Kako simulacija gomile umjetnom inteligencijom predviđa reakcije javnosti

Simulacija mase umjetnom inteligencijom predviđa reakcije javnosti tako što iz stvarnog konteksta stvara populaciju AI agenata i omogućuje im interakciju tijekom vremena, umjesto da od jednog modela traže jedan odgovor. U InfoDome, vaš dokument postaje graf znanja, graf postaje stotine agenata s vlastitim karakterom, položajem i pamćenjem, a ti agenti raspravljaju na dvije simulirane platforme odabrani broj rundi. Analitički agent zatim čita što se dogodilo i piše izvješće o predviđanju koje možete dovesti u pitanje.

Zašto simulirati gomilu umjesto da pitamo jedan model

Ako pitate jedan model umjetne inteligencije "kako će ljudi reagirati na ovo?", dobit ćete jedan uvjerljiv odlomak. Često je razuman, ali je prosjek: jedan glas zamišlja sve odjednom. Prave reakcije ne funkcioniraju tako. Ljudi reagiraju jedni na druge. Objava kritičara oblikuje kako neutralni čitatelj vidi vijesti; odgovor branitelja mijenja ono što kritičar sljedeće kaže; novinar primjećuje najglasnije, a ne najtočnije okvire.

Simulacija mase pokušava uhvatiti tu dinamiku. Umjesto jednog zamišljenog konsenzusa, modelira mnoge različite aktere i omogućuje da ishod proizlazi iz njihove interakcije. Zato vas rezultat može iznenaditi i zato se isplati provjeriti iznenađenja. Šira metoda poznata je kao višeagentna simulacija; njezinu pozadinu objašnjavamo u odjeljku Što je višeagentna simulacija .

Korak 1: Od dokumenta do grafa znanja

Sve počinje s vašim materijalom: vijestima, planovima, izvješćima, nacrtima politika ili fikcijom, u PDF, Markdown ili tekstu. InfoDome ga čita zajedno s vašim jednostavnim opisom onoga što želite predvidjeti i izdvaja graf znanja:

• Entiteti : osobe, organizacije i grupe spomenute u tekstu.
• Odnosi : tko koga podržava, protivi se, ovisi o kome, izvještava o kome ili se s kim natječe.
• Kontekst : činjenice i stavovi koje tekst pripisuje svakom od njih.

Graf je važan jer simulaciju usidrava u vašoj situaciji, a ne u generičkim pretpostavkama. Također je vidljiv i vama, tako da možete vidjeti što je sustav razumio prije nego što se išta pokrene.

Korak 2: Od grafa do agenata

Iz grafa i opisa vaše publike, InfoDome stvara stotine AI agenata; točan broj ovisi o dokumentu. Svaki agent dobiva:

• Lik : temperament, interesi, način na koji govori i komunicira.
• Pozicija : gdje počinje problem, na temelju grafa.
• Dugoročno pamćenje : ono što je vidjelo, reklo i što mu je rečeno, a što se pamti kroz runde.
• Zemlja : možete odabrati do 10 zemalja publike, a agenti su ravnomjerno raspoređeni među njima. Pravi imenovani subjekti iz dokumenta zadržavaju svoju zemlju.

Kombinacija je namjerna. Neki agenti predstavljaju imenovane organizacije ili ljude iz vašeg teksta; drugi predstavljaju članove šire publike, tako da simulacija uključuje i vidljive aktere i publiku koja na njih reagira.

Korak 3: Krugovi na dvije platforme

Agenti zatim međusobno djeluju u simuliranoj društvenoj mreži koja paralelno radi na dvije platforme:

• Feed nalik Twitter : kratke objave, brze reakcije, ponovne objave. Ovdje se okviri brzo šire, a ton eskalira.
• Forum sličan Reddit : duže teme i odgovori. Ovdje se provjeravaju argumenti, raspravlja o detaljima i stavovi se učvršćuju ili omekšavaju.

Sami birate broj rundi, na primjer 10, 20 ili 40. U svakoj rundi agenti čitaju što su drugi objavili, odlučuju hoće li i kako odgovoriti te ažuriraju svoje pamćenje. Budući da se pamćenje prenosi, runda 15 oblikovana je onim što se dogodilo u rundama od 1 do 14. Argument koji je rano ostao bez odgovora može kasnije postati prihvaćena mudrost; ispravak koji je stigao kasno možda nikada neće biti sustignut.

Korak 4: Od razgovora do izvješća

Nakon posljednjeg kruga, analitičar proučava simuliranu aktivnost i piše izvješće o predviđanju sa zaključcima: dominantni narativi, koje su se skupine pomaknule i zašto, koji su akteri djelovali kao pojačivači, koji rizici i otvorena pitanja ostaju. Izvješće nije jedini rezultat. Možete otvoriti temeljne objave, intervjuirati bilo kojeg agenta o njegovom obrazloženju i postaviti analitičaru dodatna pitanja. Ta sljedivost je ono što simulaciju pretvara u hipotezu koju je moguće pregledati, a ne u presudu crne kutije.

Zašto su reakcije drugog reda važne

Prvu reakciju na vijesti obično je lako pogoditi. Povećanje cijena živcira kupce; novi propis brine reguliranu industriju. Ono što je teško pogoditi je reakcija drugog reda : reakcija na reakciju.

Primjeri učinaka drugog reda koje simulacija gomile može pojaviti:

• Obrambeni odgovor tvrtke pretvara malu pritužbu u priču o aroganciji.
• Glasina blijedi na brzom prijenosu, ali preživljava u forumu koji se kasnije ponovno pojavljuje.
• Mlaku podršku saveznika neutralni agenti tumače kao znak skrivenih problema.
• Dvije skupine koje su krenule na suprotnim stranama otkrivaju zajedničku pritužbu i slažu se.

Ti se učinci pojavljuju samo kada akteri reagiraju jedni na druge tijekom vremena, što je upravo ono čemu služe runde i pamćenje. To su ujedno i učinci koji najčešće iznenađuju organizacije jer ih nijedan intervju sa dionicima ne bi otkrio.

Izrađen primjer

Gradska uprava izrađuje nacrt plana za pretvaranje prometne trgovačke ulice u pješačku zonu. Tim za planiranje postavlja nacrt, sažetak prometne studije i lokalno izvješće u kojem se citiraju vlasnici trgovina. Pitaju kako će stanovnici, vlasnici trgovina, dostavne tvrtke i lokalni mediji reagirati tijekom prvog mjeseca te provode 40 krugova u jednoj zemlji.

Prvi krugovi ne donose iznenađenja: vlasnici trgovina brinu se o dostavama, stanovnicima se sviđa ideja manje buke. Zatim se pojavljuje obrazac druge narudžbe. Agent dostavne tvrtke objavljuje da bi jutarnji prozori za dostavu riješili većinu problema. Agenti vlasnika trgovina na forumu to primjećuju, a njihova kritika se prebacuje s "protiv plana" na "protiv plana bez prozora za dostavu". U međuvremenu, na feedu, lokalni medijski agent pojačava pritužbu stanovnika na parkiranje, što odvlači pozornost od dostava.

Izvješće analitičara zaključuje da bi rokovi za dostavu mogli podijeliti opoziciju te da je parkiranje trajniji rizik. Tim intervjuira medijskog agenta kako bi razumio koje bi činjenice promijenile okvir, a zatim dodaje dio za parkiranje planu. Simulacija nije ništa dokazala o stvarnoj ulici, ali je timu dala dvije konkretne, provjerljive hipoteze. Za situacije s puno glasina, scenarij širenja glasina izgrađen je oko iste mehanike.

Ograničenja koja treba imati na umu

Simulacija gomile je moćna za istraživanje dinamike, ali ima jasna ograničenja:

• Agenti su AI modeli uvjetovani vašim dokumentima. Nedostatak dionika ili jednostran materijal dovode do slijepih točaka.
• Rezultati nisu statistički reprezentativni poput uzorka ankete, a postotke ne treba čitati kao udjele iz stvarnog svijeta.
• Različiti nizovi mogu se odvijati drugačije. Tretirajte dosljedne obrasce kao jače signale nego pojedinačne dramatične trenutke.

Imajući na umu ova ograničenja, simulacija je brz način da se vidi što bi se moglo sljedeće dogoditi i zašto. Da biste to isprobali na vlastitom slučaju, pripremite zadatak u konzoli .