چگونه شبیه‌سازی جمعیت هوش مصنوعی واکنش‌های عمومی را پیش‌بینی می‌کند

شبیه‌سازی جمعیت هوش مصنوعی، واکنش‌های عمومی را با ایجاد جمعیتی از عوامل هوش مصنوعی از بافت واقعی و اجازه دادن به آنها برای تعامل در طول زمان، به جای درخواست یک پاسخ واحد از یک مدل واحد، پیش‌بینی می‌کند. در InfoDome ، سند شما به یک نمودار دانش تبدیل می‌شود، نمودار به صدها عامل با شخصیت، موقعیت و حافظه خاص خود تبدیل می‌شود و آن عوامل در دو پلتفرم شبیه‌سازی شده برای تعداد مشخصی از دورها بحث می‌کنند. سپس یک عامل تحلیلگر آنچه را که اتفاق افتاده است می‌خواند و یک گزارش پیش‌بینی می‌نویسد که می‌توانید در مورد آن سوال کنید.

چرا به جای پرسیدن از یک مدل، یک جمعیت را شبیه‌سازی کنیم؟

اگر از یک مدل هوش مصنوعی واحد بپرسید «مردم چگونه به این موضوع واکنش نشان خواهند داد؟»، یک پاراگراف قابل قبول دریافت می‌کنید. این اغلب منطقی است، اما یک میانگین است: یک صدا همه را همزمان تصور می‌کند. واکنش‌های واقعی اینگونه عمل نمی‌کنند. مردم به یکدیگر پاسخ می‌دهند. پست یک منتقد، نحوه‌ی نگاه یک خواننده‌ی بی‌طرف به اخبار را شکل می‌دهد؛ پاسخ یک مدافع، آنچه منتقد بعداً می‌گوید را تغییر می‌دهد؛ یک روزنامه‌نگار بلندترین قاب‌بندی را برمی‌گزیند، نه دقیق‌ترین آن را.

شبیه‌سازی جمعیت تلاش می‌کند تا این پویایی را به تصویر بکشد. به جای یک اجماع فرضی، این شبیه‌سازی بازیگران متمایز زیادی را مدل‌سازی می‌کند و اجازه می‌دهد نتیجه از تعامل آنها پدیدار شود. به همین دلیل است که نتیجه می‌تواند شما را شگفت‌زده کند و چرا شگفتی‌ها ارزش بررسی دارند. روش گسترده‌تر، شبیه‌سازی چندعاملی نامیده می‌شود؛ ما پیشینه آن را در چیستی شبیه‌سازی چندعاملی توضیح می‌دهیم.

مرحله ۱: از سند تا نمودار دانش

همه چیز با مطالب شما شروع می‌شود: اخبار، طرح‌ها، گزارش‌ها، پیش‌نویس‌های سیاست یا داستان، به صورت PDF ، Markdown یا متن. InfoDome آن را به همراه توضیحات ساده شما از آنچه می‌خواهید پیش‌بینی کنید، می‌خواند و یک نمودار دانش استخراج می‌کند:

• نهادها : افراد، سازمان‌ها و گروه‌هایی که در متن به آنها اشاره شده است.
• روابط : چه کسی از چه کسی حمایت می‌کند، با چه کسی مخالفت می‌کند، به چه کسی وابسته است، از چه کسی گزارش می‌دهد یا با چه کسی رقابت می‌کند.
• زمینه : حقایق و موقعیت‌هایی که متن به هر یک از آنها نسبت می‌دهد.

این نمودار اهمیت دارد زیرا شبیه‌سازی را به جای فرضیات کلی، در موقعیت شما تثبیت می‌کند. همچنین برای شما قابل مشاهده است، بنابراین می‌توانید قبل از اجرای هر چیزی، ببینید که سیستم چه چیزی را درک کرده است.

مرحله ۲: از گراف تا عامل‌ها

از روی نمودار و توضیحات مخاطب شما، InfoDome صدها عامل هوش مصنوعی ایجاد می‌کند؛ تعداد دقیق آنها به سند بستگی دارد. هر عامل موارد زیر را دریافت می‌کند:

• یک شخصیت : خلق و خو، علایق، نحوه صحبت کردن و تعامل.
• یک موقعیت : جایی که در مورد مسئله شروع می‌شود، که توسط نمودار مشخص شده است.
• حافظه بلندمدت : آنچه دیده، گفته و به او گفته شده است، که در طول دوره‌ها باقی می‌ماند.
• یک کشور : شما می‌توانید تا ۱۰ کشور مخاطب انتخاب کنید و نمایندگان به طور مساوی بین آنها تقسیم می‌شوند. موجودیت‌های دارای نام واقعی از سند، کشور خود را حفظ می‌کنند.

این ترکیب عمدی است. برخی از عامل‌ها نماینده سازمان‌ها یا افراد نام‌برده از متن شما هستند؛ برخی دیگر نماینده اعضای مخاطبان گسترده‌تر هستند، بنابراین شبیه‌سازی شامل هم بازیگران قابل مشاهده و هم جمعیتی است که به آنها واکنش نشان می‌دهد.

مرحله ۳: راندها روی دو پلتفرم

سپس عامل‌ها در یک شبکه اجتماعی شبیه‌سازی شده که به صورت موازی روی دو پلتفرم اجرا می‌شود، با هم تعامل می‌کنند:

• یک فید شبیه Twitter : پست‌های کوتاه، واکنش‌های سریع، بازنشر. اینجاست که چارچوب‌بندی‌ها به سرعت پخش می‌شوند و لحن تندتر می‌شود.
• یک انجمن شبیه Reddit : موضوعات و پاسخ‌های طولانی‌تر. اینجا جایی است که استدلال‌ها آزمایش می‌شوند، جزئیات مورد بحث قرار می‌گیرند و مواضع سخت‌تر یا نرم‌تر می‌شوند.

شما تعداد دورها را انتخاب می‌کنید، مثلاً ۱۰، ۲۰ یا ۴۰. در هر دور، عوامل آنچه دیگران ارسال کرده‌اند را می‌خوانند، تصمیم می‌گیرند که آیا و چگونه پاسخ دهند و حافظه خود را به‌روز می‌کنند. از آنجا که حافظه به بقیه منتقل می‌شود، دور ۱۵ بر اساس آنچه در دورهای ۱ تا ۱۴ اتفاق افتاده است، شکل می‌گیرد. بحثی که در ابتدا بی‌پاسخ مانده است، ممکن است بعداً به یک نکته پذیرفته‌شده تبدیل شود؛ اصلاحیه‌ای که دیر رسیده باشد، ممکن است هرگز به نتیجه نرسد.

مرحله ۴: از مکالمه تا گزارش

پس از آخرین دور، یک عامل تحلیلگر، فعالیت شبیه‌سازی شده را مطالعه می‌کند و یک گزارش پیش‌بینی با نتیجه‌گیری می‌نویسد: روایت‌های غالب، اینکه کدام گروه‌ها حرکت کردند و چرا، کدام بازیگران به عنوان تقویت‌کننده عمل کردند، چه خطراتی وجود دارد و سوالات بی‌پاسخ باقی مانده است. این گزارش تنها خروجی نیست. می‌توانید پست‌های زیرین را باز کنید، با هر عامل در مورد استدلالش مصاحبه کنید و از تحلیلگر سوالات تکمیلی بپرسید. این قابلیت ردیابی همان چیزی است که یک شبیه‌سازی را به یک فرضیه قابل بررسی تبدیل می‌کند، نه یک حکم قطعی.

چرا واکنش‌های مرتبه دوم اهمیت دارند؟

معمولاً حدس زدن اولین واکنش به اخبار آسان است. افزایش قیمت، مشتریان را آزار می‌دهد؛ یک قانون جدید، صنعت تحت نظارت را نگران می‌کند. چیزی که حدس زدنش سخت است، واکنش مرتبه دوم است: واکنش به واکنش.

نمونه‌هایی از اثرات مرتبه دوم که یک شبیه‌سازی جمعیت می‌تواند آشکار کند:

• پاسخ تدافعی یک شرکت، یک شکایت کوچک را به داستانی درباره تکبر تبدیل می‌کند.
• شایعه‌ای در فید سریع محو می‌شود اما در یک تاپیک انجمن که بعداً دوباره مطرح می‌شود، زنده می‌ماند.
• حمایت بی‌رمق یک متحد، توسط عوامل بی‌طرف به عنوان نشانه‌ای از مشکلات پنهان تعبیر می‌شود.
• دو گروهی که در دو جبهه مخالف شروع به کار کرده بودند، یک شکایت مشترک پیدا می‌کنند و متحد می‌شوند.

این اثرات تنها زمانی ظاهر می‌شوند که بازیگران در طول زمان به یکدیگر پاسخ دهند، که دقیقاً همان چیزی است که راندها و حافظه برای آن وجود دارند. همچنین این اثرات هستند که اغلب سازمان‌ها را غافلگیر می‌کنند، زیرا هیچ مصاحبه‌ای با ذینفعان به تنهایی آنها را آشکار نمی‌کند.

یک نمونه کار شده

یک شهرداری طرحی را برای تبدیل یک خیابان شلوغ تجاری به یک منطقه عابر پیاده تهیه می‌کند. تیم برنامه‌ریزی، پیش‌نویس، خلاصه‌ای از یک مطالعه ترافیکی و یک گزارش خبری محلی به نقل از صاحبان مغازه‌ها را بارگذاری می‌کند. آنها از ساکنان، صاحبان مغازه‌ها، شرکت‌های تحویل و رسانه‌های محلی می‌پرسند که در ماه اول چه واکنشی نشان خواهند داد و ۴۰ دور در یک کشور اجرا می‌کنند.

دور اول هیچ غافلگیری‌ای ندارد: صاحبان مغازه نگران تحویل سفارش‌ها هستند، ساکنان ایده سر و صدای کمتر را دوست دارند. سپس یک الگوی مرتبه دوم پدیدار می‌شود. یک نماینده شرکت تحویل سفارش پست می‌کند که باجه‌های تحویل سفارش در صبح زود اکثر مشکلات را حل می‌کند. نمایندگان صاحبان مغازه در انجمن این موضوع را مطرح می‌کنند و انتقاد آنها از "مخالف طرح" به "مخالف طرح بدون باجه تحویل سفارش" تغییر می‌کند. در همین حال، در فید، یک نماینده رسانه محلی شکایت یکی از ساکنان در مورد پارکینگ را بزرگنمایی می‌کند، که توجه را از تحویل سفارش‌ها منحرف می‌کند.

گزارش تحلیلگر نتیجه می‌گیرد که زمان تحویل می‌تواند باعث اختلاف نظر شود و پارکینگ ریسک پایدارتری است. تیم با نماینده رسانه مصاحبه می‌کند تا بفهمد کدام حقایق چارچوب‌بندی آن را تغییر می‌دهد، سپس یک بخش پارکینگ به طرح اضافه می‌کند. این شبیه‌سازی چیزی در مورد خیابان واقعی ثابت نکرد، اما دو فرضیه ملموس و قابل آزمایش به تیم داد. برای موقعیت‌های پر از شایعه، سناریوی پخش شایعه حول همین مکانیزم ساخته می‌شود.

محدودیت‌هایی که باید در نظر داشت

شبیه‌سازی جمعیت برای بررسی دینامیک‌ها قدرتمند است، اما محدودیت‌های مشخصی دارد:

• عامل‌ها مدل‌های هوش مصنوعی هستند که به اسناد شما وابسته‌اند. فقدان ذینفعان یا اطلاعات یک‌جانبه منجر به نقاط کور می‌شود.
• نتایج مانند نمونه‌ی یک نظرسنجی از نظر آماری نمایانگر نیستند و درصدها را نباید به عنوان سهم‌های دنیای واقعی در نظر گرفت.
• روندهای مختلف می‌توانند به طور متفاوتی اتفاق بیفتند. الگوهای ثابت را به عنوان سیگنال‌های قوی‌تر از لحظات دراماتیک واحد در نظر بگیرید.

با در نظر گرفتن این محدودیت‌ها، شبیه‌سازی راهی سریع برای دیدن اتفاقات بعدی و دلیل آن‌ها است. برای امتحان کردن آن روی سیستم خودتان، یک وظیفه (task) در کنسول آماده کنید .