Hvad er multiagentsimulation? En guide i et letforståeligt sprog

Multiagentsimulering er en måde at studere et system på ved at modellere mange uafhængige aktører, kaldet agenter, hver med sine egne regler, mål eller personlighed, og lade det overordnede resultat komme fra, hvordan de interagerer. I stedet for at skrive én ligning for "markedet" eller "den offentlige mening", beskriver man individerne og observerer, hvad gruppen gør. Med moderne sprogmodeller kan disse agenter læse, skrive og huske på naturligt sprog, hvilket gør metoden nyttig til spørgsmål om, hvordan folk reagerer.

Kerneideen: Adfærd opstår fra interaktion

Mange vigtige resultater afgøres ikke af en enkelt aktør. Trafikpropper, prisspiraler, virale rygter og ændringer i den offentlige stemning stammer alle fra mange lokale beslutninger, der påvirker hinanden. Multi-agent simulering tager det alvorligt.

En typisk simulering har tre ingredienser:

• Agenter : aktørerne, hver med sin egen tilstand (hvad den ved, ønsker eller tror) og adfærd (hvordan den beslutter, hvad den skal gøre næste gang).
• Et miljø : det rum, hvor agenter handler og observerer hinanden, såsom et kort, et marked eller et socialt netværk.
• Tidstrin eller -runder : i hvert trin observerer, beslutter og handler agenter, og omgivelserne ændrer sig som følge heraf.

Det, der gør denne tilgang unik, er emergens : mønstre på gruppeniveau, som ingen har programmeret direkte. En lille præference hos hvert individ kan, gennem gentagen interaktion, producere et stort og overraskende kollektivt resultat.

Hvor det kom fra: agentbaseret modellering

Ideen er ikke ny. Forskere inden for økonomi, økologi, sociologi og datalogi har brugt agentbaseret modellering i årtier. Tidligt arbejde i 1970'erne viste allerede, med meget simple regler på et gitter, hvordan milde individuelle præferencer omkring naboer kunne føre til stærk segregation på niveau med et helt nabolag. I de følgende årtier byggede forskere kunstige samfund, simulerede markeder og modeller af epidemier, flokke af dyr og trafik.

Disse klassiske modeller har et fællestræk: Agenter er bevidst simple. Hver af dem følger en håndfuld numeriske regler, hvilket gør modellen transparent og nem at analysere, men begrænser også, hvad den kan sige om omfattende menneskelig adfærd såsom overtalelse, framing eller ironi.

Den nye bølge: agenter bygget på sprogmodeller

Store sprogmodeller har ændret, hvad en agent kan være. Siden omkring 2023 har forskning i såkaldte generative agenter vist, at sprogmodelagenter, givet en persona, en erindring om tidligere begivenheder og evnen til at reflektere over denne erindring, kan opføre sig på overraskende troværdige måder i et simuleret samfund: de planlægger deres dage, danner meninger, videregiver nyheder og koordinerer med hinanden.

Sammenlignet med klassiske agentbaserede modeller gælder følgende for sprogmodelagenter:

• Kommuniker i naturligt sprog , så de kan reagere på selve ordlyden af en udtalelse, ikke kun på et tal.
• Bær fyldige personaer , der kombinerer baggrund, værdier og tonefald.
• Husk og opdater , så tidligere samtaler former senere adfærd.

Ulempen er, at de er mindre gennemsigtige og dyrere at drive end regelbaserede agenter, og deres adfærd afspejler styrkerne og biaserne i den underliggende model.

Sådan anvender InfoDome det

InfoDome bruger sprogmodelagenter til at simulere offentlige og interessenters reaktioner. Du uploader dokumenter og beskriver, hvad du vil forudsige; InfoDome udtrækker en vidensgraf over personerne, organisationerne og grupperne i dit materiale og opretter derefter hundredvis af agenter med deres egen karakter, position og langtidshukommelse, spredt over op til 10 målgruppelande, du vælger. Agenterne interagerer parallelt på et Twitter -lignende feed og et Reddit -lignende forum i et bestemt antal runder, og en analytiker skriver en forudsigelsesrapport, som du kan stille spørgsmål til, sammen med enhver individuel agent. Den trinvise mekanisme forklares i, hvordan AI-crowdsimulering forudsiger reaktioner .

Når simulering med flere agenter hjælper

Metoden er mest værdifuld, når resultatet afhænger af interaktion snarere end af en enkelt beslutning:

• Reaktioner, der bygger på reaktioner : kriser, rygter, offentlige debatter, hvor reaktionen på den første reaktion betyder mest.
• Mange interessenter med forskellige interesser : politiske ændringer, organisatorisk omstrukturering, forhandlinger.
• Strategisk samspil : konkurrenters reaktioner eller krigsspil, hvor hver side tilpasser sig den anden.
• Tidlig udforskning : når du har brug for hypoteser hurtigt, før en undersøgelse eller et feltstudie, eller når en rigtig test er for dyr eller for risikabel.
• Budskabssammenligning : at sammenligne den samme målgruppe med to versioner af en erklæring for at se hvilken framing der når længere.

Når det ikke hjælper

Det er lige så vigtigt at vide, hvornår man ikke skal bruge det:

• Når du har brug for repræsentative tal. En simulering er ikke en meningsmåling; dens proportioner bør ikke læses som virkelige procenter.
• Når gode historiske data allerede besvarer spørgsmålet. Hvis du har mange års salgsdata for et stabilt produkt, kan en statistisk prognose være mere pålidelig.
• Når inputtet er tyndt. Agenter er kun så jordnære som det materiale, de er bygget af. Manglende interessenter betyder manglende stemmer.
• Når du ønsker sikkerhed. Forskellige forløb kan udfolde sig forskelligt. Outputtet er en gennemgåelig hypotese, der understøtter vurderingen; den erstatter den ikke.

Et fungerende eksempel

En mellemstor logistikvirksomhed overvejer at gå over til en firedages arbejdsuge for kontorpersonale. Ledelsen vil vide, hvordan medarbejdere, teamledere og kunder kan reagere. En regnearksmodel kan estimere omkostninger, men ikke hvordan et rygte om "skjult overarbejde" kan spredes blandt personalet, eller hvordan en nøglekunde ville læse nyhederne.

HR-teamet uploader det interne forslag og et resumé af en nylig medarbejderundersøgelse til InfoDome, beskriver spørgsmålet og kører 20 runder i ét land. På forummet udtrykker teamlederagenter bekymringer om dækningen om fredagen; på feedet hilser yngre medarbejdere ændringen velkommen, men deler en bekymring for, at arbejdsbyrden blot vil blive komprimeret. En klientagent spørger, om svartiderne vil ændre sig. Analytikerens rapport antyder, at klarhed omkring dækningen om fredagen er den afgørende faktor for både teamledere og kunder.

I et interview med en teamleder finder HR ud af, at en roterende fredagsplan ville mindske bekymringerne. Ledelsen behandler dette som en hypotese, der skal testes i et rigtigt pilotprojekt med to afdelinger, ikke som et endeligt svar. Det er en god brug af multi-agent simulering: den indsnævrede et vagt spørgsmål til et specifikt, testbart spørgsmål. Hvis I arbejder med lignende fremadrettede spørgsmål, er scenarieplanlægning et godt udgangspunkt.

Kom godt i gang

Du behøver ikke programmeringsfærdigheder for at køre en simulering med flere agenter med InfoDome. Enkeltplanen koster €29 pr. måned, inkluderer et månedligt budget på €9 til AI-brug og ubegrænsede projekter og kan til enhver tid opsiges. Forbered dit første scenarie i konsollen ; du kan oprette en opgave, før du tilmelder dig.