Стоковые изображения от Depositphotos
Tazabek — Почти 90% многомиллиардного федерального лоббистского аппарата в США служат корпоративным интересам, пишет MIT Technology Review.
В некоторых случаях цель этих денег очевидна. Google вкладывает миллионы в лоббирование законопроектов, связанных с антимонопольным регулированием. Крупные энергетические компании ожидают действий всякий раз, когда кто-то собирается прекратить аренду федеральных земель в обмен на десятки миллионов, которые они вносят в кампании по переизбранию в Конгресс.
Но стратегии лоббирования не всегда так прямолинейны, и вовлеченные интересы не всегда так очевидны. Возьмем, к примеру, законопроект штата Массачусетс 2013 года, в котором пытались ограничить коммерческое использование данных, собранных у учащихся K-12, пользующихся услугами, доступными через Интернет. Законопроект обратился ко многим сторонникам образования, заботящимся о конфиденциальности, и это правильно. Но за оправданием защиты студентов скрывалась политика, изменяющая рынок: законопроект был внесен по наущению лоббистов Microsoft, чтобы исключить Google Docs из классных комнат.
Что произойдет, если такие законные, но хитрые стратегии изменения правил в пользу одной группы над другой станут более распространенными и эффективными? Мы можем увидеть намеки на ответ в замечательном темпе, с которым разрабатываются и улучшаются инструменты искусственного интеллекта для всего, от письма до графического дизайна. И неизбежный вывод состоит в том, что ИИ сделает лоббирование более коварным и, возможно, более успешным.
Оказывается, для этой технологии есть естественное открытие: микрозаконодательство.
«Микрозаконодательство» — это термин, обозначающий небольшие части предложенного закона, которые удовлетворяют — иногда неожиданно — узкие интересы. Политолог Эми Маккей придумала этот термин. Она изучила 564 поправки к Закону о доступном медицинском обслуживании («Obamacare»), рассмотренные Финансовым комитетом Сената в 2009 году, а также позиции 866 лоббистских групп и их вклады в предвыборные кампании. Она задокументировала случаи, когда комментарии лоббистов — об исследованиях в области здравоохранения, службах вакцинации и других положениях — были непосредственно переведены в микрозаконодательство в виде поправок. И она обнаружила, что финансовые взносы этих групп конкретным сенаторам в комитете увеличили шансы на принятие поправок.
Ее вывод о том, что лоббирование работает, не стал неожиданностью. Что еще более важно, работа Маккея продемонстрировала, что компьютерные модели могут предсказывать вероятную судьбу предложенных законодательных поправок, а также пути, по которым лоббисты могут наиболее эффективно добиться желаемых результатов. И это оказывается важной частью создания лоббиста ИИ.
Лоббирование долгое время было частью взаимных уступок среди политиков и защитников, стремящихся сбалансировать свои конкурирующие интересы. Опасность микрозаконодательства — опасность, которую значительно усугубляет ИИ, — заключается в том, что его можно использовать таким образом, что будет трудно понять, кому на самом деле выгодно это законодательство.
Другое слово для такой стратегии — «хак». Хакеры следуют правилам системы, но подрывают их намерения. Взлом часто ассоциируется с компьютерными системами, но эта концепция также применима к социальным системам, таким как финансовые рынки, налоговые кодексы и законодательные процессы.
Хотя идея о том, что финансовые интересы включают вспомогательные технологии искусственного интеллекта в свое лоббирование, остается гипотетической, сегодня существуют конкретные технологии машинного обучения, которые позволили бы им сделать это. Мы должны ожидать, что эти методы будут улучшаться, а их использование будет расти, как мы видели во многих других областях.
Чтобы разработать микрозаконодательство, системы машинного обучения должны быть в состоянии обнаруживать наименьшие изменения, которые можно было бы внести в законопроект или существующий закон, которые могли бы оказать наибольшее влияние на узкий круг интересов.
Есть три основных проблемы. Во-первых, вы должны создать предложение по политике — небольшие предлагаемые изменения в юридическом тексте — и предвидеть, признает ли читатель-человек изменение существенным. Это важно; изменение, которое невозможно обнаружить, с большей вероятностью пройдет без разногласий. Во-вторых, вам необходимо провести оценку воздействия , чтобы спрогнозировать последствия этого изменения для краткосрочных или долгосрочных финансовых интересов компаний. В-третьих, вам нужен стратег лоббирования , чтобы определить, какие рычаги власти использовать, чтобы превратить лучшее предложение в закон.
Существующие инструменты искусственного интеллекта могут справиться со всеми тремя из них.
Первый шаг, политическое предложение , использует основную функцию генеративного ИИ . Большие языковые модели, такие как те, которые использовались для чат-ботов общего назначения, таких как ChatGPT, могут быть легко адаптированы для написания как нативные в различных специализированных областях после просмотра относительно небольшого количества примеров. Этот процесс называется тонкой настройкой.
Например, модель, «предварительно обученная» на большой библиотеке типовых текстовых образцов из книг и Интернета, может быть «точно настроена» для эффективной работы с медицинской литературой, статьями по информатике и обзорами продуктов.
Учитывая эту гибкость и способность к адаптации, большую языковую модель можно было бы точно настроить для создания проектов законодательных текстов с учетом набора данных о ранее предложенных поправках и законопроектах, с которыми они были связаны. Доступны обучающие данные. На федеральном уровне его предоставляет Издательство правительства США , и уже есть инструменты для его загрузки и взаимодействия с ним. Большинство других юрисдикций предоставляют аналогичные потоки данных, и есть даже удобные наборы этих данных.
Между тем большие языковые модели, такие как та, что лежит в основе ChatGPT, обычно используются для обобщения длинных и сложных документов (даже законов и компьютерного кода), чтобы зафиксировать основные моменты, и они оптимизированы, чтобы соответствовать ожиданиям человека. Эта возможность может позволить ИИ-помощнику автоматически предсказать, насколько истинный эффект от вставки политики может быть обнаружен читателем-человеком.
Сегодня высокооплачиваемой команде лоббистов может потребоваться несколько дней или недель, чтобы создать и проанализировать альтернативные части микрозаконодательства от имени клиента. С помощью ИИ это можно было бы сделать мгновенно и дешево. Это открывает двери для резкого расширения масштабов такого микрозаконодательства с потенциалом охвата любого количества законопроектов в любой юрисдикции.
Обучение машин оценке воздействия
Оценка воздействия более сложная. Существует множество методов для количественной оценки прогнозируемого результата решения или политики, а также для оптимизации отдачи в соответствии с этой моделью. Такой подход в разных кругах называется по-разному: математическое программирование в менеджменте, максимизация полезности в экономике и рациональный дизайн в науках о жизни.
Чтобы обучить ИИ делать это, нам нужно указать какой-то способ расчета выгоды для разных сторон в результате выбора политики. Это может означать оценку финансовой отдачи для разных компаний при нескольких разных сценариях налогообложения или регулирования. Экономисты умеют строить подобные модели риска , а компании уже обязаны формулировать и раскрывать инвесторам факторы риска, связанные с соблюдением нормативных требований. Такая математическая модель может быть преобразована непосредственно в функцию вознаграждения, систему оценок, которая может обеспечить обратную связь для модели, используемой для создания предложений по политике, и управлять процессом ее обучения.
Реальной проблемой при оценке воздействия генеративных моделей ИИ будет анализ текстового вывода такой модели, как ChatGPT, с точки зрения, которую можно было бы легко использовать в экономической модели. Автоматизация этого потребует извлечения структурированной финансовой информации из проекта поправки или любых юридических аспектов, окружающих его. Этот вид извлечения информации также является областью, в которой ИИ имеет долгую историю; например, системы искусственного интеллекта были обучены распознавать клинические данные в заметках врачей. Первые признаки указывают на то, что большие языковые модели довольно хорошо распознают финансовую информацию в таких текстах, как стенограммы разговоров с инвесторами. Хотя это остается открытой проблемой в полевых условиях, они могут даже быть способнынаписания многоэтапных планов на основе описаний в произвольном тексте.
Последняя часть головоломки — это лоббистский стратег, который должен выяснить, какие действия предпринять, чтобы убедить законодателей принять поправку.
Принятие законодательства требует четкого понимания сложных взаимосвязанных сетей законодательных органов, внешних групп, исполнительных органов и других заинтересованных сторон, соперничающих в своих интересах. Каждый участник этой сети имеет базовую точку зрения и различные факторы, влияющие на эту точку зрения. Например, законодатель может быть тронут, увидев, что заинтересованная сторона занимает твердую позицию, или негативная новость, или вклад в предвыборную кампанию.
Оказывается, разработчики ИИ очень опытны в моделировании таких сетей. Модели машинного обучения для сетевых графов были построены, уточнены, улучшены и итерированы сотнями исследователей, работающих над невероятно разнообразными проблемами: лидарное сканирование, используемое для управления беспилотными автомобилями, химические функции молекулярных структур, захват движения актеров. суставы для компьютерной графики, поведения в социальных сетях и многое другое.
В контексте лоббирования с помощью ИИ политические деятели, такие как законодатели и лоббисты, являются узлами на графе, точно так же, как пользователи в социальной сети. Отношения между ними — это ребра графа, как и социальные связи. По этим краям может передаваться информация, например, сообщения, отправленные другу, или вклады в кампанию, сделанные участнику. Модели ИИ могут использовать прошлые примеры, чтобы научиться оценивать, как эта информация меняет сеть. Вычисление вероятности того, что вклад в предвыборную кампанию заданного размера повлияет на голосование законодателя по поправке, является одним из приложений.
Работа Маккея уже показала нам, что между этими действиями и результатами законодательства существуют значительные предсказуемые отношения, и что работу по их обнаружению можно автоматизировать. Другие показали , что графы моделей нейронных сетей, подобные описанным выше, могут применяться к политическим системам. Полномасштабное использование этих технологий для управления стратегией лоббирования является теоретическим, но правдоподобным.
Вместе эти три компонента могут создать автоматическую систему для создания прибыльного микрозаконодательства. Система политических предложений создаст миллионы, даже миллиарды возможных поправок. Специалист по оценке воздействия должен определить те немногие из них, которые обещают быть наиболее прибыльными для клиента. И инструмент стратегии лоббирования создаст план их прохождения.
За последними событиями следите в Телеграм-канале @tazabek_official
По сообщению сайта Tazabek