Какво е многоагентна симулация? Ръководство на разбираем език

Многоагентната симулация е начин за изучаване на система чрез моделиране на много независими участници, наречени агенти, всеки със свои собствени правила, цели или личност, и оставяне на общия резултат да се очертае от начина, по който те взаимодействат. Вместо да пишете едно уравнение за „пазара“ или „общественото мнение“, вие описвате индивидите и наблюдавате какво прави групата. Със съвременните езикови модели тези агенти могат да четат, пишат и запомнят на естествен език, което прави метода полезен за въпроси за това как хората реагират.

Основната идея: поведението произтича от взаимодействието

Много важни резултати не се решават от един-единствен участник. Задръстванията, ценовите спирали, вирусните слухове и промените в общественото настроение произтичат от многобройни локални решения, които си влияят взаимно. Многоагентната симулация приема това сериозно.

Типичната симулация има три съставки:

• Агенти : актьорите, всеки със собствено състояние (какво знае, иска или вярва) и поведение (как решава какво да прави по-нататък).
• Среда : пространството, където агентите действат и се наблюдават взаимно, като например карта, пазар или социална мрежа.
• Времеви стъпки или рундове : във всяка стъпка агентите наблюдават, решават и действат, а средата се променя в резултат на това.

Това, което прави този подход отличителен, е емерджентността : модели на ниво група, които никой не е програмирал директно. Малко предпочитание у всеки индивид може, чрез многократно взаимодействие, да доведе до голям и изненадващ колективен резултат.

Откъде идва: агентно-базирано моделиране

Идеята не е нова. Изследователи в областта на икономиката, екологията, социологията и компютърните науки използват агентно-базирано моделиране от десетилетия. Ранните изследвания през 70-те години на миналия век вече показаха, с много прости правила върху мрежа, как леките индивидуални предпочитания към съседите могат да доведат до силна сегрегация на ниво цял квартал. В следващите десетилетия изследователите изградиха изкуствени общества, симулираха пазари и модели на епидемии, ята животни и трафик.

Тези класически модели споделят една черта: агентите са умишлено прости. Всеки следва няколко числови правила, което прави модела прозрачен и лесен за анализ, но също така ограничава това, което може да каже за богатото човешко поведение, като например убеждаване, рамкиране или ирония.

Новата вълна: агенти, изградени върху езикови модели

Големите езикови модели промениха какво може да бъде един агент. От около 2023 г. насам изследвания върху така наречените генеративни агенти показват, че агентите с езикови модели, на които е дадена персона, спомен за минали събития и способността да разсъждават върху този спомен, могат да се държат по изненадващо правдоподобни начини в симулирана общност: те планират дните си, формират мнения, предават новини и се координират помежду си.

В сравнение с класическите агентно-базирани модели, агентите, базирани на езикови модели:

• Общувайте на естествен език , за да могат да реагират на действителната формулировка на твърдението, а не само на число.
• Носете богати персони , съчетаващи произход, ценности и тон на гласа.
• Запомнете и актуализирайте , така че по-ранните разговори да оформят по-късното поведение.

Компромисът е, че те са по-малко прозрачни и по-скъпи за управление от агентите, базирани на правила, а поведението им отразява силните страни и пристрастията на основния модел.

Как InfoDome го прилага

InfoDome използва агенти, базирани на езикови модели, за да симулира реакциите на обществеността и заинтересованите страни. Качвате документи и описвате какво искате да предвидите; InfoDome извлича граф на знанията на хората, организациите и групите във вашия материал, след което създава стотици агенти със собствен характер, позиция и дългосрочна памет, разпределени в до 10 държави с аудитория, които изберете. Агентите взаимодействат паралелно в емисия, подобна Twitter , и във форум, подобен Reddit , за определен брой рундове, а агент-аналитик пише доклад с прогноза, който можете да разпитате, заедно с всеки отделен агент. Механиката стъпка по стъпка е обяснена в това как симулацията на тълпа с изкуствен интелект предсказва реакции .

Когато многоагентната симулация помага

Методът е най-ценен, когато резултатът зависи от взаимодействието, а не от някакво единично решение:

• Реакции, които се основават на реакции : кризи, слухове, публични дебати, където отговорът на първия отговор е от най-голямо значение.
• Много заинтересовани страни с различни интереси : промени в политиките, организационно преструктуриране, преговори.
• Стратегическо взаимодействие : реакции на конкурентите или военни игри, при които всяка страна се адаптира към другата.
• Ранно проучване : когато се нуждаете от хипотези бързо, преди анкета или теренно проучване, или когато истинският тест е твърде скъп или твърде рисков.
• Сравнение на съобщения : сравняване на една и съща аудитория с две версии на едно твърдение, за да се види коя рамка е разпространена по-далеч.

Когато не помага

Също толкова важно е да знаете кога не бива да го използвате:

• Когато имате нужда от представителни числа. Симулацията не е анкета; нейните пропорции не трябва да се тълкуват като проценти от реалния свят.
• Когато добрите исторически данни вече отговарят на въпроса. Ако имате данни за продажбите за стабилен продукт от години, статистическата прогноза може да е по-надеждна.
• Когато входните данни са оскъдни, агентите са толкова здраво стъпили на земята, колкото е материалът, от който са изградени. Липсата на заинтересовани страни означава липса на гласове.
• Когато искате сигурност. Различните серии могат да се развият по различен начин. Резултатът е преразглеждаема хипотеза, която подкрепя преценката; той не я замества.

Работен пример

Средно голяма логистична компания обмисля преминаване към четиридневна работна седмица за офис персонала. Ръководството иска да знае как биха реагирали служителите, ръководителите на екипи и клиентите. Модел в електронна таблица би могъл да оцени разходите, но не и как би се разпространил слух за „скрит извънреден труд“ сред персонала или как ключов клиент би прочел новината.

Екипът по човешки ресурси качва вътрешното предложение и резюме на скорошно проучване сред персонала в InfoDome, описва въпроса и провежда 20 кръга в една държава. Във форума агентите на екипи изразяват загриженост относно отразяването в петък; във фийда по-младите служители приветстват промяната, но споделят опасения, че натоварването просто ще бъде компресирано. Агент на клиент пита дали времето за отговор ще се промени. Докладът на анализатора показва, че яснотата относно отразяването в петък е решаващият фактор както за ръководителите на екипи, така и за клиентите.

Интервюирайки агент, ръководител на екип, отделът по човешки ресурси разбира, че ротационен график в петък би облекчил опасенията им. Ръководството третира това като хипотеза за тестване в реален пилотен проект с два отдела, а не като окончателен отговор. Това е добро използване на многоагентна симулация: тя стеснява един неясен въпрос до конкретен, проверим. Ако работите върху подобни въпроси, насочени към бъдещето, сценарият за планиране е добра отправна точка.

Първи стъпки

Не са ви необходими умения за програмиране, за да стартирате многоагентна симулация с InfoDome. Единичният план струва 29 евро на месец, включва месечен бюджет за използване на изкуствен интелект от 9 евро и неограничени проекти и може да бъде анулиран по всяко време. Подгответе първия си сценарий в конзолата ; можете да настроите задача, преди да се регистрирате.