Рост населения и доступ к молниеносной связи — это хаотический рецепт для различных мнений и постоянно меняющихся требований политики. Нынешний ландшафт резко меняет политику, основанную на местоположении, что позволяет широкомасштабное присутствие различных политических взглядов в одном и том же районе. Однако возможность доступа и моделирования данных для обнаружения и понимания культурных изменений — это гораздо больше, чем серебряная подкладка. Вот несколько интересных примеров использования ИИ в политике.
Стратегия сегментации-таргетинга-позиции
STP — это подход к избирательной кампании, при котором к компаниям социальных сетей обращаются за частичным доступом к их анонимным пользовательским данным. Эти данные сегментированы и нацелены на основе их характеристик, чтобы эффективно позиционировать кандидата в соответствии с его потенциалом и существующей базой избирателей.
Анализ данных проводится, чтобы выяснить предпочтения избирателей, впервые голосующих, их долю населения, а также процент участия, чтобы спрогнозировать долю голосов в текущей ситуации для кандидата или партии. Эти данные используются для анализа онлайн-поведения избирателей, включая их модели потребления данных, отношения и психографические данные для построения профиля поведения пользователей.
Эти данные используются для рассылки рекламы потенциальным избирателям, а автоматические вызовы генерируются для создания пользовательских приветствий партиями.
Прогнозирование конфликтов
С 1960-х годов проводились исследования по предсказанию событий войны и конфликтов в результате межгосударственного события. Некоторые из используемых популярных методов включают в себя:
Расстояние Левенштейна. Расстояние Левенштейна — это концептуальное расстояние между двумя последовательностями строк, вычисляемое как взвешенная сумма операций редактирования, необходимых для преобразования одной последовательности в другую. Это расстояние используется для прогнозирования того, будет ли конфликт следствием межгосударственного события.
В своем исследовании Филлипс Шродт использовал набор данных Behavioral Correlates of War, чтобы присвоить пропорциональные веса событиям на основе их последствий. Веса модели максимизируют расстояние между последовательностями, которые приводят к войнам, от тех, которые не приводят к войнам, и минимизируют расстояние между последовательностями в каждой из двух групп. Этот метод позволял давать хорошие прогнозы военных и невоенных событий для каждой последовательности из тестового набора.
Генетические алгоритмы. Генетический алгоритм — это метод решения задач оптимизации с ограничениями и без ограничений, основанный на естественном отборе — процессе, управляющем биологической эволюцией. Генетический алгоритм неоднократно модифицирует совокупность индивидуальных решений.
Классификаторы Холланда создают таксономии, произвольно сопоставляя элементы данных, а затем проверяя обратную связь с окружающей средой, чтобы увидеть, сможет ли эта мутация сохраниться. Мутации, которые охватывают большинство наблюдений, выживают, в то время как непригодные мутации вымирают. Система продолжает этот процесс итеративно, пока не достигнет заданного уровня стабильности.
Эти системы использовались для точного обнаружения краткосрочных событий в американо-европейских взаимодействиях (Schrodt, 1989), а также для определения предпочтений кандидата респондента с использованием его предпочтений в вопросах, знаний и демографических характеристик (Cohen, 1992).
Разработка налоговой политики — AI Economist
AI Economist — это двухуровневая глубокая RL-структура для разработки политики, в которой агенты и социальный планировщик совместно адаптируются. AI Economist восстанавливает оптимальную налоговую политику экономической теории и существенно улучшает как утилитарное социальное благосостояние, так и компромисс между равенством и производительностью по сравнению с исходными условиями для пространственно-временной экономики.
Эта модель устойчива к возникающим стратегиям налоговых игр и учитывает формирующуюся специализацию труда, взаимодействие агентов и изменение поведения.
Выводы
Было доказано, что искусственный интеллект компетентен в случаях, когда требуется продвинутое стратегическое мышление и анализ огромных объемов данных для решения сложных проблем. Это также вызывает необходимость решения проблем, связанных с вопросами наблюдения, предвзятости, прозрачности и процедур при использовании ИИ.