Открытый доступ
Только для подписчиков
Искусственный интеллект в общественном секторе
https://doi.org/10.32609/0042-8736-2022-6-91-109
Аннотация
Рассматриваются возможности применения развивающихся систем искусственного интеллекта в общественном секторе России и других стран. Отмечается, что несмотря на перспективы получения значительных выигрышей, существует ряд технических, экономических и социально-этических ограничений, связанных с внедрением искусственного интеллекта, учитывая его особенности как технологии широкого применения. Подчеркивается возрастающая ценность профессионального суждения, позволяющего использовать результаты работы искусственного интеллекта. На основе наработанных в мировой практике принципов работы с искусственным интеллектом, а также особенностей отечественного институционального устройства и доверия к нему со стороны граждан сделан вывод о необходимости осторожного подхода к использованию технологий искусственного интеллекта в приложениях российского общественного сектора. Такие практики могут не только нанести немалый вред конкретным лицам в процессе текущего функционирования отечественных институтов, но и препятствовать их преобразованиям.
Ключевые слова
искусственный интеллект,
машинное обучение,
технология широкого применения,
общественный сектор,
экономическая политика
JEL: C60, D81, H83, K24, O33, O38
Об авторе
О. В. Буклемишев
МГУ имени М. В. Ломоносова
Россия
Россия
Буклемишев Олег Витальевич, к. э. н., доцент экономического факультета
Москва
Список литературы
1. Волошинская А., Комаров В. (2015). Доказательная государственная политика: проблемы и перспективы // Вестник Института экономики Российской академии наук. № 4. С. 90—102.
2. Курдин А. А. (2021). Обзор перспектив внедрения искусственного интеллекта в практику управления предприятиями (по материалам научного семинара об исследованиях цифровой экономики экономического факультета МГУ) // Научные исследования экономического факультета. Электронный журнал. Т. 13, № 3. С. 57—66. https://doi.org/10.38050/2078-3809-2021-13-3-57-66
3. РАНХиГС (2019a). Государство как платформа: люди и технологии. М.: Российская академия народного хозяйства и государственной службы при Президенте РФ. [RANEPA (2019a). The state as a platform: People and technology. Moscow: Russian Presidential Academy of National Economy and Public Administration. (In Russian).]
4. РАНХиГС (2019b). Искусственный интеллект: К выбору стратегии. М.: Российская академия народного хозяйства и государственной службы при Президенте РФ.
5. РАНХиГС (2020). Этика и цифра: Этические проблемы цифровых технологий. М.: Российская академия народного хозяйства и государственной службы при Президенте РФ.
6. Тамбовцев В. Л. (2019). Управление без измерений // Terra Economicus. Т. 17, № 3. С. 6—29. https://doi.org/10.23683/2073-6606-2019-17-3-6-29
7. Acemoglu D. (2021). Harms of AI. NBER Working Paper, No. 29247. https://doi.org/10.3386/w29247
8. Acemoglu D., Restrepo P. (2017). The race between machine and man: Implications of technology for growth, factor shares, and employment. MIT Department of Economics Working Paper, No. 16-05. https://doi.org/10.2139/ssrn.2781320
9. Acemoglu D., Autor D., Hazell J., Restrepo P. (2020). AI and jobs: Evidence from online vacancies. NBER Working Paper, No. 28257. https://doi.org/10.3386/w28257
10. Agrawal A., Gans J., Goldfarb A. (2019). Prediction, judgment, and complexity: A theory of decision-making and artificial intelligence. In: A. Agrawal, J. Gans, A. Goldfarb (eds.). The economics of artificial intelligence: An agenda. University of Chicago Press and NBER, pp. 89—114. https://doi.org/10.7208/chicago/9780226613475.003.0003
11. Agrawal A., Gans J., Goldfarb A. (2021). AI adoption and system-wide change. NBER Working Paper, No. 28811. https://doi.org/10.3386/w28811
12. Barredo Arrieta A., Díaz-Rodríguez N., Del Ser J., Bennetot A., Tabik S., Barbado A., Garcia S., Gil-Lopez S., Molina D., Benjamins R., Chatila R., Herrera F. (2020). Explainable artificial intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI. Information Fusion, Vol. 58, pp. 82—115, https://doi.org/10.1016/j.inffus.2019.12.0
13. Athey S. (2019). The impact of machine learning on economics. In: A. Agrawal, J. Gans, A. Goldfarb (eds.). The economics of artificial intelligence: An agenda. University of Chicago Press and NBER, pp. 507—552. https://doi.org/10.7208/chicago/9780226613475.003.0021
14. Benabou R., Tirole J. (2011). Identity, morals, and taboos: Beliefs as assets. Quarterly Journal of Economics, Vol. 126, No. 2, pp. 805—855. https://doi.org/10.1093/qje/qjr002
15. Benaich N., Hogarth I. (2021). State of AI report, October 12. https://www.stateof.ai/2021-report-launch.html
16. Bolton P., Faure-Grimaud A. (2009). Thinking ahead: The decision problem. Review of Economic Studies, Vol. 76, pp. 1205—1238. https://doi.org/10.1111/j.1467-937X.2009.00554.x
17. Bresnahan T. (2010). General purpose technologies. In: B. H. Hall, N. Rosenberg (eds.). Handbook of the economics of innovation, Vol. 2. Elsevier, pp. 761—791. https://doi.org/10.1016/S0169-7218(10)02002-2
18. Brynjolfsson E., Rock D., Syverson C. (2019). Artificial intelligence and the modern productivity paradox: A clash of expectations and statistics. In: A. Agrawal, J. Gans, A. Goldfarb (eds.). The economics of artificial intelligence: An agenda. University of Chicago Press and NBER, pp. 23—60. https://doi.org/10.7208/chicago/9780226613475.003.0001
19. Chakraborty C., Joseph A. (2017). Machine learning at central banks. Bank of England Staff Working Paper, No. 674. https://doi.org/10.2139/ssrn.3031796
20. Chui M., Manyika J., Miremadi M., Henke N., Chung R., Nel P., Malhotra S. (2018). Notes from the AI frontier: Insights from hundreds of use cases. McKinsey Global Institute Discussion Paper, April.
21. Cross T. (2020). An understanding of AI’s limitations is starting to sink in. The Economist, June 11. https://www.economist.com/technology-quarterly/2020/06/11/an-understanding-of-ais-limitations-is-starting-to-sink-in
22. Daníelsson J., Macrae R., Uthemann A. (2021). Artificial intelligence and systemic risk. Journal of Banking & Finance, Vol. 140, article 106290. https://doi.org/10.1016/j.jbankfin.2021.106290
23. di Castri S., Hohl S., Kulenkampff A., Prenio J. (2019). The suptech generations. FSI Insights on Policy Implementation, No. 19. Financial Stability Institute, Bank for International Settlements.
24. EU (2016). Regulation (EU) 2016/679 of the European Parliament and of the Council of 27 April 2016 on the protection of natural persons with regard to the processing of personal data and on the free movement of such data, and repealing Directive 95/46/EC (General Data Protection Regulation). Official Journal of the European Union, Vol. 59, pp. 1—88.
25. European Commission (2021). Study to support an impact assessment of regulatory requirements for Artificial Intelligence in Europe. Final report (D5). Brussels: EU Publications. https:/doi.org/10.2759/523404
26. Goodhart C.A.E. (1984). Problems of monetary management: The UK experience. In: Monetary theory and practice. London: Palgrave, pp. 91—121. https://doi.org/10.1007/978-1-349-17295-5_4
27. Head B. (2010). Evidence-based policy: Principles and requirements. In: Strengthening evidence-based policy in the Australian Federation. Roundtable Proceedings, Vol. 1. Canberra: Productivity Commission, pp. 13—26.
28. Holmstrom B., Milgrom P. (1991). Multitask principal-agent analyses: Incentive contracts, asset ownership, and job design. Journal of Law, Economics, and Organization, Vol. 7, pp. 24—52. https://doi.org/10.1093/jleo/7.special_issue.24
29. IEEE Spectrum (2021). The great AI reckoning: Deep learning has built a brave new world—but now the cracks are showing. September. https://spectrum.ieee.org/special-reports/the-great-ai-reckoning/
30. Kahnemann D. (2011). Thinking fast and slow. London: Macmillan.
31. Kinywamaghana A., Steffen S. (2021). A note on the use of machine learning in central banking. FIRE Research Paper, July 13. Frankfurt School of Finance and Management
32. Kissinger H. A. (2018). How the enlightment ends. The Atlantic, June. https://www.theatlantic.com/magazine/archive/2018/06/henry-kissinger-ai-could-mean-theend-of-human-history/559124/
33. Kissinger H. A., Schmidt E., Huttenlocher D. (2021). The age of AI: And our human future. New York: Little, Brown and Company.
34. Kleinberg J., Ludwig J., Mullainathan S., Obermeyer Z. (2015). Prediction policy problems. American Economic Review, Vol. 105, No. 5, pp. 491—495. https://doi.org/10.1257/aer.p20151023
35. Manyika J., Chui M., Miremadi M., Bughin J., George K., Willmott P., Dewhurst M. (2017). Harnessing automation for a future that works. McKinsey Global Institute.
36. Mullainathan S., Obermeyer Z. (2017). Does machine learning automate moral hazard and error? American Economic Review, Vol. 107, No. 5, pp. 476—80. https://doi.org/10.1257/aer.p20171084
37. Müller V. C. (2021). Ethics of artificial intelligence and robotics. In: E. N. Zalta (ed.). The Stanford encyclopedia of philosophy (Summer 2021 edition). https://plato.stanford.edu/archives/sum2021/entries/ethics-ai/
38. Niskanen W. A. (1971). Bureaucracy and representative government. Chicago, IL: Adlkurierton.
39. OECD (2019). Artificial intelligence in society. Paris: OECD Publishing. https://doi.org/10.1787/eedfee77-en
40. Oxford Insights (2020). Government AI readiness index 2020.
41. Prat A. (2019). Comment. In: A. Agrawal, J. Gans, A. Goldfarb (eds.). The economics of artificial intelligence: An agenda. University of Chicago Press and NBER, pp. 110—114.
42. Russell S. (2019). Human compatible artificial intelligence. Oxford University Press.
43. Schweinsberg M., Feldman M., Staub N., Akker O., Aert R., Assen M., Liu Y., Althoff T., Heer J., Kale A., Mohamed Z., Amireh H., Prasad V., Bernstein A., Robinson E., Snellman K., Sommer S., Otner S., Robinson D. (2021). Same data, different conclusions: Radical dispersion in empirical results when independent analysts operationalize and test the same hypothesis. Organizational Behavior and Human Decision Processes, Vol. 165, pp. 228—249. https://doi.org/10.1016/j.obhdp.2021.02.003
44. Taddy M. (2019). The technological elements of artificial intelligence. In: A. Agrawal, J. Gans, A. Goldfarb (eds.). The economics of artificial intelligence: An agenda. University of Chicago Press and NBER, pp. 61—87. https://doi.org/10.7208/chicago/9780226613475.003.0002
45. Trajtenberg M. (2019). AI as the next GPT: A political-economy perspective. In: A. Agrawal, J. Gans, A. Goldfarb (eds.). The economics of artificial intelligence: An agenda. University of Chicago Press and NBER, pp. 175—186. https://doi.org/10.7208/chicago/9780226613475.003.0006, pp. 175—186.
46. Turovets Y., Vishnevskiy K., Altynov A. (2020). How to measure AI: Trends, challenges and implications. Higher School of Economics Research Paper, No. WP BRP 116/STI/2020. https://doi.org/10.2139/ssrn.3736851
47. Viechnicki P., Eggers W. D. (2017). How much time and money can AI save government? Deloitte Insights, April 26. https://www2.deloitte.com/us/en/insights/focus/cognitive-technologies/artificial-intelligence-government-analysis.html
48. Wallis C. J. D., Jerath A., Coburn N. et al. (2021). Association of surgeon-patient sex concordance with postoperative outcomes. JAMA Surgery, Vol. 157, No. 2, pp. 146—156. https://doi.org/10.1001/jamasurg.2021.6339
49. Wilson H. J., Daugherty P. R. (2018). Collaborative intelligence: Humans and AI are joining forces. Harvard Business Review, July—August, pp. 114—123.
Дополнительные файлы
Рецензия
Для цитирования:
Буклемишев О.В. Искусственный интеллект в общественном секторе. Вопросы экономики. 2022;(6):91-109. https://doi.org/10.32609/0042-8736-2022-6-91-109
For citation:
Buklemishev O.V. Artificial intelligence in the public sector. Voprosy Ekonomiki. 2022;(6):91-109. (In Russ.) https://doi.org/10.32609/0042-8736-2022-6-91-109
Просмотров: 588
Послать статью по эл. почте 