de cualquier entrada cae tan precipitadamente, hay otras dos implicaciones económicas bien establecidas. En primer lugar, vamos a empezar a utilizar la predicción para realizar tareas que anteriormente no lo hicimos. En segundo lugar, el valor de otras cosas que complementan la predicción aumentará.

Muchas tareas se volverán a dibujar como problemas de predicción

A medida que la inteligencia de la máquina disminuye el costo de la predicción, comenzaremos a usarla como una entrada para cosas que nunca antes habíamos hecho. Como ejemplo histórico, consideremos los semiconductores, un área de avance tecnológico que causó una caída significativa en el costo de una entrada diferente: la aritmética. Con los semiconductores podíamos calcular a un precio bajo, por lo que las actividades para las que la aritmética era un insumo clave, como el análisis de datos y la contabilidad, se volvieron mucho más económicas. Sin embargo, también empezamos a usar la aritmética recién barata para resolver problemas que no eran historicamente problemas aritméticos. Un ejemplo es la fotografía. Pasamos de un enfoque cinematográfico orientado a la química a un enfoque basado en la aritmética. Otras nuevas aplicaciones para la aritmética barata incluyen comunicaciones, música y descubrimiento de fármacos.

Lo mismo ocurre con la inteligencia y la predicción de la máquina. A medida que disminuye el costo de la predicción, no sólo las actividades que se orientaron a la predicción se volvieron más baratas -como la gestión de inventarios y la previsión de la demanda- sino que también utilizaremos la predicción para abordar otros problemas para los que la predicción no era históricamente un insumo.

Considere la navegación. Hasta hace poco, la conducción autónoma se limitaba a entornos altamente controlados, como almacenes y fábricas, donde los programadores podían anticiparse a la gama de escenarios que un vehículo podía encontrar, y podían programar algoritmos de decisión de tipo if-then-else en consecuencia (por ejemplo, El vehículo, luego la desaceleración "). Era inconcebible poner un vehículo autónomo en una calle de la ciudad porque el número de escenarios posibles en un ambiente tan incontrolado requeriría programar un número casi infinito de declaraciones if-then-else.

Inconcebible, es decir, hasta hace poco. Una vez que la predicción se volvió barata, los innovadores replantearon la conducción como un problema de predicción. En vez de programar interminables declaraciones if-then-else, en vez de eso preguntaron a la AI: "¿Qué haría un conductor humano?" Equiparon vehículos con una variedad de sensores - cámaras, lidar, radar, etc. Millones de millas de datos de conducción humana. Al enlazar los datos ambientales de entrada de los sensores en el exterior del coche a las decisiones de conducción tomadas por el ser humano dentro del coche (dirección, frenado, aceleración), la IA aprendió a predecir cómo los humanos reaccionarían a cada segundo de datos entrantes sobre su ambiente. Por lo tanto, la predicción es ahora un componente importante de la solución a un problema que antes no se consideraba un problema de predicción.

El juicio será más valioso

Cuando el costo de un insumo fundacional se desploma, a menudo afecta el valor de otros insumos. El valor sube para complementos y abajo para sustitutos. En el caso de la fotografía, el valor de los componentes de hardware y software asociados a las cámaras digitales aumentó a medida que el coste de la aritmética disminuyó debido a que la demanda aumentó - queríamos más. Estos componentes eran complementarios a la aritmética; Se usaron juntos. En contraste, el valor de los químicos relacionados con la película cayó - queríamos menos de ellos.

Todas las actividades humanas pueden ser descritas por cinco componentes de alto nivel: datos, predicción, juicio, acción y resultados. Por ejemplo, una visita al médico en respuesta al dolor conduce a: 1) radiografías, análisis de sangre, monitoreo (datos), 2) diagnóstico del problema, como "si administramos el tratamiento A, entonces se predice el resultado X , Pero si administramos el tratamiento B, entonces predecir el resultado Y "(predicción), 3) opciones de pesaje:" dado su edad, estilo de vida y situación familiar, creo que podría ser mejor con el tratamiento A; Vamos a discutir cómo se siente acerca de los riesgos y efectos secundarios "(juicio); 4) administración del tratamiento A (acción) y 5) recuperación completa con efectos secundarios menores (resultado).

A medida que la inteligencia de la máquina mejora, el valor de las habilidades de predicción humana disminuirá debido a que la predicción de la máquina proporcionará un sustituto más barato y mejor para la predicción humana, tal como lo hicieron las máquinas para la aritmética. Sin embargo, esto no significa una condena para los trabajos humanos, como muchos expertos sugieren. Eso es porque el valor de las habilidades de juicio humano aumentará. Usando el lenguaje de la economía, el juicio es un complemento a la predicción y por lo tanto cuando el costo de la predicción disminuye la demanda de juicio aumenta. Queremos más juicio humano.

Por ejemplo, cuando la predicción es barata, el diagnóstico será más frecuente y conveniente y, por lo tanto, detectaremos muchas más condiciones tempranas y tratables. Esto significará que se tomarán más decisiones sobre el tratamiento médico, lo que significa una mayor demanda para la aplicación de la ética y para el apoyo emocional, que son proporcionados por los seres humanos. La línea entre el juicio y la predicción no está clara - algunas tareas de juicio serán incluso reenfocadas como una serie de predicciones. Sin embargo, en general el valor de las habilidades humanas relacionadas con la predicción caerá, y el valor de las habilidades relacionadas con el juicio aumentará.

Interpretar el auge de la inteligencia de la máquina como una caída en el costo de la predicción no ofrece una respuesta a cada pregunta específica de cómo se desarrollará la tecnología. Pero da lugar a dos implicaciones clave: 1) un papel ampliado de la predicción como insumo para más bienes y servicios, y 2) un cambio en el valor de otros insumos, impulsado por la medida en que se complementa o sustituye a la predicción. Estos cambios están llegando. La velocidad y el grado en que los gerentes deben invertir en capacidades relacionadas con el juicio dependerá de la rapidez con que lleguen los cambios.