मल्टी-एजेंट सिमुलेशन क्या है? सरल भाषा में एक गाइड

मल्टी-एजेंट सिमुलेशन एक ऐसी विधि है जिसके द्वारा किसी प्रणाली का अध्ययन कई स्वतंत्र कर्ताओं (जिन्हें एजेंट कहा जाता है) का मॉडल बनाकर किया जाता है। प्रत्येक एजेंट के अपने नियम, लक्ष्य या व्यक्तित्व होते हैं, और समग्र परिणाम उनके आपसी व्यवहार से उभरता है। "बाजार" या "जनमत" के लिए एक समीकरण लिखने के बजाय, आप व्यक्तियों का वर्णन करते हैं और समूह की प्रतिक्रिया देखते हैं। आधुनिक भाषा मॉडलों की सहायता से, ये एजेंट प्राकृतिक भाषा में पढ़, लिख और याद रख सकते हैं, जिससे यह विधि लोगों की प्रतिक्रियाओं से संबंधित प्रश्नों के लिए उपयोगी हो जाती है।

मूल विचार: व्यवहार अंतःक्रिया से उत्पन्न होता है।

कई महत्वपूर्ण परिणाम किसी एक कारक द्वारा निर्धारित नहीं होते। यातायात जाम, कीमतों में बेतहाशा वृद्धि, अफवाहें फैलना और जनमानस में बदलाव, ये सभी कई स्थानीय निर्णयों के परिणामस्वरूप उत्पन्न होते हैं जो एक दूसरे को प्रभावित करते हैं। मल्टी-एजेंट सिमुलेशन इस बात को गंभीरता से लेता है।

एक सामान्य सिमुलेशन में तीन घटक होते हैं:

• एजेंट : वे कर्ता, जिनमें से प्रत्येक की अपनी स्थिति (जो वह जानता है, चाहता है या मानता है) और व्यवहार (वह आगे क्या करना है यह कैसे तय करता है) होती है।
• एक वातावरण : वह स्थान जहाँ एजेंट एक दूसरे के साथ कार्य करते हैं और एक दूसरे का अवलोकन करते हैं, जैसे कि एक नक्शा, एक बाजार या एक सोशल नेटवर्क।
• समय के चरण या चक्र : प्रत्येक चरण में, कर्ता अवलोकन करते हैं, निर्णय लेते हैं और कार्य करते हैं, और परिणामस्वरूप वातावरण में परिवर्तन होता है।

इस दृष्टिकोण की विशिष्टता का कारण है उद्भव : समूह स्तर पर ऐसे पैटर्न जो किसी ने सीधे तौर पर निर्धारित नहीं किए। प्रत्येक व्यक्ति की एक छोटी सी प्राथमिकता, बार-बार की बातचीत के माध्यम से, एक बड़ा और आश्चर्यजनक सामूहिक परिणाम उत्पन्न कर सकती है।

यह कहां से आया: एजेंट-आधारित मॉडलिंग

यह विचार नया नहीं है। अर्थशास्त्र, पारिस्थितिकी, समाजशास्त्र और कंप्यूटर विज्ञान के शोधकर्ता दशकों से एजेंट-आधारित मॉडलिंग का उपयोग करते आ रहे हैं। 1970 के दशक के शुरुआती कार्यों में ही ग्रिड पर बहुत सरल नियमों के साथ यह दिखाया गया था कि पड़ोसियों के बारे में मामूली व्यक्तिगत प्राथमिकताएँ पूरे मोहल्ले के स्तर पर मजबूत अलगाव का कारण बन सकती हैं। इसके बाद के दशकों में, शोधकर्ताओं ने कृत्रिम समाज, नकली बाज़ार और महामारियों, झुंड में रहने वाले जानवरों और यातायात के मॉडल विकसित किए।

इन क्लासिक मॉडलों में एक समानता है: एजेंट जानबूझकर सरल बनाए गए हैं। प्रत्येक मॉडल कुछ संख्यात्मक नियमों का पालन करता है, जो मॉडल को पारदर्शी और विश्लेषण में आसान बनाता है, लेकिन साथ ही यह अनुनय, संदर्भ निर्धारण या व्यंग्य जैसे समृद्ध मानवीय व्यवहार के बारे में इसकी जानकारी को भी सीमित करता है।

नई लहर: भाषा मॉडल पर आधारित एजेंट

बड़े भाषा मॉडल ने एजेंट की क्षमताओं को बदल दिया है। लगभग 2023 से, तथाकथित जनरेटिव एजेंटों पर किए गए शोध से पता चला है कि भाषा-मॉडल एजेंट, जिन्हें एक व्यक्तित्व, अतीत की घटनाओं की स्मृति और उस स्मृति पर चिंतन करने की क्षमता दी गई है, एक सिम्युलेटेड समुदाय में आश्चर्यजनक रूप से विश्वसनीय तरीके से व्यवहार कर सकते हैं: वे अपने दिन की योजना बनाते हैं, राय बनाते हैं, समाचार प्रसारित करते हैं और एक दूसरे के साथ समन्वय करते हैं।

पारंपरिक एजेंट-आधारित मॉडलों की तुलना में, भाषा-मॉडल एजेंट:

• स्वाभाविक भाषा में संवाद करें , ताकि वे किसी कथन के वास्तविक शब्दों पर प्रतिक्रिया दे सकें, न कि केवल एक संख्या पर।
• पृष्ठभूमि, मूल्यों और बोलने के लहजे को मिलाकर समृद्ध व्यक्तित्व का परिचय दें ।
• याद रखें और अपडेट करते रहें , ताकि पहले की बातचीत बाद के व्यवहार को प्रभावित करे।

इसका नुकसान यह है कि वे नियम-आधारित एजेंटों की तुलना में कम पारदर्शी और चलाने में अधिक महंगे होते हैं, और उनका व्यवहार अंतर्निहित मॉडल की ताकत और पूर्वाग्रहों को दर्शाता है।

InfoDome इसे कैसे लागू करता है

InfoDome भाषा-मॉडल एजेंटों का उपयोग करके जनता और हितधारकों की प्रतिक्रियाओं का अनुकरण करता है। आप दस्तावेज़ अपलोड करते हैं और बताते हैं कि आप क्या भविष्यवाणी करना चाहते हैं; InfoDome आपकी सामग्री में मौजूद लोगों, संगठनों और समूहों का एक नॉलेज ग्राफ़ निकालता है, फिर आपके द्वारा चुने गए 10 देशों तक के दर्शकों में फैले सैकड़ों एजेंट बनाता है, जिनमें प्रत्येक एजेंट का अपना चरित्र, स्थिति और दीर्घकालिक स्मृति होती है। ये एजेंट एक निश्चित संख्या में राउंड के लिए समानांतर रूप से Twitter जैसे फ़ीड और Reddit जैसे फ़ोरम पर बातचीत करते हैं, और एक विश्लेषक एजेंट एक भविष्यवाणी रिपोर्ट लिखता है जिस पर आप, साथ ही किसी भी व्यक्तिगत एजेंट से प्रश्न कर सकते हैं। चरण-दर-चरण कार्यप्रणाली को "AI भीड़ अनुकरण प्रतिक्रियाओं की भविष्यवाणी कैसे करता है" में समझाया गया है।

जब मल्टी-एजेंट सिमुलेशन मदद करता है

यह विधि तब सबसे अधिक उपयोगी होती है जब परिणाम किसी एक निर्णय के बजाय आपसी बातचीत पर निर्भर करता है:

• ऐसी प्रतिक्रियाएँ जो एक के बाद एक प्रतिक्रियाओं पर आधारित होती हैं : संकट, अफवाहें, सार्वजनिक बहसें, जहाँ पहली प्रतिक्रिया की प्रतिक्रिया सबसे अधिक मायने रखती है।
• विभिन्न हितों वाले कई हितधारक : नीतिगत परिवर्तन, संगठनात्मक पुनर्गठन, वार्ता।
• रणनीतिक परस्पर क्रिया : प्रतिस्पर्धियों की प्रतिक्रियाएं या युद्ध-खेल, जहां प्रत्येक पक्ष दूसरे के अनुरूप ढल जाता है।
• प्रारंभिक अन्वेषण : जब आपको सर्वेक्षण या क्षेत्र अध्ययन से पहले, या जब वास्तविक परीक्षण बहुत महंगा या बहुत जोखिम भरा हो, तो परिकल्पनाओं की शीघ्र आवश्यकता होती है।
• संदेश तुलना : एक ही श्रोता समूह को किसी कथन के दो संस्करणों के साथ प्रस्तुत करना ताकि यह देखा जा सके कि कौन सा प्रारूप अधिक प्रभावी होता है।

जब इससे कोई फायदा नहीं होता

यह जानना भी उतना ही महत्वपूर्ण है कि इसका उपयोग कब नहीं करना चाहिए:

• जब आपको प्रतिनिधि संख्याओं की आवश्यकता हो। सिमुलेशन कोई जनमत सर्वेक्षण नहीं है; इसके अनुपातों को वास्तविक दुनिया के प्रतिशत के रूप में नहीं पढ़ा जाना चाहिए।
• जब पर्याप्त ऐतिहासिक डेटा पहले से ही प्रश्न का उत्तर दे देता है। यदि आपके पास किसी स्थिर उत्पाद के लिए कई वर्षों का बिक्री डेटा है, तो सांख्यिकीय पूर्वानुमान अधिक विश्वसनीय हो सकता है।
• जब इनपुट सीमित हो, तो एजेंट उतने ही स्थिर होते हैं जितना कि वे जिस सामग्री से बने होते हैं। हितधारकों की अनुपस्थिति का अर्थ है आवाजों की अनुपस्थिति।
• जब आपको निश्चितता चाहिए। अलग-अलग प्रयोग अलग-अलग परिणाम दे सकते हैं। इसका परिणाम एक समीक्षा योग्य परिकल्पना है जो निर्णय का समर्थन करती है; यह निर्णय का स्थान नहीं लेती।

एक हल किया हुआ उदाहरण

एक मध्यम आकार की लॉजिस्टिक्स कंपनी अपने कार्यालय कर्मचारियों के लिए चार-दिवसीय कार्य सप्ताह लागू करने पर विचार कर रही है। नेतृत्व यह जानना चाहता है कि कर्मचारी, टीम प्रमुख और ग्राहक इस पर कैसी प्रतिक्रिया देंगे। एक स्प्रेडशीट मॉडल लागत का अनुमान तो लगा सकता है, लेकिन यह अनुमान नहीं लगा सकता कि कर्मचारियों के बीच "छिपे हुए ओवरटाइम" की अफवाह कैसे फैलेगी, या कोई प्रमुख ग्राहक इस खबर को कैसे लेगा।

मानव संसाधन टीम आंतरिक प्रस्ताव और हाल ही में किए गए कर्मचारी सर्वेक्षण का सारांश InfoDome पर अपलोड करती है, प्रश्न का विवरण देती है और एक देश में 20 दौर का सर्वेक्षण चलाती है। फ़ोरम पर, टीम लीड एजेंट शुक्रवार को कार्यभार संभालने को लेकर चिंता व्यक्त करते हैं; फ़ीड पर, युवा कर्मचारी इस बदलाव का स्वागत करते हैं लेकिन इस बात की चिंता जताते हैं कि कार्यभार कम हो जाएगा। एक क्लाइंट एजेंट पूछता है कि क्या प्रतिक्रिया समय में कोई बदलाव आएगा। विश्लेषक की रिपोर्ट बताती है कि शुक्रवार को कार्यभार संभालने को लेकर स्पष्टता ही टीम लीड और क्लाइंट दोनों के लिए निर्णायक कारक है।

टीम लीड एजेंट का इंटरव्यू लेते समय, HR को पता चलता है कि शुक्रवार को बारी-बारी से काम करने की व्यवस्था से उनकी चिंताएँ कम हो जाएँगी। नेतृत्व इसे अंतिम समाधान के रूप में नहीं, बल्कि दो विभागों के साथ एक वास्तविक पायलट प्रोजेक्ट में परीक्षण के लिए एक परिकल्पना के रूप में लेता है। मल्टी-एजेंट सिमुलेशन का यह एक अच्छा उपयोग है: इसने एक अस्पष्ट प्रश्न को एक विशिष्ट, परीक्षण योग्य प्रश्न में बदल दिया। यदि आप इसी तरह के भविष्योन्मुखी प्रश्नों पर काम करते हैं, तो परिदृश्य नियोजन का उपयोग एक अच्छा प्रारंभिक बिंदु हो सकता है।

शुरू करना

InfoDome के साथ मल्टी-एजेंट सिमुलेशन चलाने के लिए आपको प्रोग्रामिंग कौशल की आवश्यकता नहीं है। सिंगल प्लान की कीमत €29 प्रति माह है, जिसमें €9 का मासिक AI उपयोग बजट और असीमित प्रोजेक्ट शामिल हैं, और इसे कभी भी रद्द किया जा सकता है। कंसोल में अपना पहला परिदृश्य तैयार करें ; आप साइन अप करने से पहले एक कार्य निर्धारित कर सकते हैं।