Neves közgazdász érkezett Magyarországra a napokban Susan Athey, a Stanford University Graduate School of Business (GSB) technológiaiközgazdaságtan-professzorának személyében. Athey a Microsoft vezető közgazdászainak egyike, a Ripple Labs kriptovaluta-kibocsátó igazgatótanácsának tagja, emellett a legjobb 40 év alatti amerikai közgazdászoknak járó John Bates Clark-érem első női kitüntetettje. A professzor azért jött Budapestre, hogy átvegye a Rajk Szakkollégium diákjaitól a 2019. évi Neumann János-díjat, és ebből az alkalomból nyilvános előadást tartson a digitalizáció és a gazdaság kapcsolatáról.

A Neumann János-díjat a Rajk Szakkollégium évente adományozza egy olyan kiemelkedő egzakt társadalomtudományi kutatónak, aki komoly hatást gyakorolt a szakkollégisták szakmai fejlődésére és gondolkodására. Ez máig az egyetlen olyan hazai díj, ami a közgazdaság-tudományban elért nemzetközi eredményeket ismeri el. Odaítéléséről a Rajk Szakkollégium diákjai döntenek. A korábbi díjazottak közül utóbb többen közgazdasági Nobel-díjban is részesültek, például az idei közgazdasági Nobel-díjazott, Esther Duflo is.

Athey munkássága rendkívül szerteágazó. A Bing keresőjének hirdetési árazásától kezdve az ökonometria és az adattudomány ötvözésén át a kormányzati intézkedések szoftverkalózkodásra gyakorolt hatásának vizsgálatáig kiemelkedőek a kutatási eredményei.

Ezért is gyűlhetett össze több mint 150 érdeklődő hétfő este az ELTE Állam- és Jogtudományi Karának dísztermében, hogy meghallgassa az előadását. A vendégek között egyetemi hallgatók mellett a Magyar Tudományos Akadémia munkatársai, kormánytisztviselők és az üzleti élet szereplői is feltűntek. A volt rajkos szakkollégisták közül például Tóth István György, a TÁRKI Zrt. vezérigazgatója, a közelmúltig az MTA-hoz tartozó KRTK Közgazdaság-tudományi Intézetét vezető Horn Dániel, az MNB Digitalizációs Igazgatóságát vezető Fáykiss Péter, valamint az eseményt támogató Oriens több munkatársa is részt vett a programon. A díjat többek között Chikán Attila korábbi gazdasági miniszter és egyetemi rektor, a Rajk Szakkollégium alapító elnöke adta át.

Kell még az ember a gép mellé

A Grumpy Cat portréjával kezdődő előadás első felében a mesterséges intelligencia alkalmazási lehetőségeiről és az ahhoz kapcsolódó, határokat feszegető kutatási irányokról beszélt a stanfordi professzor. A macskás-kutyás képek szétválogatására például már meglehetősen jó algoritmusok léteznek szerinte. Ehhez egy sok képből álló mintára van szükség, amelyben feltüntetik, hogy kutya vagy macska szerepel-e az adott képen, és ezen az adathalmazon a gép fokozatosan megtanulja felismerni a macskákra, illetve kutyákra jellemző karakterjegyeket, testrészeket, íveket, pixeleket. Az adatalapon kialakult modell a későbbiekben olyan képek gépi bekategorizálására alkalmazható, amelyekhez nem társítottak előzetesen kutya- vagy macskacímkéket.

Ez azonban csak addig működik, amíg az utólag kategorizálandó képek halmazában nincs jelentős eltérés az eredeti képek jellemzőitől. Ha ugyanis a tréninghalmazban többnyire zongorázó macskák és nem zongorázó kutyák szerepeltek, míg az új képek között megugrott a zongorán játszó kutyák aránya, akkor a modell nem tudja majd olyan pontosan meghatározni, milyen állat is lehet a képen. A gépi tanulásos módszer előnye, hogy a tanulási adatokhoz rendkívül jól illeszkedő modellt is ki lehet vele nyerni, ami azonban nem illeszkedik majd más összetételű adathalmazra – vagyis nem igazán stabil az ilyen modell. Az efféle problémák lehetséges okainak azonosításához pedig már emberi elemzési készségre van szükség.

Az AI alkalmazásának további korlátja, hogy bár a gépi tanulással kialakított rugalmas modellek nagyon jó előrejelzők lehetnek, jelenleg még fekete dobozként működnek, azaz nem ismert, hogy mi a mögöttes összefüggés az előre jelzett eredmény és az alapjául szolgáló mutatók alakulása között. Athey példaként azt hozta fel, hogy egy gépi tanuláson alapuló algoritmus képes lehet jól előre jelezni, hogy egy adott ügyfél jó adósa lesz-e egy hitelszolgáltatónak, de azt már nem feltétlenül tudja megmagyarázni, hogy ez hogyan függ össze egy-egy magyarázó változóval. Előfordulhat például, hogy egy jobban eladósodott ügyfél hitel-visszafizetési mutatóját rosszabbnak ítéli egy kevésbé eladósodotténál, egy még jobban eladósodott ügyfélét viszont mindkettejükénél jobbnak jelzi előre. Márpedig például az Egyesült Államokban jogszabályi követelmény, hogy a banknak meg kell tudni indokolni az ügyfeleinek, hogy miért utasította el hitelkérelmüket, és milyen mutatókban kell javulást felmutatniuk egy pozitív hitelbírálat eléréséhez.

Athey szerint a harmadik tipikus kihívás a gépi tanulásos módszerek üzleti vagy társadalmi hasznosításában, hogy az elemzés alanyai által manipulálhatók. A közgazdász erre ismét egy banki kutatását hozta fel példaként, amelyben feltárta, hogy a gmailes ügyfelek megbízhatóbb adósnak bizonyultak, mint a hotmailesek. Ha a hitelintézet ezt elkezdi figyelembe venni a hitelkérelmek elbírálásánál, ez az információ előbb-utóbb elterjed az ügyfelek között, és a hotmailesek elkezdhetnek pusztán csak a jobb bírálati eredmény érdekében gmailes fiókra váltani anélkül, hogy ténylegesen jobb adóssá váltak volna.

Athey előadásának egyik fő üzenete az volt, hogy a gépi tanulás nagyon jól használható egyszerű problémák megoldására, de az összetett problémák megoldásához a tágabb kontextus – például a modellbe beépítendő korlátok – ismeretére van szükség. Ezáltal az egyes területek, így a pénzügyi szektor, a szociális munka vagy az ipari gyártás szakértőinek tudását nem felváltani, inkább csak kiegészíteni, kibővíteni tudja a mesterséges intelligencia. Ehhez azonban arra van szükség, hogy az egyes szakemberek is értsék ezeket a gépi tanulásos módszereket. Ugyanakkor technológiával foglalkozó professzorként Athey úgy látja, hogy könnyebb egy közgazdásznak megtanulnia a programozást és az adattudomány módszertanát, mint egy adattudósnak megtanulnia, hogyan működik az üzlet vagy a társadalom.

Uber, Airbnb: lehetőség a kisvállalkozóknak, verseny a nagyoknak

Az előadás második felében már inkább általánosságban volt szó a digitalizáció gazdaságra gyakorolt hatásáról és ennek Athey által vizsgált egyes aspektusairól. A kiberbiztonsági témák felemlegetésén túl az előadótól kiemelt figyelmet kaptak a platformok. A professzor kutatásai rámutattak, hogy a nagy digitális platformok, mint az Airbnb vagy az Uber, sok új egyéni, illetve kisvállalkozás működését segítik elő azáltal, hogy leviszik a piacra lépés korlátait, például a hirdetés, ügyfelekkel való kapcsolattartás költségeit.

Ezzel szemben a nagy hírszolgáltatók helyzetére – látogatottságukra és hirdetési bevételeikre – negatívan hatott a híraggregátorok elterjedése, amelyek empirikus eredmények szerint inkább helyettesítő, mint kiegészítő termékként jelentek meg a piacon a hagyományos hírszolgáltatókhoz képest. Az érem másik oldala viszont, hogy ugyanezen a piacon a szűk rétegeket kiszolgáló, kisebb hírszolgáltatóknak a híraggregátorok (mint a Google News) hatására megnőtt a látogatószámuk.

A platform alapú gazdaság a szolgáltatásminőség javulásának az irányába is hathat. Athey empirikus eredményei szerint a minőségre folyamatosan visszajelzést kapó Uber például színvonalasabb szolgáltatást nyújt a fogyasztóknak, mint az átlagos taxitársaságok. Egy randomizált kísérletben továbbá azt is megállapították, hogy amikor egyes sofőröknek hozzáférést adtak a munkájukra adott értékelésekhez, a korábban rossz minősítést kapó sofőrök szignifikánsan javítottak az általuk nyújtott szolgáltatás színvonalán – anélkül, hogy bármi egyéb közvetlen üzleti ösztönzőt állítottak volna eléjük. Athey hisz abban, hogy az emberek alapvetően jó minőségű munkát akarnak végezni, szerinte ezért lehet a visszajelzéseknek önmagukban is pozitív ösztönző hatása.

Mesterséges intelligencia a társadalmi szolgáltatások hatékonyságnöveléséért

A stanfordi professzor tudományos publikációiban és kötetlenebb interjúkban egyaránt gyakran hangoztatja, milyen fontos szerep juthat a mesterséges intelligenciának a társadalmi problémák megoldásában, a hatékonyabb kormányzati működésben és a jobb minőségű szociális szolgáltatások nyújtásában. Erre lehet jó példa az ellenőrzés és a felügyelet kérdése: a munkafolyamatok videós nyomon követésével például lehetőség nyílik a biztonsági előírások betartásának eddigieknél hatékonyabb felügyeletére. De a technológia segíthet előre jelezni azt is, hogy egy városban a tűzvédelemért vagy higiéniás követelmények betartásáért felelős hatóságok hol találhatnak nagyobb valószínűséggel szabálytalanságot, tehát hol érdemes személyes ellenőrzést is elrendelniük, vagy hogy a családsegítőnek mely ügyeket szükséges alaposabban is megvizsgálnia, mert azokban nagyobb a gyermekbántalmazás előfordulási valószínűsége.

Az előadásban elhangzott emellett, hogy a kormányok mint szabályozók jelentősen lemaradtak, miközben a társadalomban és a gazdaságban már dübörög a digitális forradalom. Athey szerint a techóriásoknál olyan tudás halmozódott fel a gépi tanulásról, amit a törvényhozók nem tudnak önerőből behozni, ehelyett a techcégeknél edződött szakembereket kellene alkalmazniuk a szabályozási környezet felzárkóztatásához. A kormányzati szférának Athey szerint kulcsszerepe lenne a fogyasztók tájékoztatásában, és a fogyasztókkal közösen abban is, hogy megfogalmazzák követeléseiket a techszolgáltatók és az adatokat kezelő vállalatok felé. Kizárólag ezekre a még fel nem tárt értékekre, illetve elvárásokra épülhetne egy igazán hatásos szabályozás a professzor elgondolásai szerint.

A szerző a Rajk Szakkollégium volt tagja.