Un algorithme simulant l’impact des politiques de taxation
Comment les politiques peuvent utiliser le Deep Learning pour simuler et optimiser la collecte et la redistribution des taxes ?
C’est le problème que l’équipe de recherche et développement de Salesforce a essayé de résoudre avec son équipe Einstein. Ils ont développé un algorithme capable de simuler l’impact de différentes politiques de taxation afin d’en chercher une optimale.
Comment ça marche ?
La simulation est divisée en deux algorithmes :
- L’agent, cherche à augmenter son « bonheur » en maximisant ses gains et minimisant ses efforts. Pour ce faire, l’algorithme peut collecter, échanger du bois et de la pierre mais aussi construire des maisons.
- Le responsable politique décide quelle partie des revenus d’un agent doit être taxée et comment elles doivent être redistribuées. Son objectif est de trouver une balance optimale entre l’égalité et la productivité des agents.
Les algorithmes qui utilisent l’apprentissage par renforcement ont la particularité d’apprendre de leurs erreurs. Ils essaient certaines actions puis, selon les résultats obtenus, sont récompensés ou punis. Leur but est de maximiser leur récompense ce qui en fait des outils très puissants pour les simulations.
Résultats obtenus
Our experiments show the AI Economist can improve the trade-off between equality and productivity by 16%, compared to a prominent tax framework proposed by Emmanuel Saez.
https://blog.einstein.ai/the-ai-economist/
Cette simulation est loin d’être proche de la réalité puisque le modèle est contraint de nombreuses façons. Cependant, il permet d’imaginer un futur ou les politiques seraient conseillés par des algorithmes de Deep Learning sur des sujets aussi complexe que celui-ci.
Le lien vers le blog de Salesforce Research : https://blog.einstein.ai/the-ai-economist/