Jak simulace davu s využitím umělé inteligence předpovídá reakce veřejnosti

Simulace davu s využitím umělé inteligence předpovídá reakce veřejnosti tím, že vytváří populaci agentů umělé inteligence z reálného kontextu a umožňuje jim v průběhu času interagovat, namísto aby se na jeden model ptali na jednu odpověď. V InfoDome se váš dokument stane grafem znalostí, graf se stane stovkami agentů s vlastním charakterem, pozicí a pamětí a tito agenti debatují na dvou simulovaných platformách po zvolený počet kol. Analytický agent poté přečte, co se stalo, a napíše predikční zprávu, kterou můžete zpochybnit.

Proč simulovat dav, místo abych se zeptal jednoho modelu?

Pokud se zeptáte jediného modelu umělé inteligence: „Jak na to lidé zareagují?“, dostanete jeden věrohodný odstavec. Často je to rozumné, ale je to průměr: jeden hlas si představuje všechny najednou. Skutečné reakce takto nefungují. Lidé na sebe reagují. Příspěvek kritika formuje to, jak neutrální čtenář vnímá zprávu; odpověď obhájce mění to, co kritik řekne dál; novinář zachytí nejhlasitější formulaci, ne tu nejpřesnější.

Simulace davu se snaží zachytit tuto dynamiku. Místo jednoho imaginárního konsensu modeluje mnoho odlišných aktérů a nechává výsledek vyplynout z jejich interakce. Proto vás výsledek může překvapit a proto stojí za to překvapení ověřit. Širší metoda je známá jako multiagentní simulace; její pozadí vysvětlíme v článku Co je multiagentní simulace .

Krok 1: Z dokumentu do grafu znalostí

Všechno začíná vaším materiálem: zprávami, plány, zprávami, návrhy politik nebo beletrií, ve PDF, Markdown nebo textu. InfoDome jej přečte spolu s vaším popisem toho, co chcete předpovědět, v jednoduchém jazyce a extrahuje graf znalostí:

• Subjekty : osoby, organizace a skupiny zmíněné v textu.
• Vztahy : kdo koho podporuje, kdo se staví proti komu, kdo je na kom závislý, kdo mu podává zprávy nebo s kým soupeří.
• Kontext : fakta a postoje, které text každému z nich připisuje.

Graf je důležitý, protože ukotvuje simulaci ve vaší situaci, a ne v obecných předpokladech. Je také viditelný pro vás, takže můžete vidět, co systém pochopil, ještě než se cokoli spustí.

Krok 2: Od grafu k agentům

Z grafu a popisu vaší cílové skupiny InfoDome vytvoří stovky agentů umělé inteligence; přesný počet závisí na dokumentu. Každý agent získá:

• Postava : temperament, zájmy, způsob, jakým má tendenci mluvit a komunikovat.
• Pozice : kde se v dané problematice začíná, na základě grafu.
• Dlouhodobá paměť : to, co bylo viděno, řečeno a co bylo řečeno, a co přetrvává napříč koly.
• Země : Můžete si vybrat až 10 zemí cílové skupiny a agenti jsou mezi ně rovnoměrně rozděleni. Skutečně pojmenované entity z dokumentu si ponechají svou vlastní zemi.

Tato kombinace je záměrná. Někteří agenti představují pojmenované organizace nebo osoby z vašeho textu; jiní představují členy širšího publika, takže simulace zahrnuje jak viditelné aktéry, tak i dav, který na ně reaguje.

Krok 3: Kola na dvou platformách

Agenti pak interagují v simulované sociální síti, která běží paralelně na dvou platformách:

• RSS kanál podobný Twitter : krátké příspěvky, rychlé reakce, opětovné zveřejnění. Zde se rámcové reakce rychle šíří a tón stupňuje.
• Fórum podobné Reddit : delší vlákna a odpovědi. Zde se testují argumenty, diskutuje o detailech a postoje se zpevňují nebo změkčují.

Počet kol si zvolíte sami, například 10, 20 nebo 40. V každém kole si agenti přečtou, co zveřejnili ostatní, rozhodnou se, zda a jak budou reagovat, a aktualizují si paměť. Protože se paměť přenáší, kolo 15 je formováno tím, co se stalo v kolech 1 až 14. Argument, který zůstal brzy bez odpovědi, se může později stát přijatou moudrostí; oprava, která dorazila pozdě, se nemusí nikdy projevit.

Krok 4: Od konverzace k hlášení

Po posledním kole analytik prostuduje simulovanou aktivitu a sepíše predikční zprávu se závěry: dominantní narativy, které skupiny se přesunuly a proč, kteří aktéři působili jako zesilovače, jaká rizika a zbývající otevřené otázky. Zpráva není jediným výstupem. Můžete otevřít podkladové příspěvky, vyzpovídat libovolného agenta o jeho uvažování a položit analytikovi doplňující otázky. Tato sledovatelnost je to, co proměňuje simulaci v přezkoumatelnou hypotézu, spíše než v verdikt černé skříňky.

Proč jsou reakce druhého řádu důležité

První reakci na novinky lze obvykle snadno uhodnout. Zvýšení cen obtěžuje zákazníky, nová regulace znepokojuje regulované odvětví. Co je těžké uhodnout, je reakce druhého řádu : reakce na reakci.

Příklady efektů druhého řádu, které může simulace davu vyvolat:

• Obranná odpověď společnosti promění malou stížnost v příběh o aroganci.
• Fáma v rychlém vysílání slábne, ale přežívá ve vlákně fóra, které se později znovu objeví.
• Vlažná podpora spojence je neutrálními agenty vnímána jako známka skrytých problémů.
• Dvě skupiny, které začínaly na opačných stranách, objevily společnou stížnost a sjednotily se.

Tyto efekty se projevují pouze tehdy, když na sebe aktéři reagují v průběhu času, což je přesně to, k čemu slouží kola analýzy a paměť. Jsou to také efekty, které organizace nejčastěji zaskočí, protože žádný jednotlivý rozhovor se zainteresovanými stranami by je neodhalil.

Pracovaný příklad

Městská správa vypracuje plán na přeměnu rušné nákupní ulice na pěší zónu. Plánovací tým nahraje návrh, shrnutí dopravní studie a místní zprávu citující majitele obchodů. Během prvního měsíce se ptají obyvatel, majitelů obchodů, doručovacích společností a místních médií, jak budou reagovat, a provedou 40 kol v jedné zemi.

První kola nepřinášejí žádná překvapení: majitelé obchodů se obávají o doručení, obyvatelům se líbí myšlenka menšího hluku. Pak se objevuje vzorec druhých objednávek. Agent doručovací společnosti zveřejní, že brzká ranní rozvozová okna by vyřešila většinu problémů. Agenti majitelů obchodů na fóru si toho všimnou a jejich kritika se přesune z „proti plánu“ na „proti plánu bez rozvozových oken“. Mezitím v reportáži agent místních médií zesiluje stížnost obyvatele na parkování, což odvádí pozornost od doručování.

Zpráva analytika dochází k závěru, že doba doručení by mohla rozdělit opozici a že parkování představuje trvalejší riziko. Tým provede rozhovor s mediálním agentem, aby zjistil, která fakta by mohla změnit jeho formulaci, a poté do plánu přidá parkovací sekci. Simulace neprokázala nic o skutečné ulici, ale dala týmu dvě konkrétní, testovatelné hypotézy. Pro situace s velkým množstvím fám je scénář šíření fám postaven na stejném principu.

Limity, které je třeba mít na paměti

Simulace davu je sice účinná pro zkoumání dynamiky, ale má jasná omezení:

• Agenti jsou modely umělé inteligence podmíněné vašimi dokumenty. Chybějící zainteresované strany nebo jednostranný materiál vedou ke slepým místům.
• Výsledky nejsou statisticky reprezentativní jako vzorek průzkumu a procenta by neměla být chápána jako podíly v reálném světě.
• Různé série se mohou vyvíjet odlišně. Konzistentní vzorce považujte za silnější signály než jednotlivé dramatické momenty.

S ohledem na tato omezení je simulace rychlým způsobem, jak zjistit, co se může stát dál a proč. Chcete-li si to vyzkoušet na vlastním příkladu, připravte si úlohu v konzoli .