Bagaimana Simulasi Kerumunan AI Memprediksi Reaksi Publik

Simulasi kerumunan AI memprediksi reaksi publik dengan membangun populasi agen AI dari konteks nyata dan membiarkan mereka berinteraksi dari waktu ke waktu, alih-alih meminta satu model untuk satu jawaban tunggal. Di InfoDome, dokumen Anda menjadi grafik pengetahuan, grafik tersebut menjadi ratusan agen dengan karakter, posisi, dan memori mereka sendiri, dan agen-agen tersebut berdebat di dua platform simulasi untuk sejumlah putaran yang dipilih. Kemudian, agen analis membaca apa yang terjadi dan menulis laporan prediksi yang dapat Anda pertanyakan.

Mengapa mensimulasikan kerumunan orang alih-alih meminta satu model saja?

Jika Anda bertanya pada satu model AI "bagaimana orang akan bereaksi terhadap ini?", Anda akan mendapatkan satu paragraf yang masuk akal. Seringkali masuk akal, tetapi itu adalah rata-rata: satu suara yang membayangkan semua orang sekaligus. Reaksi nyata tidak bekerja seperti itu. Orang saling merespons. Tulisan seorang kritikus membentuk bagaimana pembaca netral melihat berita; balasan seorang pembela mengubah apa yang dikatakan kritikus selanjutnya; seorang jurnalis memilih narasi yang paling lantang, bukan yang paling akurat.

Simulasi kerumunan mencoba menangkap dinamika tersebut. Alih-alih satu konsensus yang dibayangkan, simulasi ini memodelkan banyak aktor yang berbeda dan membiarkan hasilnya muncul dari interaksi mereka. Itulah mengapa hasilnya dapat mengejutkan Anda, dan mengapa kejutan tersebut layak untuk diperiksa. Metode yang lebih luas dikenal sebagai simulasi multi-agen; kami menjelaskan latar belakangnya dalam apa itu simulasi multi-agen .

Langkah 1: Dari dokumen ke knowledge graph

Semuanya berawal dari materi Anda: berita, rencana, laporan, draf kebijakan, atau fiksi, dalam PDF, Markdown, atau teks. InfoDome membacanya bersama dengan deskripsi sederhana Anda tentang apa yang ingin Anda prediksi dan mengekstrak grafik pengetahuan:

• Entitas : orang, organisasi, dan kelompok yang disebutkan dalam teks.
• Hubungan : siapa yang mendukung, menentang, bergantung pada, melaporkan tentang, atau bersaing dengan siapa.
• Konteks : fakta dan posisi yang dikaitkan teks kepada masing-masing tokoh tersebut.

Grafik ini penting karena grafik ini mengaitkan simulasi dengan situasi Anda, bukan dengan asumsi umum. Grafik ini juga dapat Anda lihat, sehingga Anda dapat memahami apa yang dipahami sistem sebelum apa pun dijalankan.

Langkah 2: Dari grafik ke agen

Berdasarkan grafik dan deskripsi audiens Anda, InfoDome membuat ratusan agen AI; jumlah pastinya bergantung pada dokumen. Setiap agen mendapatkan:

• Sebuah karakter : temperamen, minat, cara bicaranya dan cara berinteraksi.
• Posisi : titik awal permasalahan, berdasarkan grafik.
• Memori jangka panjang : apa yang telah dilihat, dikatakan, dan diceritakan, yang bertahan lintas putaran.
• Suatu negara : Anda dapat memilih hingga 10 negara audiens, dan agen dibagi secara merata di antara negara-negara tersebut. Entitas bernama asli dari dokumen tersebut tetap mempertahankan negara mereka sendiri.

Perpaduan ini disengaja. Beberapa agen mewakili organisasi atau orang-orang tertentu dari teks Anda; yang lain mewakili anggota audiens yang lebih luas, sehingga simulasi mencakup baik pemain yang terlihat maupun kerumunan yang bereaksi terhadap mereka.

Langkah 3: Babak di dua platform

Para agen kemudian berinteraksi dalam jaringan sosial simulasi yang berjalan di dua platform secara paralel:

• Sebuah platform mirip Twitter : unggahan singkat, reaksi cepat, dan unggahan ulang. Di sinilah opini menyebar dengan cepat dan nada bicara meningkat.
• Forum mirip Reddit : utas dan balasan yang lebih panjang. Di sinilah argumen diuji, detail diperdebatkan, dan posisi menguat atau melunak.

Anda memilih jumlah putaran, misalnya 10, 20, atau 40. Di setiap putaran, agen membaca apa yang diposting orang lain, memutuskan apakah dan bagaimana merespons, dan memperbarui ingatan mereka. Karena ingatan berlanjut, putaran ke-15 dibentuk oleh apa yang terjadi di putaran 1 hingga 14. Argumen yang tidak terjawab di awal mungkin menjadi kebijaksanaan yang diterima kemudian; koreksi yang datang terlambat mungkin tidak akan pernah menyusul.

Langkah 4: Dari percakapan ke laporan

Setelah putaran terakhir, seorang agen analis mempelajari aktivitas yang disimulasikan dan menulis laporan prediksi dengan kesimpulan: narasi dominan, kelompok mana yang bergerak dan mengapa, aktor mana yang bertindak sebagai penguat, risiko apa dan pertanyaan terbuka apa yang masih ada. Laporan tersebut bukanlah satu-satunya hasil. Anda dapat membuka postingan yang mendasarinya, mewawancarai agen mana pun tentang alasannya, dan mengajukan pertanyaan lanjutan kepada analis. Keterlacakan itulah yang mengubah simulasi menjadi hipotesis yang dapat ditinjau, bukan vonis kotak hitam.

Mengapa reaksi orde kedua penting?

Reaksi pertama terhadap berita biasanya mudah ditebak. Kenaikan harga membuat pelanggan kesal; peraturan baru membuat industri yang diatur khawatir. Yang sulit ditebak adalah reaksi tingkat kedua : reaksi terhadap reaksi.

Contoh efek tingkat kedua yang dapat ditimbulkan oleh simulasi kerumunan:

• Tanggapan defensif perusahaan mengubah keluhan kecil menjadi cerita tentang kesombongan.
• Sebuah rumor cepat menghilang dari pemberitaan media sosial, tetapi tetap bertahan dalam sebuah utas forum yang kemudian muncul kembali.
• Dukungan yang setengah-setengah dari sekutu ditafsirkan oleh pihak netral sebagai tanda adanya masalah tersembunyi.
• Dua kelompok yang awalnya berada di pihak yang berlawanan menemukan keluhan bersama dan bersatu.

Efek-efek ini hanya muncul ketika para aktor saling merespons dari waktu ke waktu, dan itulah tujuan dari putaran wawancara dan mengingat kembali kejadian tersebut. Efek-efek ini juga yang paling sering mengejutkan organisasi, karena tidak ada satu pun wawancara pemangku kepentingan yang dapat mengungkapkannya.

Contoh soal yang sudah dikerjakan

Pemerintah kota menyusun rencana untuk mengubah jalan perbelanjaan yang ramai menjadi zona pejalan kaki. Tim perencanaan mengunggah draf tersebut, ringkasan studi lalu lintas, dan laporan berita lokal yang mengutip pemilik toko. Mereka menanyakan bagaimana reaksi warga, pemilik toko, perusahaan pengiriman, dan media lokal selama bulan pertama, dan menjalankan 40 putaran survei di satu negara.

Putaran pertama tidak menghadirkan kejutan: pemilik toko khawatir tentang pengiriman, warga menyukai gagasan pengurangan kebisingan. Kemudian pola tingkat kedua muncul. Seorang agen perusahaan pengiriman memposting bahwa jendela waktu pengiriman pagi hari akan menyelesaikan sebagian besar masalah. Agen pemilik toko di forum menanggapi hal ini, dan kritik mereka bergeser dari "menentang rencana" menjadi "menentang rencana tanpa jendela waktu pengiriman". Sementara itu di beranda, seorang agen media lokal memperkuat keluhan warga tentang parkir, yang mengalihkan perhatian dari pengiriman.

Laporan analis menyimpulkan bahwa jendela pengiriman dapat memecah belah pihak oposisi, dan bahwa parkir merupakan risiko yang lebih persisten. Tim mewawancarai agen media untuk memahami fakta mana yang akan mengubah kerangka berpikirnya, kemudian menambahkan bagian parkir ke dalam rencana. Simulasi tersebut tidak membuktikan apa pun tentang jalan sebenarnya, tetapi memberikan tim dua hipotesis konkret yang dapat diuji. Untuk situasi yang sarat dengan rumor, skenario penyebaran rumor dibangun berdasarkan mekanisme yang sama.

Batasan yang perlu diingat

Simulasi kerumunan sangat ampuh untuk mengeksplorasi dinamika, tetapi memiliki batasan yang jelas:

• Agen adalah model AI yang dikondisikan pada dokumen Anda. Kurangnya pemangku kepentingan atau materi yang berat sebelah menyebabkan titik buta.
• Hasilnya tidak representatif secara statistik seperti sampel survei, dan persentase tersebut tidak boleh dianggap sebagai angka sebenarnya di dunia nyata.
• Setiap sesi permainan dapat berlangsung secara berbeda. Anggap pola yang konsisten sebagai sinyal yang lebih kuat daripada momen dramatis tunggal.

Dengan mempertimbangkan batasan-batasan ini, simulasi adalah cara cepat untuk melihat apa yang mungkin terjadi selanjutnya dan mengapa. Untuk mencobanya pada kasus Anda sendiri, siapkan tugas di konsol .