Apa Itu Simulasi Multi-Agen? Panduan Sederhana

Simulasi multi-agen adalah cara mempelajari suatu sistem dengan memodelkan banyak aktor independen, yang disebut agen, masing-masing dengan aturan, tujuan, atau kepribadiannya sendiri, dan membiarkan hasil keseluruhan muncul dari bagaimana mereka berinteraksi. Alih-alih menulis satu persamaan untuk "pasar" atau "opini publik", Anda mendeskripsikan individu-individu tersebut dan mengamati apa yang dilakukan kelompok tersebut. Dengan model bahasa modern, agen-agen tersebut dapat membaca, menulis, dan mengingat dalam bahasa alami, yang membuat metode ini berguna untuk pertanyaan tentang bagaimana orang bereaksi.

Ide intinya: perilaku muncul dari interaksi.

Banyak hasil penting tidak ditentukan oleh satu aktor saja. Kemacetan lalu lintas, kenaikan harga yang tak menentu, rumor yang menyebar luas, dan perubahan suasana hati publik semuanya muncul dari banyak keputusan lokal yang saling memengaruhi. Simulasi multi-agen menanggapi hal itu dengan serius.

Simulasi pada umumnya memiliki tiga komponen:

• Agen : para aktor, masing-masing dengan keadaannya sendiri (apa yang diketahuinya, diinginkannya, atau dipercayanya) dan perilakunya (bagaimana ia memutuskan apa yang akan dilakukan selanjutnya).
• Lingkungan : ruang tempat agen bertindak dan mengamati satu sama lain, seperti peta, pasar, atau jejaring sosial.
• Tahapan waktu atau putaran : dalam setiap tahapan, agen mengamati, memutuskan, dan bertindak, dan lingkungan berubah sebagai hasilnya.

Yang membedakan pendekatan ini adalah kemunculannya : pola-pola pada tingkat kelompok yang tidak diprogram secara langsung oleh siapa pun. Preferensi kecil pada setiap individu, melalui interaksi berulang, dapat menghasilkan hasil kolektif yang besar dan mengejutkan.

Asal muasalnya: pemodelan berbasis agen

Gagasan ini bukanlah hal baru. Para peneliti di bidang ekonomi, ekologi, sosiologi, dan ilmu komputer telah menggunakan pemodelan berbasis agen selama beberapa dekade. Penelitian awal pada tahun 1970-an telah menunjukkan, dengan aturan yang sangat sederhana pada sebuah grid, bagaimana preferensi individu yang ringan terhadap tetangga dapat menyebabkan segregasi yang kuat di tingkat seluruh lingkungan. Pada dekade-dekade berikutnya, para peneliti membangun masyarakat buatan, mensimulasikan pasar, dan model epidemi, hewan yang berkelompok, dan lalu lintas.

Model-model klasik ini memiliki satu kesamaan: agen-agennya sengaja dibuat sederhana. Masing-masing mengikuti sejumlah aturan numerik, yang membuat model tersebut transparan dan mudah dianalisis, tetapi juga membatasi apa yang dapat dikatakannya tentang perilaku manusia yang kompleks seperti persuasi, pembingkaian, atau ironi.

Gelombang baru: agen yang dibangun berdasarkan model bahasa

Model bahasa berskala besar telah mengubah apa yang dapat dilakukan oleh sebuah agen. Sejak sekitar tahun 2023, penelitian tentang apa yang disebut agen generatif telah menunjukkan bahwa agen model bahasa, dengan diberi persona, ingatan tentang peristiwa masa lalu, dan kemampuan untuk merefleksikan ingatan tersebut, dapat berperilaku dengan cara yang sangat meyakinkan dalam komunitas simulasi: mereka merencanakan hari-hari mereka, membentuk opini, menyampaikan berita, dan berkoordinasi satu sama lain.

Dibandingkan dengan model berbasis agen klasik, agen model bahasa:

• Berkomunikasilah dengan bahasa alami , sehingga mereka dapat bereaksi terhadap susunan kata sebenarnya dari suatu pernyataan, bukan hanya terhadap angka.
• Tampilkan kepribadian yang kaya , menggabungkan latar belakang, nilai-nilai, dan nada suara.
• Ingat dan perbarui , sehingga percakapan sebelumnya membentuk perilaku selanjutnya.

Kelemahannya adalah, agen berbasis aturan cenderung kurang transparan dan lebih mahal untuk dijalankan dibandingkan agen berbasis aturan lainnya, serta perilakunya mencerminkan kekuatan dan bias dari model yang mendasarinya.

Bagaimana InfoDome menerapkannya

InfoDome menggunakan agen model bahasa untuk mensimulasikan reaksi publik dan pemangku kepentingan. Anda mengunggah dokumen dan menjelaskan apa yang ingin Anda prediksi; InfoDome mengekstrak grafik pengetahuan tentang orang, organisasi, dan kelompok dalam materi Anda, kemudian membuat ratusan agen dengan karakter, posisi, dan memori jangka panjang mereka sendiri, yang tersebar di hingga 10 negara audiens yang Anda pilih. Agen-agen tersebut berinteraksi di feed seperti Twitter dan forum seperti Reddit secara paralel untuk sejumlah putaran tertentu, dan agen analis menulis laporan prediksi yang dapat Anda pertanyakan, bersama dengan agen individual mana pun. Mekanisme langkah demi langkah dijelaskan dalam cara simulasi kerumunan AI memprediksi reaksi .

Ketika simulasi multi-agen membantu

Metode ini paling berharga ketika hasilnya bergantung pada interaksi dan bukan pada satu keputusan tunggal:

• Reaksi yang saling berkaitan : krisis, rumor, debat publik, di mana respons terhadap respons pertama sangatlah penting.
• Banyak pemangku kepentingan dengan berbagai kepentingan : perubahan kebijakan, restrukturisasi organisasi, negosiasi.
• Interaksi strategis : respons pesaing atau simulasi perang, di mana masing-masing pihak beradaptasi dengan pihak lain.
• Eksplorasi awal : ketika Anda membutuhkan hipotesis dengan cepat, sebelum survei atau studi lapangan, atau ketika pengujian sebenarnya terlalu mahal atau terlalu berisiko.
• Perbandingan pesan : menguji audiens yang sama dengan dua versi pernyataan untuk melihat kerangka mana yang lebih efektif dalam menyampaikan pesan.

Ketika itu tidak membantu

Sama pentingnya untuk mengetahui kapan tidak menggunakannya:

• Saat Anda membutuhkan angka yang representatif. Simulasi bukanlah jajak pendapat; proporsinya tidak boleh dibaca sebagai persentase dunia nyata.
• Ketika data historis yang baik sudah menjawab pertanyaan tersebut. Jika Anda memiliki data penjualan selama bertahun-tahun untuk produk yang stabil, perkiraan statistik mungkin lebih dapat diandalkan.
• Ketika masukan yang diberikan minim. Agen hanya akan memiliki landasan yang kuat sejauh materi yang membentuknya. Ketiadaan pemangku kepentingan berarti hilangnya suara.
• Saat Anda menginginkan kepastian. Berbagai skenario dapat berjalan berbeda. Hasilnya adalah hipotesis yang dapat ditinjau yang mendukung penilaian; bukan menggantikannya.

Contoh soal yang sudah dikerjakan

Sebuah perusahaan logistik menengah mempertimbangkan untuk beralih ke sistem kerja empat hari seminggu untuk staf kantor. Manajemen ingin mengetahui bagaimana karyawan, pemimpin tim, dan klien akan bereaksi. Model spreadsheet dapat memperkirakan biaya, tetapi tidak dapat memperkirakan bagaimana rumor tentang "lembur tersembunyi" dapat menyebar di antara staf, atau bagaimana klien utama akan menanggapi berita tersebut.

Tim SDM mengunggah proposal internal dan ringkasan survei staf terbaru ke InfoDome, menjelaskan pertanyaannya, dan menjalankan 20 putaran di satu negara. Di forum, agen pemimpin tim menyampaikan kekhawatiran tentang cakupan layanan pada hari Jumat; di beranda, karyawan yang lebih muda menyambut perubahan tersebut tetapi berbagi kekhawatiran bahwa beban kerja akan semakin padat. Seorang agen klien bertanya apakah waktu respons akan berubah. Laporan analis menunjukkan bahwa kejelasan tentang cakupan layanan pada hari Jumat adalah faktor penentu bagi pemimpin tim dan klien.

Saat mewawancarai seorang pemimpin tim agen, HR mengetahui bahwa jadwal Jumat bergilir akan mengurangi kekhawatiran mereka. Pimpinan memperlakukan ini sebagai hipotesis untuk diuji dalam uji coba nyata dengan dua departemen, bukan sebagai jawaban akhir. Itulah penggunaan simulasi multi-agen yang baik: simulasi tersebut mempersempit pertanyaan yang samar menjadi pertanyaan spesifik yang dapat diuji. Jika Anda mengerjakan pertanyaan serupa yang berorientasi ke masa depan, kasus penggunaan perencanaan skenario adalah titik awal yang baik.

Memulai

Anda tidak memerlukan keahlian pemrograman untuk menjalankan simulasi multi-agen dengan InfoDome. Paket tunggal berharga €29 per bulan, termasuk anggaran penggunaan AI bulanan sebesar €9 dan proyek tak terbatas, serta dapat dibatalkan kapan saja. Siapkan skenario pertama Anda di konsol ; Anda dapat mengatur tugas sebelum mendaftar.