Como a simulación de multitudes con IA predí as reaccións do público

A simulación de multitudes mediante IA predí as reaccións do público mediante a construción dunha poboación de axentes de IA a partir dun contexto real e o seu intercambio ao longo do tempo, en lugar de pedirlle unha única resposta a un só modelo. En InfoDome, o teu documento convértese nun gráfico de coñecemento, que se converte en centos de axentes co seu propio carácter, posición e memoria, e eses axentes debaten en dúas plataformas simuladas durante un número escollido de roldas. Un axente analista le o que aconteceu e escribe un informe de predición que podes cuestionar.

Por que simular unha multitude en vez de preguntarlle a un modelo?

Se lle preguntas a un único modelo de IA "como reaccionará a xente a isto?", obtés un parágrafo plausible. A miúdo é razoable, pero é unha media: unha voz imaxinando a todos á vez. As reaccións reais non funcionan así. A xente responde entre si. A publicación dun crítico configura como un lector neutral ve as noticias; a resposta dun defensor cambia o que di o crítico a continuación; un xornalista recolle o encuadre máis ruidoso, non o máis preciso.

Unha simulación de multitudes tenta capturar esa dinámica. En lugar dun consenso imaxinario, modela moitos actores distintos e deixa que o resultado xurda da súa interacción. É por iso que o resultado pode sorprenderche e por iso paga a pena comprobar as sorpresas. O método máis amplo coñécese como simulación multiaxente; explicamos os seus antecedentes no que é a simulación multiaxente .

Paso 1: Do documento ao gráfico de coñecemento

Todo comeza co teu material: noticias, plans, informes, borradores de políticas ou ficción, en PDF, Markdown ou texto. InfoDome léeo xunto coa túa descrición en linguaxe sinxela do que queres predicir e extrae un gráfico de coñecemento:

• Entidades : persoas, organizacións e grupos mencionados no texto.
• Relacións : quen apoia, se opón, depende, informa ou compite con quen.
• Contexto : os feitos e as posicións que o texto atribúe a cada un deles.

O gráfico é importante porque ancora a simulación na túa situación en lugar de en suposicións xenéricas. Tamén é visible para ti, polo que podes ver o que entendeu o sistema antes de que se execute nada.

Paso 2: Do grafo aos axentes

A partir do gráfico e da descrición da túa audiencia, InfoDome crea centos de axentes de IA; o número exacto depende do documento. Cada axente obtén:

• Un personaxe : temperamento, intereses, o xeito no que tende a falar e a interactuar.
• Unha posición : onde comeza no problema, informada polo gráfico.
• Memoria a longo prazo : o que viu, dixo e lle contaron, que persiste ao longo das roldas.
• Un país : podes escoller ata 10 países de audiencia e os axentes repártense por igual entre eles. As entidades reais con nome do documento manteñen o seu propio país.

A mestura é deliberada. Algúns axentes representan organizacións ou persoas con nome propio do teu texto; outros representan membros do público en xeral, polo que a simulación inclúe tanto os actores visibles como a multitude que reacciona a eles.

Paso 3: Rondas en dúas plataformas

Os axentes interactúan entón nunha rede social simulada que se executa en dúas plataformas en paralelo:

• Unha canle tipo Twitter : publicacións curtas, reaccións rápidas, republicacións. Aquí é onde os encuadres se espallan rápido e o ton se intensifica.
• Un foro semellante Reddit : fíos e respostas máis longos. Aquí é onde se poñen a proba os argumentos, se debaten os detalles e se endurecen ou suavizan as posicións.

Escolles o número de roldas, por exemplo 10, 20 ou 40. En cada rolda, os axentes len o que publicaron os demais, deciden se responder e como facelo, e actualizan a súa memoria. Dado que a memoria se mantén, a rolda 15 está determinada polo que aconteceu nas roldas 1 a 14. Un argumento que non foi respondido cedo pode converterse en sabedoría aceptada máis tarde; unha corrección que chegou tarde pode que nunca se alcance.

Paso 4: Da conversa ao informe

Despois da última rolda, un axente analista estuda a actividade simulada e escribe un informe de predición con conclusións: narrativas dominantes, que grupos se moveron e por que, que actores actuaron como amplificadores, que riscos e preguntas abertas quedan. O informe non é o único resultado. Podes abrir as publicacións subxacentes, entrevistar a calquera axente sobre o seu razoamento e facer preguntas de seguimento ao analista. Esa rastrexabilidade é o que converte unha simulación nunha hipótese revisable en lugar dun veredicto de caixa negra.

Por que importan as reaccións de segunda orde

A primeira reacción ás noticias adoita ser doada de adiviñar. Un aumento de prezos molesta aos clientes; unha nova regulación preocupa á industria regulada. O que é difícil de adiviñar é a reacción de segunda orde : a reacción á reacción.

Exemplos de efectos de segunda orde que pode xurdir nunha simulación de multitudes:

• A resposta defensiva dunha empresa converte unha pequena queixa nunha historia sobre arrogancia.
• Un rumor esvaécese na transmisión rápida, pero sobrevive nun fío do foro que máis tarde reaparece.
• O apoio morno dun aliado é interpretado polos axentes neutrais como un sinal de problemas ocultos.
• Dous grupos que comezaron en bandos opostos descobren unha queixa común e aliñanse.

Estes efectos só aparecen cando os actores responden entre si ao longo do tempo, que é precisamente para o que existen as roldas e a memoria. Tamén son os efectos que con máis frecuencia pillan desprevenidas ás organizacións, porque ningunha entrevista individual coas partes interesadas os revelaría.

Un exemplo práctico

O goberno dun concello redacta un plan para converter unha rúa comercial concorrida nunha zona peonil. O equipo de planificación publica o borrador, un resumo dun estudo de tráfico e unha noticia local que cita aos propietarios das tendas. Preguntan como reaccionarán os residentes, os propietarios das tendas, as empresas de reparto e os medios de comunicación locais durante o primeiro mes e realizan 40 roldas nun só país.

As primeiras roldas non deparan sorpresas: os propietarios das tendas preocúpanse polas entregas, e os residentes gústalles a idea de ter menos ruído. Entón xorde un patrón de segunda orde. Un axente dunha empresa de reparto publica que as ventanillas de entrega a primeira hora da mañá resolverían a maioría dos problemas. Os axentes propietarios de tendas no foro recólleno e as súas críticas pasan de "en contra do plan" a "en contra do plan sen ventanillas de entrega". Mentres tanto, na transmisión, un axente de medios local amplifica a queixa dun residente sobre o aparcamento, que desvía a atención das entregas.

O informe do analista conclúe que as ventás de entrega poderían dividir á oposición e que o aparcamento é o risco máis persistente. O equipo entrevista o axente dos medios para comprender que feitos cambiarían o seu encuadre e, a continuación, engade unha sección de aparcamento ao plan. A simulación non probou nada sobre a rúa real, pero deulle ao equipo dúas hipóteses concretas e comprobables. Para situacións con moitos rumores, o escenario de propagación de rumores constrúese arredor da mesma mecánica.

Límites a ter en conta

A simulación de multitudes é potente para explorar a dinámica, pero ten límites claros:

• Os axentes son modelos de IA condicionados nos teus documentos. A falta de partes interesadas ou o material unilateral provocan puntos cegos.
• Os resultados non son estatisticamente representativos como unha mostra de enquisa e as porcentaxes non deben interpretarse como participacións no mundo real.
• Diferentes carreiras poden desenvolverse de xeito diferente. Trata os patróns consistentes como sinais máis fortes que os momentos dramáticos individuais.

Tendo en conta estas limitacións, a simulación é unha forma rápida de ver que pode ocorrer a continuación e por que. Para probala no teu propio caso, prepara unha tarefa na consola .