Algoritmisk prising og konkurranse i digitale markeder

–

Hva skjer når KI-baserte systemer setter priser og påvirker hverandre i digitale markeder? Og hvordan kan vi gjøre systemene tryggere, mer transparente og etterettelige?

*Kan KI-agenter lære seg å presse ut andre konkurrenter?* Figur: Kristian Lindbäck Løvland / NR.

Bruken av algoritmisk prising blir stadig mer utbredt. Fra flybilletter og netthandel, til bolig- og bilutleie, brukes kunstig intelligens (KI) til å sette og justere priser på produkter og tjenester.

Fordelene er mange. Algoritmene kan analysere store mengder informasjon, reagere raskt på endringer i markedet og bidra til mer effektiv prissetting. For bedriftene er målet også å øke lønnsomheten.

Men hva skjer når flere KI-systemer setter priser i det samme markedet, og lærer av hverandres beslutninger?

Kan KI-agenter hemme konkurranse?

Når algoritmer lærer å maksimere fortjenesten, kan de også utvikle atferd som begrenser konkurransen, selv om de ikke er programmert til dette.

Algoritmene kan for eksempel lære at alle aktørene tjener mer dersom prisene holdes kunstig høye, fremfor å konkurrere om kundene gjennom lavere priser. De kan også utvikle strategier der prisene presses ned for å utkonkurrere andre aktører, før de økes igjen når konkurransen er svekket eller presset ut.

Slik konkurransehemmende atferd er ikke ny. Vi kjenner lignende strategier fra markeder der mennesker tar beslutningene, og dagens konkurranselovgivning er utviklet for å motvirke slik atferd.

Utfordringen er at dagens regelverk i stor grad bygger på menneskelig atferd og samhandling. Hvordan skal vi forstå og regulere konkurransehemmende atferd når den oppstår gjennom selvstendige algoritmer? Og hvem kan holdes ansvarlig?

Hvordan kan vi utvikle tryggere KI-systemer?

I dette prosjektet undersøker vi hvordan KI-algoritmer lærer å sette priser, hvordan de påvirker hverandre, og under hvilke forhold de kan utvikle konkurransehemmende atferd.

Målet er å forstå, forutse og begrense risikoen som kan oppstå når selvstendige KI-systemer samhandler i digitale markeder.

Vi bruker forsterkende læring (reinforcement learning, RL), en metode innen maskinlæring der KI-agenter lærer gjennom prøving og feiling for å nå bestemte mål.

Prosjektet har fire hovedmål:

1. Forstå hvordan algoritmer lærer og samhandler

Vi undersøker hvordan algoritmer lærer å sette priser og ta beslutninger i komplekse markeder. Vi ser særlig på hvordan algoritmene påvirker hverandre, og hvilke forhold som kan føre til konkurransehemmende atferd.

2. Utvikle et digitalt testmiljø

Vi utvikler et fleksibelt, simulert marked der vi kan teste algoritmer under ulike markedsforhold, uten å påvirke reelle bedrifter eller forbrukere.

3. Utvikle KI-agenter som kan avdekke konkurransehemmende atferd

Vi utvikler egne agenter som kan følge med på andre algoritmer og identifisere tegn på mulig konkurransehemmende atferd.

4. Undersøke hvordan konkurranselovgivningen kan møte nye utfordringer

Vi undersøker hvordan eksisterende juridiske begreper og regler kan anvendes når algoritmer tar beslutninger og samhandler selvstendig.

Kunnskapen kan gjøre det enklere å avdekke og forebygge konkurransehemmende atferd, slik at vi kan utnytte mulighetene KI gir uten at det går på bekostning av konkurransen og forbrukernes interesser.