شبیه‌سازی چندعاملی چیست؟ یک راهنمای ساده

شبیه‌سازی چندعاملی روشی برای مطالعه یک سیستم است که با مدل‌سازی بسیاری از بازیگران مستقل، به نام عامل‌ها، که هر کدام قوانین، اهداف یا شخصیت خاص خود را دارند، انجام می‌شود و اجازه می‌دهد نتیجه کلی از نحوه تعامل آنها پدیدار شود. به جای نوشتن یک معادله برای "بازار" یا "افکار عمومی"، شما افراد را توصیف می‌کنید و عملکرد گروه را تماشا می‌کنید. با مدل‌های زبانی مدرن، این عامل‌ها می‌توانند به زبان طبیعی بخوانند، بنویسند و به خاطر بسپارند، که این روش را برای سؤالاتی در مورد نحوه واکنش مردم مفید می‌کند.

ایده اصلی: رفتار از تعامل ناشی می‌شود

بسیاری از نتایج مهم توسط هیچ بازیگر واحدی تعیین نمی‌شوند. ترافیک، نوسانات قیمت، شایعات ویروسی و تغییر در خلق و خوی عمومی، همگی از تصمیمات محلی بسیاری ناشی می‌شوند که بر یکدیگر تأثیر می‌گذارند. شبیه‌سازی چندعاملی این موضوع را جدی می‌گیرد.

یک شبیه‌سازی معمولی سه جزء دارد:

• عامل‌ها : بازیگرانی که هر کدام وضعیت (آنچه می‌دانند، می‌خواهند یا باور دارند) و رفتار (نحوه تصمیم‌گیری در مورد اقدام بعدی) خاص خود را دارند.
• محیط : فضایی که در آن عامل‌ها عمل می‌کنند و یکدیگر را مشاهده می‌کنند، مانند نقشه، بازار یا شبکه اجتماعی.
• گام‌ها یا دورهای زمانی : در هر گام، عامل‌ها مشاهده می‌کنند، تصمیم می‌گیرند و عمل می‌کنند و در نتیجه محیط تغییر می‌کند.

آنچه این رویکرد را متمایز می‌کند، ظهور است: الگوهایی در سطح گروه که هیچ‌کس مستقیماً آنها را برنامه‌ریزی نکرده است. یک ترجیح کوچک در هر فرد می‌تواند، از طریق تعامل مکرر، نتیجه جمعی بزرگ و شگفت‌انگیزی ایجاد کند.

از کجا آمده است: مدل‌سازی مبتنی بر عامل

این ایده جدید نیست. محققان اقتصاد، بوم‌شناسی، جامعه‌شناسی و علوم کامپیوتر دهه‌هاست که از مدل‌سازی مبتنی بر عامل استفاده می‌کنند. کارهای اولیه در دهه ۱۹۷۰، با قوانین بسیار ساده روی یک شبکه، نشان داده بود که چگونه ترجیحات خفیف فردی در مورد همسایگان می‌تواند به جداسازی شدید در سطح کل یک محله منجر شود. در دهه‌های بعد، محققان جوامع مصنوعی، بازارهای شبیه‌سازی شده و مدل‌هایی از بیماری‌های همه‌گیر، حیوانات گله‌دار و ترافیک ساختند.

این مدل‌های کلاسیک یک ویژگی مشترک دارند: عامل‌ها عمداً ساده هستند. هر کدام از تعدادی قانون عددی پیروی می‌کنند که باعث شفافیت و سهولت تجزیه و تحلیل مدل می‌شود، اما همچنین آنچه را که می‌تواند در مورد رفتارهای غنی انسانی مانند اقناع، چارچوب‌بندی یا کنایه بگوید، محدود می‌کند.

موج جدید: عامل‌های ساخته‌شده بر اساس مدل‌های زبانی

مدل‌های زبانی بزرگ، ماهیت یک عامل را تغییر دادند. از حدود سال ۲۰۲۳، تحقیقات روی عامل‌های مولد نشان داده است که عامل‌های مدل زبانی، با داشتن یک شخصیت، حافظه‌ای از رویدادهای گذشته و توانایی تأمل در مورد آن حافظه، می‌توانند در یک جامعه شبیه‌سازی شده به شیوه‌های شگفت‌انگیز و باورپذیر رفتار کنند: آنها روزهای خود را برنامه‌ریزی می‌کنند، نظرات خود را شکل می‌دهند، اخبار را منتقل می‌کنند و با یکدیگر هماهنگ می‌شوند.

در مقایسه با مدل‌های کلاسیک مبتنی بر عامل، عامل‌های مدل زبانی:

• به زبان طبیعی ارتباط برقرار کنند ، تا بتوانند به متن واقعی یک جمله واکنش نشان دهند، نه فقط به یک عدد.
• شخصیت‌های غنی داشته باشید ، پیشینه، ارزش‌ها و لحن صدا را با هم ترکیب کنید.
• به خاطر بسپارید و به‌روز کنید ، تا مکالمات قبلی، رفتار بعدی را شکل دهند.

مزیت این است که آنها شفافیت کمتری دارند و اجرای آنها نسبت به عامل‌های مبتنی بر قانون گران‌تر است و رفتار آنها منعکس کننده نقاط قوت و سوگیری‌های مدل زیربنایی است.

چگونه InfoDome آن را اعمال می‌کند

InfoDome از عامل‌های مدل زبانی برای شبیه‌سازی واکنش‌های عمومی و ذینفعان استفاده می‌کند. شما اسناد را بارگذاری می‌کنید و آنچه را که می‌خواهید پیش‌بینی کنید شرح می‌دهید؛ InfoDome یک نمودار دانش از افراد، سازمان‌ها و گروه‌های موجود در مطالب شما استخراج می‌کند، سپس صدها عامل با شخصیت، موقعیت و حافظه بلندمدت خود ایجاد می‌کند که در حداکثر 10 کشور مخاطبی که شما انتخاب می‌کنید، پخش شده‌اند. عامل‌ها به طور موازی در یک فید شبیه Twitter و یک انجمن شبیه Reddit برای تعداد مشخصی از دورها تعامل می‌کنند و یک عامل تحلیلگر یک گزارش پیش‌بینی می‌نویسد که می‌توانید به همراه هر عامل جداگانه، آن را زیر سوال ببرید. مکانیسم گام به گام در نحوه پیش‌بینی واکنش‌ها توسط شبیه‌سازی جمعیت هوش مصنوعی توضیح داده شده است.

وقتی شبیه‌سازی چندعاملی کمک می‌کند

این روش زمانی بیشترین ارزش را دارد که نتیجه به جای یک تصمیم واحد، به تعامل بستگی داشته باشد:

• واکنش‌هایی که بر واکنش‌های دیگر بنا می‌شوند : بحران‌ها، شایعات، بحث‌های عمومی، که در آن‌ها پاسخ به اولین واکنش بیشترین اهمیت را دارد.
• ذینفعان متعدد با منافع مختلف : تغییرات سیاست، تجدید ساختار سازمانی، مذاکرات.
• تعامل استراتژیک : پاسخ‌های رقبا یا بازی‌های جنگی، که در آن هر طرف خود را با طرف دیگر وفق می‌دهد.
• کاوش اولیه : زمانی که به سرعت به فرضیه نیاز دارید، قبل از یک نظرسنجی یا مطالعه میدانی، یا زمانی که یک آزمایش واقعی بسیار پرهزینه یا بسیار پرخطر است.
• مقایسه پیام : مقایسه دو نسخه از یک بیانیه با مخاطبان یکسان برای بررسی اینکه کدام چارچوب، پیام را بهتر منتقل می‌کند.

وقتی کمکی نمی‌کند

به همان اندازه مهم است که بدانید چه زمانی از آن استفاده نکنید:

• وقتی به اعداد نماینده نیاز دارید. شبیه‌سازی، نظرسنجی نیست؛ نسبت‌های آن نباید به عنوان درصدهای دنیای واقعی تلقی شوند.
• وقتی داده‌های تاریخی خوب از قبل به این سوال پاسخ می‌دهند. اگر داده‌های فروش سال‌ها برای یک محصول پایدار را دارید، پیش‌بینی آماری ممکن است قابل اعتمادتر باشد.
• وقتی ورودی‌ها کم باشد، عوامل فقط به اندازه‌ی مصالحی که از آن ساخته شده‌اند، ریشه‌دار هستند. فقدان ذینفعان به معنای فقدان صداهاست.
• وقتی به قطعیت نیاز دارید. روندهای مختلف می‌توانند به طور متفاوتی اتفاق بیفتند. خروجی یک فرضیه قابل بررسی است که از قضاوت پشتیبانی می‌کند؛ جایگزین آن نمی‌شود.

یک نمونه کار شده

یک شرکت لجستیکی متوسط در حال بررسی تغییر به هفته کاری چهار روزه برای کارکنان اداری است. رهبری می‌خواهد بداند که کارمندان، سرپرستان تیم و مشتریان چگونه ممکن است واکنش نشان دهند. یک مدل صفحه گسترده می‌تواند هزینه‌ها را تخمین بزند، اما نمی‌تواند چگونگی پخش شایعه‌ای در مورد «اضافه کاری پنهان» در بین کارکنان یا چگونگی برداشت یک مشتری کلیدی از این خبر را تخمین بزند.

تیم منابع انسانی، پیشنهاد داخلی و خلاصه‌ای از نظرسنجی اخیر کارکنان را در InfoDome بارگذاری می‌کند، سوال را شرح می‌دهد و 20 دور نظرسنجی را در یک کشور اجرا می‌کند. در این انجمن، سرپرستان تیم نگرانی‌هایی را در مورد پوشش خبری در روزهای جمعه مطرح می‌کنند؛ در فید، کارمندان جوان‌تر از این تغییر استقبال می‌کنند اما نگرانی خود را مبنی بر فشرده شدن حجم کار به اشتراک می‌گذارند. یکی از سرپرستان مشتری می‌پرسد که آیا زمان پاسخگویی تغییر خواهد کرد یا خیر. گزارش تحلیلگر نشان می‌دهد که شفافیت در پوشش خبری در روز جمعه، عامل تعیین‌کننده‌ای برای سرپرستان تیم و مشتریان است.

بخش منابع انسانی با مصاحبه با یکی از مدیران ارشد تیم، متوجه می‌شود که برنامه‌ی چرخشی جمعه‌ها نگرانی‌هایش را کاهش می‌دهد. مدیریت با این موضوع به عنوان یک فرضیه برای آزمایش در یک طرح آزمایشی واقعی با دو دپارتمان برخورد می‌کند، نه به عنوان پاسخ نهایی. این یک استفاده‌ی خوب از شبیه‌سازی چندعاملی است: این شبیه‌سازی یک سوال مبهم را به یک سوال مشخص و قابل آزمایش محدود می‌کند. اگر روی سوالات آینده‌نگر مشابه کار می‌کنید، مورد استفاده از برنامه‌ریزی سناریو نقطه شروع خوبی است.

شروع به کار

برای اجرای یک شبیه‌سازی چندعاملی با InfoDome نیازی به مهارت‌های برنامه‌نویسی ندارید. هزینه طرح تکی ماهانه ۲۹ یورو است که شامل بودجه استفاده از هوش مصنوعی ماهانه ۹ یورو و پروژه‌های نامحدود می‌شود و می‌توان آن را در هر زمان لغو کرد. اولین سناریوی خود را در کنسول آماده کنید ؛ می‌توانید قبل از ثبت‌نام، یک وظیفه تنظیم کنید.