Регулирование "новых технологий": нужно по секторам?

Аджемоглу не только выпустил полезную для обсуждения книгу "Power and Progress". Он также старается иллюстрировать отдельные кейсы моделями - это очень важно, чтобы понять "равновесные эффекты" и не останавливаться на отдельных рынках.

Статья (июль 2023) анализирует, как нужно регулировать новые технологии (искусственный интеллект), если не сразу проявляются и плюсы роста производительности, и минусы социальных последствий. Если ИИ меняет рынок труда и "увольняет" сотрудников компании, нужно придумать, как внедрять ИИ постепенно, подготовить людей и улучшить возможности работы в других направлениях. Роль регулятора может оказаться очень важной.

Результаты: социально оптимальное внедрение зависит от роста производительности при новых технологиях. Если производительность растёт примерно со скоростью увеличения социальных издержек, то внедрять надо постепенно - определяясь, как снижать эти издержки, и регулируя внедрение активнее. Если же производительность от технологии радикально выше социальных издержек, то внедрение нужно ускорять, и появляется вопрос налогообложения прибылей компаний.

Вывод: с ИИ может получиться интересно, потому что сейчас смахивает на большую производительность и одновременно потенциально высокие издержки - заменить хотят многих сотрудников, включая ИТ и аналитиков. Поэтому роль регулирования "по Аджемоглу" огромная.

#AI #Acemoglu #Regulation

Почему мы будем учить студентов пользоваться GigaChat или ChatGPT?

Потому что они помогают не только писать код (важно для курсов), но и в совсем простых задачах. Статья (июль 2023) демонстрирует, что алгоритмы улучшения текста исправляют качество резюме, а это приводит к более частым предложениям работы. Механизм - в "подтверждении способностей": если резюме написано грамотно, HR легче согласиться, что кандидат выглядит получше.

Коллеги, которые пока против использования, вынуждены будут признать большую пользу от этих помощников.

#AI #Labor

Нейронные сети и предсказания инфляции.

Жаль, что Ведомости не взяли комментарий у Константина Стырина или у меня как людей, которые помогают писать работы по нейронным сетям и инфляции. Тем не менее, это действительно тренд - пытаться вытащить хорошие прогнозы из "сложных моделей", и как Антон Ермак продемонстрировал в магистерской работе этого года, они помогают даже на высоком уровне агрегации (проды, непроды, услуги).

Что показывает статья коллег из ФРС? Если использовать даже не ChatGPT, а языковую модель Гугла, всё равно предсказания по инфляции на будущие горизонты, особенно на год и больше, получаются лучше, чем у аналитиков.

Большой или огромный вопрос к этому - насколько модель "почувствовала инфляционный период". Всё-таки 2019-2023 сильно нестандартный период времени, и я был бы осторожен в интерпретации. Но в целом интересная работа, будем разбираться.

#AI #Inflation

Всегда ли ИИ помогает?

У многих (включая меня) теплится надежда на то, что искусственный интеллект (ИИ) сможет улучшить почти любые решения людей. Авторы статьи (июль 2023) показывают, что пока это убеждение слишком смелое. Они исследуют, что происходит в радиологии при добавлении хорошего ИИ к решениям людей. Эксперимент давал доступ 180 радиологам к ИИ случайным образом и распределял кейсы рентгенов пациентов.

Результаты: отдельно ИИ и отдельно профессионалы делают работу лучше, чем совместно ИИ и профессионалы. Как ни удивительно, улучшение предсказаний происходит только в случае "понятных кейсов", когда и сами радиологи бы справились; а в случае менее понятных - ИИ только добавляет неопределённости решениям.

Авторы показали, как улучшить результаты - нужна дополнительная инструкция использования ИИ, чтобы люди могли учесть свои "сдвиги восприятия". То есть приходится обучать применению, а "просто так" может не сработать.

#AI #Radiology

Про производительность и цифровую революцию.

Если смотреть на данные 21 века, мы не увидим большого влияния "цифровой революции" от айфонов или облачных вычислений на рост производительности. Статья (август 2023) напоминает, почему так произошло. Два больших аргумента - это

1) концентрация выгод. Не все компании успешно используют новые технологии, только самый топ получает преимущество. Это видно в стоимости MAFANG (Microsoft, Apple, Face, Amazon, Netflix, Google) в последние годы - они заняли около 20% по капитализации в S&P 500. Ещё в 2013 году они занимали порядка 7% - то есть десять лет росли быстрее общего индекса. И это сигнал про то, что мы в эпохе "монополистической конкуренции", крупные компании концентрируют выгоды от новых идей;

2) технологии ещё не дошли до зрелости. В предыдущие три "промышленных революции" (паровой двигатель; электричество; ИТ) от момента изобретения до воплощения в продукты прошло по 40-50 лет. Несмотря на уже пришедшие к нам продукты "четвёртой", мы можем увидеть полноценное использование позже. Более того, движение в сторону "искусственного интеллекта" будет относительно медленным, даже при уже видимых успехах применения.

Мне кажется важным, что "общая производительность" много лет растёт не так, как хочется ожидать с учётом нашего ежедневного опыта. Это довольно не интуитивное утверждение - макроуровень учитывает, например, что автоматизация приводит к переходу сотрудников в менее производительные отрасли, в том числе услуги, или даже уходу с рынка труда (в "экономически не активные"). Поэтому во всей экономике требуется "широкое применение нового", чтобы получить существенные выгоды от технологий.

Производительность: https://yangx.top/olegshibanov/1196

MAFANG: https://yangx.top/olegshibanov/1197

#AI #Macro #Digital #Productivity #Solow

Почему стоит использовать ChatGPT, Bard и т.п. не только в учёбе?

Потому что GPT помогают!
Статья (июль 2023) проверила, насколько улучшаются скорость написания и качество текстов при вовлечении ChatGPT-3.5. Результаты прекрасны: время работы снижается на 40%, качество растёт на 18%. Кажется, многие журналисты были бы рады такой помощи.

Я только что попробовал сгенерить код к одной задаче из своих домашних заданий в Bard Google. За 10 секунд почти готовый результат на Python, надо только данные подкрутить и дать доступ к ним.

Поэтому очень хочется, чтобы мы пользовались всеми возможностями современных технологий. Если кто-то пишет код с нуля и через чтение документации - честь ему и хвала, это будущий великий программист. Но если вы используете код как вспомогательную часть процесса (а главное - что-то иное, например, регрессии), то обидно было бы игнорировать удобный инструмент. На StackOverflow мы все ходили, теперь ситуация стала даже проще.

#AI #GPT #Teaching

Прекрасное открытие в скоринговых моделях 😂 (статья август 2023 по данным бразильских фирм):

"Because the population of loans is not homogeneous across banks, segmented models may provide estimates that are more suited to different segments of the population. The insights of our model risk measure allow us to challenge the generally accepted assumption that more data (i.e., a larger number of observations) will lead to better quality inferences."

То есть: оценки, которые можно сделать на выборках в индивидуальных банках, могут оказаться лучше, чем модели на объединённой выборке всех банков. Это свойство "не-гомогенности", то есть существенной разницы характеристик компаний в разных банках, мешает сработать лучше с более широким набором данных.

И в целом интересная статья про "модельный риск". Вероятность того, что удалось сделать "идеальный набор переменных с идеальной оценкой связей", всегда нулевая. Надо как-то ловить проблемы, связанные с неточностями моделей, и авторы показывают, как это можно сделать через скалярную метрику.

(А читать эти статьи можно тут: https://yangx.top/workingpaper)

#Scoring #AI #Banks #Firms

Рынок труда: теперь Писсаридес.

Дискуссия про навыки в мире искусственного интеллекта (ИИ) продолжается. Теперь высказался нобелевский лауреат Писсаридес. Кратко: изучать математику бесполезно, потому что в будущем останутся в основном профессии с эмоциональным интеллектом, человеческим общением и заботой друг о друге.

Звучит интересно. Но в чём проблема с этими предсказаниями: оценка влияния сейчас весьма предварительная. Если вы помните, ИТ-сектор также должен был значительно изменить профессии. Но как показал дальнейший опыт, эти изобретения стали дополняющими, а не заменяющими (см. статью Аджемоглу 2000). И поэтому рынок труда почти не изменился, просто дополнился компьютерными навыками.

Вывод: если студент склонен к математике, надо ей и заниматься. Если когда-то ИИ станут достаточно сильными для замены офисных сотрудников, мир станет настолько другим, что первое образование окажется неважным.

#Labor #AI

Инвестиции в ИИ: на уровне страны увеличивают неравенство?

Любопытная статья (октябрь 2023) проверяет влияние инвестиций в "искусственный интеллект" (ИИ) на экономические переменные. Авторы берут 86 стран и горизонт 2010-2019, и связывают инвестиции в ИИ с доходами граждан, производительностью экономики и т.п. Основные результаты такие: более высокие инвестиции в ИИ

1) связаны с ростом доли дохода людей из верхних 10% доходов и снижением доли дохода людей из нижних 10% дохода = "рост неравенства";
2) приводят к снижению общей занятости в экономике;
3) дают переток из "среднего уровня навыков" в "высокий уровень навыков" и менеджерские позиции;
4) увеличивают производительность (total factor productivity);
5) а наиболее сильное увеличение неравенства давали инвестиции в роботизацию, ИИ в стройке и связанные с интернетом сервисы.

Звучит как минимум любопытно. При этом авторы говорят, что их выводы едва ли применимы к моделям, которые захватывают рынок после 2022 и ChatGPT - вероятно, их влияние может быть ещё более существенным.

Но. Меня смущают подобные выводы на макроуровне. Дело в том, что 2010-е были временем большого эксперимента в экономиках мира, и надо контролировать на десятки переменных - ставки (низкие могут увеличивать неравенство), старение населения (может снижать занятость), образование (кажется, был рост зарплатной премии за университет по миру), и т.п. Более богатые страны могли позволить себе высокие инвестиции в ИИ - и при этом неравенство в них росло по множеству причин, включая огромную отдачу на идеи через венчурный капитал. Поэтому надо крепко думать про госполитику в отношении последствий ИИ, но не забывать, что главными источниками могут быть совсем не инвестиции в ИИ.

Вывод: интересно, но из макроданных сложно сделать выводы о причинно-следственных связях. Нужно заранее обдумывать, как реагировать на вытеснение людей из рынка труда с ростом использования ИИ.

(А находить эти статьи можно тут: https://yangx.top/workingpaper)

#AI #Inequality #Labor

ИИ и инфляция: что сильнее, спрос или предложение?

Статья (апрель 2024) исследует влияние развития искусственного интеллекта на инфляцию в теоретической модели. Основная идея довольно простая - если ИИ увеличит предложение сильнее, чем спрос, то инфляция замедлится; в противном случае она вырастет из-за повышения инвестиций и покупок граждан. Авторы стараются связать ИИ с повышением производительности в отраслях за счёт аккуратного подсчёта потенциального замещения человеческого труда.

Мне не нравятся две вещи:

1) Оценка роста производительности от внедрения ИИ крайне произвольная. Если ещё точнее - авторы калибруют модель так, чтобы средний рост "полной факторной производительности" (TFP "по Солоу") был бы равен 1,5% годовых за 10 лет. Но почему такое число? Например, в США за 2010-2019 вкл. рост составил всего 5,76% - менее 1% в год. За 2000-2019 рост также невелик, около 13% и снова менее 1% в год.

2) Вообще не учитывается возникновение "новых отраслей". Дело в том, что замена людей (например, в журналистике или сценариях) заставляет всех нас искать другую работу - и вероятно, что в менее производительной области, например, уход за пожилыми или доставка. В результате общие эффекты для экономики могут оказаться менее значительными, чем подразумевает привлекательность использования ИИ.

Вывод: ещё один интересный кирпичик, но пока ограниченные по содержанию результаты.

(А находить эти статьи можно тут: https://yangx.top/workingpaper)

#AI #Inflation #Productivity

Языковые модели (ChatGPT+) и финансовые переменные.

Коллеги показали статью (май 2024), которая применяет ChatGTP4 Turbo к прогнозированию прибылей компаний США, а также доходностей акций. Что авторы сделали:

1) Аккуратно скрыли от модели информацию о компании и даже годе, стандартизировав отчётность;
2) Постарались понять, как именно рассуждает модель, и что является главными частями её прогнозов.

Результаты:

1) Направление изменения прибылей в следующем году ChatGPT4 делает лучше консенсуса аналитиков (ChatGPT3.5 заметно хуже) - условно 60% правильно против 53%. Более того, обыграны и ML-модели, и даже нейронная сеть;
2) Портфель акций, построенных на этих предсказаниях, имеет огромную альфу к трёхфакторной модели Фамы-Френча (12% в год!).

Мои вопросы:

1) Точно-точно нет "подглядывания в будущие данные"? Авторы стараются показать, что нет, но это неубедительно - неумение "предсказать" год или компанию не означают, что модель не "запомнила" финансовые связи из обучающих данных. Более того, качество прогнозов ухудшается с годами - это подозрительно;

2) Построение портфеля ну очень коварное (если вы посмотрите текст). Там столько ручных допиливаний, что непонятно, с чем сравнивать - объективно это не простой "пассивный портфель", который по сути получается в рамках модели Фамы-Френча. Поэтому я был бы осторожен в интерпретации.

Но в любом случае - новые интересные идеи, будем со студентами разбираться!

#AI #Portfolio #Earnings #MAFNES

Снова про производительность и труд.

Аджемоглу продолжает исследовать историю. Статья (май 2024) показывает, как в первую индустриальную революцию развивалась производительность и зарплаты. Выводы говорят сами за себя:

1) Производство хлопка стало одним из крупнейших секторов экономики Великобритании, но реальные зарплаты в нём не росли десятилетиями;

2) Автоматизация производства привела к постоянному надзору за сотрудниками, низкой автономности работы и ухудшению их здоровья;

3) Сотрудники не могли выбивать рост зарплат, так как не было расширения рынка труда около автоматизирующихся отраслей (и некуда было идти);

4) Искусственный интеллект сегодня может также повысить среднюю производительность, но не увеличить доходы или занятость людей - будет "замена", а не "сотрудничество".

Это выводы как в книге. Но важно помнить об этом - рынок труда сложный, и от внедрения новых технологий можно получить рост неравенства, что пользы особо не принесёт.

#AI #Acemoglu #Labor

Зарисовки про ИИ.

Как вы видели из квартальных отчётов бигтехов США, компании готовятся инвестировать много миллиардов в физическую инфраструктуру для ИИ. А инвесторы задумываются, оправданы ли эти инвестиции - видимо, есть неверующие в "почти сильный ИИ (AGI)". Микрософт прямо заявил, что лучше понимает будущую пользу от инвестиций, и продолжит их, несмотря на скепсис акционеров.

Кажется, что несколько вопросов, связанных с ИИ, показывают противоречивое влияние его на жизнь людей:

1) по "простым тестам" ("когда родился Александр Сергеевич Пушкин, поэт и писатель из России") даже лучшие LLM-модели продолжают давать плохие ответы. Видимо, у ChatGPT-o1 всего 42.5% точных ответов из более чем 4000 - то есть пока полагаться на качество информации не стоит;

2) очень интересное упражнение (октябрь 2024) по уточнению теории взаимодействия внутри организации - что остаётся сложной задачей даже в экспериментах с людьми, а здесь авторы смогли заметно упростить и удешевить проверку. Более того (октябрь 2024), в экспериментах ChatGPT уже активно используется;

3) а насколько на макро уровне полезны огромные инвестиции компаний - пока вообще неясно. Как с "интернетом" получилось не впечатляюще, так и текущие оценки Банка Канады (май 2024) показывают небольшое влияние цифровизации на рост (порядка +0,15 пп). А исследование (октябрь 2024) показывает, что нужен рост производительности и роста ВВП на 3 пп в год к 2030, чтобы покрывать издержки на дата центры и обучение моделей.

Так что скепсис инвесторов понятен. Сможет ли отдельная компания оправдать инвестиции - наверное, да, потому что околомонопольная позиция поможет. А будут ли на уровне всей экономики большие выгоды - зависит от широты использования ИИ в экономике.

(Вот общий тред: https://emcr.io/news/threads/6586833f0fec2)

#AI #Firms #Growth #Productivity

Языковые модели и прогнозы инфляции: почему я скептичен?

Эконс напоминает про исследование (октябрь 2024) прогнозов "большой языковой модели" (LLM) от Гугла. Авторы задают LLM условные вопросы "какой прогноз на ближайшие 1-4 квартала, если ты находишься в точке t", и затем сравнивают результаты с опросами аналитиков (Survey of professional forecasters). Горизонт времени 2019-2023.

Основной результат - что точность LLM выше, ошибка в среднем ниже. Но есть небольшая деталь: результат целиком зависит от 2021 года, а в остальном прогнозы как попало сравниваются. Посмотрите таблицу ниже - очень показательно. Не говоря о том, что LLM может видеть информацию о будущих годах, когда делает прогноз, и авторы это не могут проконтролировать.

Вывод: неубедительно. Нужны более аккуратные исследования.

#Inflation #US #AI

Машинное обучение и рецессии: сразу по 20 странам.

Очередное применение машинного обучения (МО, ноябрь 2024). Авторы показывают, что наиболее успешным алгоритмом для прогнозов рецессий в 20 странах ОЭСР является "жесткий алгоритм" МО. Он сначала по историческим данным выбирает лучшие наборы переменных, а затем по ним строит предсказания. Такой алгоритм превосходит всё остальное, что они попробовали, в том числе индивидуальные модели для отдельных стран.

Вывод: опять МО значительно улучшают прогнозы. "Ансамбли моделей" обязаны включать МО как один из инструментов.

#ML #Recessions #AI

ML в применении к текстам: готовые пакеты.

Авторы статьи (ноябрь 2024) попробовали помочь нам с анализом текстов. Основная идея - сделать пакет в Питоне, который позволяет быстро собрать из текстов что-то "факторное", в том числе для макрофинансовых моделей прогнозов и объяснения доходностей. Они выложили пакеты - будем разбираться, как это работает. Особенно интересно было бы применять для российских новостей, и отдельно для ТГ.

Моя цель - применять такое для прогнозов макро, но наверняка постепенно это выстроится в более широкую линейку анализа текстов и выводов из них. Другой пример про новости также демонстрирует пользу от подобной информации.

#Forecasts #Python #News #Texts #AI

Как написать статью по финансам? Через GigaChat!

Статья (январь 2025) предлагает отличный способ придумывать научные статьи по финансам, в данном случае по факторным моделям (объяснение доходностей портфелей в кросс-секции). Задаешь правильные промпты - ChatGPT 3.5 сам тестирует данные, пишет текст с таблицами, осталось научить в журналы подавать и успех! У авторов получилось 96 новых факторов со значимым эффектом (из потенциальных 30000).

Вывод: генерировать статьи стало проще. Смысла становится ещё меньше (авторы жестко называют это HARKing, hypothesizing after results are known - «формулировать гипотезы после того, как результаты получены»). Как метод работы с данными это интересно - мы как раз со студентами в субботу будем разбирать факторные модели, но как осмысленная деятельность не очень.

#Factors #AI #Teaching #MAFNES

Факторные модели с использованием ML и аналога ChatGPT.

Статья (январь 2025) показывает, как можно использовать модели-трансформеры в объяснении рисков финансовых активов. Основная идея - что факторы строятся динамически, их веса меняются во времени, а сама модель нелинейна (хотя даже простой случай с линейностью уже улучшает объяснение рисков). Вывод из модели - что рост числа параметров модели позволяет улучшать Sharpe ratio для так называемого "рыночного портфеля", и что ошибки объяснения доходностей индивидуальных акций снижаются.

Это довольно обычная ситуация в большинстве применений трансформеров, в том числе в ChatGPT и GigaChat. Исторически больше параметров давали более удачные модели, и видимо, это верно для последних версий ChatGPT "с рассуждением". Правда, у авторов небольшие наборы - от 100 тыс. до 1 млн параметров, но даже это даёт сильное улучшение.

Вывод: минимум две темы для студентов в следующем году будут про это.

#AI #Factors #Teaching

Производство чипов в Китае: успех?

Которая записка ФРС (январь 2025) напоминает, что

1) ограничения 2023 года со стороны США, Японии и Нидерландов позволили замедлить развитие производства чипов в Китае,

2) но не остановили работу и позволили перейти к 5нм чипам,

3) а вне самых передовых чипов результаты впечатляющие - Китай самодостаточен для любых нужд промышленности.

Поэтому DeepSeek, хотя (видимо) построил сети на чипах NVIDIA, в какой-то момент может оказаться полностью на китайских чипах. Qwen2.5-Max также пока не на китайских - но инвестиции Китай делает, и должен добиться результата.

#AI #China #Chips

Меняющийся рынок труда в США: очередные прогнозы про ИИ.

Статья (январь 2025) проверяет, насколько быстро менялся рынок труда в США с 1880 года. Авторы обнаруживают, что стабильность была гораздо выше в последние 30 лет, чем до этого. Два очевидных примера:

1) в начале 20 века около 40% людей в США работали в с/х, а сейчас 2%;

2) в 1960 около половины сотрудников занимались производством и ручным трудом, а сейчас 20%.

Поэтому, по их мнению, время с 1990 по 2017 было одним из самых стабильных для работников. Пандемия внесла изменения, и они подчеркнули целых четыре сигнала про влияние ИИ на труд:

1) снижение "поляризации" рынка. Последние годы стало меньше "дешевых" рабочих мест и больше высокооплачиваемых сотрудников, до этого шло "удешевление";

2) рост в низкооплачиваемых местах в секторе услуг остановился (была мантра "нас заменят роботы, а мы будем задешево мыть посуду");

3) занятость в STEM (связанные с наукой, технологиями, инженерные или математические вещи) выросла более чем на 50% с 2010 года;

4) занятость в ритейле упала на 25% за 2013-2023. Видимо, тут онлайн помог.

Поэтому авторы надеются, что ИИ окажется новой "технологией общего назначения", но подозревают очень постепенное (за десятилетия) её внедрение. Первые знаки быстрых изменений видны - но пока неясно, относить их к перестройке рынка труда после пандемии, или влиянию ИИ.

#AI #Labor #US