KI simuliert Volkswirtschaften und prognostiziert, welche Startups finanziert werden – TechCrunch

Startseite » KI simuliert Volkswirtschaften und prognostiziert, welche Startups finanziert werden – TechCrunch
KI simuliert Volkswirtschaften und prognostiziert, welche Startups finanziert werden – TechCrunch

Die Forschung im Bereich maschinelles Lernen und KI, mittlerweile eine Schlüsseltechnologie in praktisch jeder Branche und jedem Unternehmen, ist viel zu umfangreich, als dass man sie vollständig lesen könnte. Diese Kolumne zielt darauf ab, einige der relevantesten jüngsten Entdeckungen und Artikel zu sammeln – insbesondere in, aber nicht beschränkt auf, künstliche Intelligenz – und zu erklären, warum sie wichtig sind.

Diese Woche führten Wissenschaftler in der KI ein faszinierendes Experiment durch vorhersagen wie „marktgesteuerte“ Plattformen wie Lebensmittelliefer- und Fahrdienstunternehmen die Gesamtwirtschaft beeinflussen, wenn sie für verschiedene Ziele optimiert werden, wie z. B. die Maximierung des Umsatzes. An anderer Stelle, um die Vielseitigkeit der KI zu demonstrieren, entwickelte ein Team der ETH Zürich ein System, das Baumhöhen aus Satellitenbildern lesen kann, während eine separate Forschergruppe ein System testete, um den Erfolg eines Startups anhand öffentlicher Webdaten vorherzusagen.

Die marktorientierte Plattformarbeit baut auf Salesforces AI Economist auf, einer Open-Source-Forschungsumgebung zum Verständnis, wie KI die Wirtschaftspolitik verbessern könnte. Tatsächlich waren einige der Forscher hinter dem AI Economist an der neuen Arbeit beteiligt, die in einer ursprünglich im März veröffentlichten Studie detailliert beschrieben wurde.

Wie die Co-Autoren TechCrunch per E-Mail erklärten, war das Ziel, zweiseitige Marktplätze wie Amazon, DoorDash, Uber und TaskRabbit zu untersuchen, die aufgrund steigender Nachfrage und Angebot eine größere Marktmacht genießen. Mithilfe von Reinforcement Learning – einer Art KI-System, das lernt, ein mehrstufiges Problem durch Versuch und Irrtum zu lösen – trainierten die Forscher ein System, um die Auswirkungen von Interaktionen zwischen Plattformen (z. B. Lyft) und Verbrauchern (z. B. Fahrern) zu verstehen.

„Wir verwenden Reinforcement Learning, um zu überlegen, wie eine Plattform unter verschiedenen Designzielen funktionieren würde … [Our] Der Simulator ermöglicht die Bewertung von Richtlinien für bestärkendes Lernen in verschiedenen Umgebungen unter verschiedenen Zielen und Modellannahmen“, sagten die Koautoren per E-Mail zu TechCrunch. „Wir haben insgesamt 15 verschiedene Markteinstellungen untersucht – d. h. eine Kombination aus Marktstruktur, Käuferwissen über Verkäufer, [economic] Stoßintensität und Konstruktionsziel.“

Unter Verwendung ihres KI-Systems kamen die Forscher zu dem Schluss, dass eine Plattform, die darauf ausgelegt ist, den Umsatz zu maximieren, dazu neigt, Gebühren zu erheben und Käufern und Verkäufern während wirtschaftlicher Schocks auf Kosten der Sozialfürsorge mehr Gewinne zu entlocken. Wenn Plattformgebühren festgelegt sind (z. B. aufgrund von Vorschriften), stellten sie fest, dass der umsatzmaximierende Anreiz einer Plattform im Allgemeinen mit den Wohlfahrtserwägungen der Gesamtwirtschaft übereinstimmt.

Die Ergebnisse mögen nicht weltbewegend sein, aber die Co-Autoren glauben, dass das System – das sie als Open Source planen – eine Grundlage für Unternehmen oder politische Entscheidungsträger bieten könnte, um eine Plattformökonomie unter verschiedenen Bedingungen, Designs und regulatorischen Überlegungen zu analysieren. „Wir verwenden Reinforcement Learning als Methode, um strategische Operationen von Plattformunternehmen zu beschreiben, die ihre Preisgestaltung und Anpassung als Reaktion auf Veränderungen im Umfeld optimieren, entweder den wirtschaftlichen Schock oder eine Regulierung“, fügten sie hinzu. „Dies kann neue Erkenntnisse über Plattformökonomien liefern, die über diese Arbeit hinausgehen oder solche, die analytisch generiert werden können.“

Forscher von Skopai, einem Startup, das Unternehmen mithilfe von KI anhand von Kriterien wie Technologie, Markt und Finanzen charakterisiert, lenken unsere Aufmerksamkeit von Plattformunternehmen auf das Risikokapital, das sie antreibt, und behaupten, in der Lage zu sein, die Anziehungskraft eines Startups vorherzusagen Investitionen unter Verwendung öffentlich verfügbarer Daten. Die Koautoren stützen sich auf Daten von Startup-Websites, sozialen Medien und Unternehmensregistern sagen dass sie Vorhersageergebnisse erhalten können, „vergleichbar mit denen, die auch strukturierte Daten verwenden, die in privaten Datenbanken verfügbar sind“.

Die Anwendung von KI auf Due Diligence ist nichts Neues. Correlation Ventures, EQT Ventures und Signalfire gehören zu den Unternehmen, die derzeit Algorithmen verwenden, um ihre Investitionen zu informieren. Gärtner prognostiziert dass 75 % der VCs bis 2025 KI verwenden werden, um Investitionsentscheidungen zu treffen, gegenüber weniger als 5 % heute. Aber während einige den Wert in der Technologie sehen, lauern Gefahren unter der Oberfläche. Im Jahr 2020 stellte Harvard Business Review (HBR) fest, dass ein Anlagealgorithmus Neulinge übertraf, aber Vorurteile aufwies, indem er beispielsweise häufig weiße und männliche Unternehmer auswählte. HBR stellte fest, dass dies spiegelt die reale Welt widerHervorhebung der Tendenz von KI, bestehende Vorurteile zu verstärken.

In ermutigenderen Nachrichten behaupten Wissenschaftler des MIT zusammen mit Forschern von Cornell und Microsoft, einen Computer-Vision-Algorithmus entwickelt zu haben – STEG — die Bilder bis auf den einzelnen Pixel identifizieren kann. Auch wenn dies nicht bedeutend klingt, ist es eine enorme Verbesserung gegenüber der herkömmlichen Methode, einem Algorithmus beizubringen, Objekte in Bildern und Videos zu erkennen und zu klassifizieren.

Herkömmlicherweise lernen Computervisionsalgorithmen, Objekte (z. B. Bäume, Autos, Tumore usw.) zu erkennen, indem ihnen viele Beispiele der Objekte gezeigt werden, die von Menschen markiert wurden. STEGO macht diesen zeit- und arbeitsintensiven Arbeitsablauf überflüssig, indem es stattdessen jedem Pixel im Bild ein Klassenlabel zuordnet. Das System ist nicht perfekt – es verwechselt zum Beispiel manchmal Grütze mit Nudeln – aber STEGO kann Dinge wie Straßen, Menschen und Straßenschilder erfolgreich segmentieren, sagen die Forscher.

Beim Thema Objekterkennung scheinen wir uns dem Tag zu nähern, an dem akademische Arbeiten wie DALL-E 2, das Bilderzeugungssystem von OpenAI, produktiv werden. Neue Forschungen der Columbia University zeigen ein System namens Opal Das wurde entwickelt, um vorgestellte Bilder für Nachrichtenartikel aus Textbeschreibungen zu erstellen und Benutzer mit visuellen Aufforderungen durch den Prozess zu führen.

Opal

Als sie es mit einer Gruppe von Benutzern testeten, sagten die Forscher, dass diejenigen, die Opal ausprobierten, „effizienter“ beim Erstellen von vorgestellten Bildern für Artikel waren und mehr als doppelt so „brauchbare“ Ergebnisse erzielten als Benutzer ohne. Es ist nicht schwer vorstellbar, dass ein Tool wie Opal irgendwann seinen Weg in Content-Management-Systeme wie WordPress findet, vielleicht als Plugin oder Erweiterung.

„Anhand eines Artikeltextes führt Opal Benutzer durch eine strukturierte Suche nach visuellen Konzepten und stellt Pipelines bereit, die es Benutzern ermöglichen, auf der Grundlage des Tons, der Themen und des beabsichtigten Illustrationsstils eines Artikels zu illustrieren“, schrieben die Co-Autoren. „[Opal] generiert verschiedene Sätze von redaktionellen Illustrationen, grafischen Assets und Konzeptideen.“