[ad_1]
Hãy tưởng tượng một thế giới trong đó một số quyết định quan trọng – khuyến nghị tuyên án của thẩm phán, phác đồ điều trị cho trẻ em, cá nhân hoặc doanh nghiệp nào sẽ nhận được khoản vay – được đưa ra đáng tin cậy hơn vì thuật toán được thiết kế tốt đã giúp người ra quyết định quan trọng đưa ra lựa chọn tốt hơn. Một khóa học kinh tế mới của MIT đang nghiên cứu những khả năng thú vị này.
Lớp 14.163 (Thuật toán và Khoa học hành vi) là một khóa học liên ngành mới tập trung vào kinh tế học hành vi, nghiên cứu về năng lực nhận thức và giới hạn của con người. Khóa học được đồng giảng dạy vào mùa xuân vừa qua bởi trợ lý giáo sư kinh tế Ashesh Rambachan và giảng viên thỉnh giảng Sendhil Mullainathan.
Rambachan, đồng thời là điều tra viên chính của Phòng thí nghiệm Hệ thống Thông tin và Quyết định của MIT, nghiên cứu các ứng dụng kinh tế của học máy, tập trung vào các công cụ thuật toán thúc đẩy việc ra quyết định trong hệ thống tư pháp hình sự và thị trường cho vay tiêu dùng. Ông cũng phát triển các phương pháp xác định nguyên nhân bằng cách sử dụng dữ liệu động và cắt ngang.
Mullainathan sẽ sớm gia nhập khoa Kỹ thuật Điện, Khoa học và Kinh tế Máy tính của MIT với tư cách là giáo sư. Nghiên cứu của ông sử dụng học máy để hiểu các vấn đề phức tạp trong hành vi con người, chính sách xã hội và y học. Mullainathan đồng sáng lập Phòng thí nghiệm Hành động Nghèo đói Abdul Latif Jameel (J-PAL) vào năm 2003.
Mục tiêu của khóa học mới vừa mang tính khoa học (để hiểu con người) vừa mang tính định hướng chính sách (để cải thiện xã hội bằng cách cải thiện các quyết định). Rambachan tin rằng các thuật toán học máy cung cấp các công cụ mới cho cả mục tiêu khoa học và ứng dụng của kinh tế học hành vi.
Rambachan cho biết: “Khóa học nghiên cứu việc triển khai khoa học máy tính, trí tuệ nhân tạo (AI), kinh tế và học máy nhằm cải thiện kết quả và giảm thiểu các trường hợp sai lệch trong việc ra quyết định”.
Rambachan tin rằng có nhiều cơ hội để các công cụ kỹ thuật số không ngừng phát triển như AI, học máy và mô hình ngôn ngữ lớn (LLM) giúp định hình lại mọi thứ, từ các hành vi phân biệt đối xử trong việc tuyên án hình sự đến kết quả chăm sóc sức khỏe cho những nhóm dân cư chưa được phục vụ đầy đủ.
Học sinh học cách sử dụng các công cụ học máy với ba mục tiêu chính: hiểu những gì họ làm và cách họ làm, chính thức hóa những hiểu biết sâu sắc về kinh tế học hành vi để họ có thể kết hợp tốt với các công cụ học máy và hiểu các lĩnh vực và chủ đề có tích hợp kinh tế học hành vi và các công cụ thuật toán có thể mang lại hiệu quả cao nhất.
Học sinh cũng đưa ra ý tưởng, phát triển nghiên cứu liên quan và nhìn thấy bức tranh toàn cảnh hơn. Họ được hướng dẫn để hiểu được cái nhìn sâu sắc phù hợp ở đâu và xem chương trình nghiên cứu rộng hơn đang dẫn đến đâu. Những người tham gia có thể suy nghĩ chín chắn về những gì LLM được giám sát có thể (và không thể) làm, để hiểu cách tích hợp những năng lực đó với các mô hình và hiểu biết sâu sắc về kinh tế học hành vi, đồng thời nhận ra những lĩnh vực hiệu quả nhất để áp dụng những gì các cuộc điều tra khám phá.
Sự nguy hiểm của tính chủ quan và thiên vị
Theo Rambachan, kinh tế học hành vi thừa nhận rằng những thành kiến và sai lầm tồn tại trong suốt các lựa chọn của chúng ta, ngay cả khi không có thuật toán. Ông tiếp tục: “Dữ liệu được thuật toán của chúng tôi sử dụng tồn tại bên ngoài khoa học máy tính và học máy, thay vào đó thường do con người tạo ra. “Do đó, hiểu biết về kinh tế học hành vi là điều cần thiết để hiểu được tác động của các thuật toán và cách xây dựng chúng tốt hơn”.
Rambachan đã tìm cách làm cho khóa học có thể tiếp cận được bất kể trình độ học vấn của người tham dự. Lớp học bao gồm các sinh viên có trình độ cao từ nhiều ngành khác nhau.
Bằng cách cung cấp cho sinh viên một cách tiếp cận dựa trên dữ liệu, liên ngành để điều tra và khám phá những cách mà thuật toán có thể cải thiện khả năng giải quyết vấn đề và ra quyết định, Rambachan hy vọng sẽ xây dựng nền tảng để thiết kế lại các hệ thống luật học, chăm sóc sức khỏe, cho vay tiêu dùng hiện có. và công nghiệp, kể tên một số lĩnh vực.
Rambachan nói: “Hiểu được cách tạo ra dữ liệu có thể giúp chúng tôi hiểu được sự thiên vị. “Chúng ta có thể đặt câu hỏi về việc tạo ra một kết quả tốt hơn những gì hiện có.”
Các công cụ hữu ích để hình dung lại các hoạt động xã hội
Nghiên cứu sinh tiến sĩ kinh tế Jimmy Lin đã nghi ngờ về những tuyên bố mà Rambachan và Mullainathan đưa ra khi lớp học bắt đầu, nhưng anh ấy đã thay đổi quyết định khi khóa học tiếp tục.
Lin nói: “Ashesh và Sendhil bắt đầu với hai tuyên bố mang tính khiêu khích: Tương lai của nghiên cứu khoa học hành vi sẽ không tồn tại nếu không có AI và tương lai của nghiên cứu AI sẽ không tồn tại nếu không có khoa học hành vi”. “Trong suốt học kỳ, họ đã nâng cao hiểu biết của tôi về cả hai lĩnh vực và đưa chúng tôi qua nhiều ví dụ về cách kinh tế học cung cấp thông tin cho nghiên cứu AI và ngược lại.”
Lin, người trước đây đã thực hiện nghiên cứu về sinh học tính toán, ca ngợi sự nhấn mạnh của các giảng viên về tầm quan trọng của “tư duy của nhà sản xuất”, nghĩ về thập kỷ nghiên cứu tiếp theo thay vì thập kỷ trước. “Điều đó đặc biệt quan trọng trong một lĩnh vực liên ngành và phát triển nhanh chóng như sự giao thoa giữa AI và kinh tế – không có tài liệu cũ nào được thiết lập sẵn, vì vậy bạn buộc phải đặt câu hỏi mới, phát minh ra các phương pháp mới và tạo ra những cầu nối mới,” anh ta nói.
Tốc độ thay đổi mà Lin ám chỉ cũng là một điều hấp dẫn đối với anh ấy. Lin nói: “Chúng tôi đang thấy các phương pháp AI hộp đen tạo điều kiện thuận lợi cho những đột phá trong toán học, sinh học, vật lý và các ngành khoa học khác”. “AI có thể thay đổi cách chúng ta tiếp cận khám phá trí tuệ với tư cách là nhà nghiên cứu.”
Một tương lai liên ngành cho kinh tế và hệ thống xã hội
Nghiên cứu các công cụ kinh tế truyền thống và nâng cao giá trị của chúng bằng AI có thể mang lại những thay đổi mang tính thay đổi cuộc chơi trong cách các tổ chức giảng dạy và trao quyền cho các nhà lãnh đạo đưa ra lựa chọn.
Rambachan cho biết: “Chúng tôi đang học cách theo dõi các thay đổi, điều chỉnh các khuôn khổ và hiểu rõ hơn cách triển khai các công cụ phục vụ cho một ngôn ngữ chung”. “Chúng ta phải liên tục thẩm vấn sự giao thoa giữa phán đoán của con người, thuật toán, AI, học máy và LLM.”
Lin nhiệt tình giới thiệu khóa học bất kể hoàn cảnh của học viên. Ông nói: “Bất kỳ ai quan tâm rộng rãi đến các thuật toán trong xã hội, các ứng dụng của AI trong các ngành học thuật hoặc AI như một mô hình khám phá khoa học đều nên tham gia lớp học này”. “Mỗi bài giảng đều giống như một mỏ vàng chứa đựng những quan điểm nghiên cứu, những lĩnh vực ứng dụng mới và nguồn cảm hứng về cách tạo ra những ý tưởng mới, thú vị.”
Rambachan cho biết, khóa học lập luận rằng các thuật toán được xây dựng tốt hơn có thể cải thiện việc ra quyết định trên nhiều lĩnh vực. Ông nói: “Bằng cách xây dựng mối liên hệ giữa kinh tế, khoa học máy tính và học máy, có lẽ chúng ta có thể tự động hóa những lựa chọn tốt nhất của con người để cải thiện kết quả đồng thời giảm thiểu hoặc loại bỏ những điều tồi tệ nhất”.
Lin vẫn hào hứng với những khả năng chưa được khám phá của khóa học. “Đó là lớp học khiến bạn hào hứng với tương lai của nghiên cứu và vai trò của chính bạn trong đó,” anh nói.
[ad_2]
Source link