다중 에이전트 시뮬레이션이란 무엇인가? 쉬운 설명으로 알아보는 가이드

다중 에이전트 시뮬레이션은 여러 독립적인 행위자(에이전트)를 모델링하여 시스템을 연구하는 방식입니다. 각 에이전트는 고유한 규칙, 목표 또는 성격을 가지며, 에이전트 간의 상호작용을 통해 전체적인 결과가 나타나도록 합니다. "시장"이나 "여론"에 대한 하나의 방정식을 세우는 대신, 개별 행위자들을 묘사하고 그 집단이 어떻게 행동하는지 관찰하는 것입니다. 최신 언어 모델을 사용하면 에이전트가 자연어로 읽고 쓰고 기억할 수 있으므로, 이 방법은 사람들의 반응 방식에 대한 질문에 유용하게 활용될 수 있습니다.

핵심 아이디어: 행동은 상호작용에서 비롯된다

많은 중요한 결과는 단 하나의 행위자에 의해 결정되는 것이 아닙니다. 교통 체증, 가격 급등, 바이러스처럼 퍼지는 소문, 여론 변화 등은 모두 서로 영향을 미치는 수많은 지역적 결정의 결과입니다. 다중 에이전트 시뮬레이션은 이러한 점을 중요하게 고려합니다.

일반적인 시뮬레이션은 세 가지 요소로 구성됩니다.

• 에이전트 : 행위자 각각은 고유한 상태(무엇을 알고, 원하고, 믿는지)와 행동(다음에 무엇을 할지 결정하는 방식)을 가지고 있습니다.
• 환경 : 에이전트들이 행동하고 서로를 관찰하는 공간으로, 지도, 시장 또는 소셜 네트워크 등이 있습니다.
• 시간 단계 또는 라운드 : 각 단계에서 에이전트는 관찰하고, 결정하고, 행동하며, 그 결과 환경이 변화합니다.

이 접근 방식의 특징은 '창발성'에 있습니다. 즉, 누구도 직접적으로 계획하지 않은 집단 차원의 패턴이 나타난다는 것 입니다. 각 개인의 작은 선호가 반복적인 상호작용을 통해 크고 놀라운 집단적 결과를 만들어낼 수 있습니다.

그 기원: 에이전트 기반 모델링

이 아이디어는 새로운 것이 아닙니다. 경제학, 생태학, 사회학, 컴퓨터 과학 분야의 연구자들은 수십 년 동안 에이전트 기반 모델링을 사용해 왔습니다. 1970년대 초창기 연구에서는 격자형 환경에서 매우 간단한 규칙을 적용하여 이웃에 대한 개인의 미미한 선호도조차도 전체 동네 수준에서 강력한 분리를 초래할 수 있음을 보여주었습니다. 이후 수십 년 동안 연구자들은 인공 사회를 구축하고, 시장과 전염병, 동물의 무리 행동, 교통 상황을 시뮬레이션했습니다.

이러한 고전 모델들은 공통적인 특징을 가지고 있는데, 바로 에이전트가 의도적으로 단순하다는 점입니다. 각 모델은 몇 가지 수치적 규칙을 따르기 때문에 모델이 투명하고 분석하기 쉽지만, 설득, 프레임 설정, 아이러니와 같은 풍부한 인간 행동에 대해 설명할 수 있는 범위는 제한적입니다.

새로운 물결: 언어 모델 기반 에이전트

대규모 언어 모델은 에이전트의 가능성을 혁신적으로 변화시켰습니다. 2023년경부터 소위 생성형 에이전트에 대한 연구는 언어 모델 에이전트가 페르소나, 과거 사건에 대한 기억, 그리고 그 기억을 되짚어볼 수 있는 능력을 부여받으면 시뮬레이션된 공동체에서 놀라울 정도로 현실적인 방식으로 행동할 수 있음을 보여주었습니다. 즉, 하루 일정을 계획하고, 의견을 형성하고, 소식을 전달하고, 서로 협력하는 것입니다.

기존 에이전트 기반 모델과 비교했을 때, 언어 모델 에이전트는 다음과 같은 특징을 갖습니다.

• 자연스러운 언어로 소통하여 , 단순히 숫자가 아닌 문장의 실제 표현에 반응할 수 있도록 하세요.
• 배경, 가치관, 어조를 결합하여 풍부한 개성을 표현하세요 .
• 기억하고 업데이트하세요 . 그러면 이전의 대화가 이후의 행동에 영향을 미칩니다.

단점은 규칙 기반 에이전트보다 투명성이 떨어지고 운영 비용이 더 많이 들며, 그 동작이 기본 모델의 강점과 편향을 반영한다는 것입니다.

InfoDome 이를 어떻게 적용할까요?

InfoDome 언어 모델 에이전트를 사용하여 대중과 이해관계자의 반응을 시뮬레이션합니다. 문서를 업로드하고 예측하고자 하는 내용을 설명하면 InfoDome 자료에 포함된 사람, 조직, 단체에 대한 지식 그래프를 추출한 다음, 각기 다른 특성, 위치, 장기 기억을 가진 수백 개의 에이전트를 생성하여 사용자가 선택한 최대 10개 국가에 배치합니다. 에이전트들은 Twitter 와 유사한 피드와 Reddit 과 유사한 포럼에서 정해진 횟수만큼 동시에 상호 작용하며, 분석 에이전트는 예측 보고서를 작성합니다. 사용자는 개별 에이전트와 함께 보고서에 대한 질문을 할 수 있습니다. 단계별 작동 방식은 "AI 군중 시뮬레이션을 통한 반응 예측 방법" 에서 자세히 설명합니다.

다중 에이전트 시뮬레이션이 도움이 될 때

이 방법은 결과가 특정 한 가지 결정보다는 상호 작용에 달려 있을 때 가장 효과적입니다.

• 반응이 반응을 낳는 현상 : 위기, 소문, 공개 토론 등에서 첫 번째 반응에 대한 반응이 가장 중요하다.
• 다양한 이해관계를 가진 많은 이해관계자들 : 정책 변화, 조직 개편, 협상.
• 전략적 상호작용 : 경쟁자의 대응 또는 모의 전쟁으로, 각 측이 상대방에 맞춰 적응하는 과정.
• 초기 탐색 : 설문 조사나 현장 연구를 수행하기 전, 또는 실제 테스트가 너무 비용이 많이 들거나 위험할 때와 같이 가설을 신속하게 도출해야 할 때 사용됩니다.
• 메시지 비교 : 동일한 청중에게 두 가지 버전의 메시지를 전달하여 어떤 표현이 더 효과적인지 확인하는 것입니다.

도움이 되지 않을 때

또한 언제 사용하지 말아야 하는지 아는 것도 똑같이 중요합니다.

• 대표성 있는 수치가 필요할 때 사용하세요. 시뮬레이션은 여론조사가 아니며, 시뮬레이션에서 제시된 비율은 실제 백분율로 해석해서는 안 됩니다.
• 이미 충분한 과거 데이터가 질문에 대한 답을 제공하는 경우, 예를 들어 안정적인 제품에 대한 수년간의 판매 데이터가 있다면 통계적 예측이 더 신뢰할 수 있습니다.
• 입력값이 부족할 때, 에이전트는 그들이 만들어진 기반 위에만 기반을 두게 됩니다. 이해관계자가 없다는 것은 목소리가 없다는 것을 의미합니다.
• 확실성을 원할 때 사용하세요. 실행 결과는 매번 다르게 나타날 수 있습니다. 결과는 판단을 뒷받침하는 검토 가능한 가설일 뿐, 판단 자체를 대체하는 것은 아닙니다.

풀이 예시

중견 물류 회사가 사무직 직원을 대상으로 주 4일 근무제 도입을 검토 중입니다. 경영진은 직원, 팀장, 그리고 고객의 반응을 알고 싶어 합니다. 스프레드시트 모델을 사용하면 비용을 예측할 수는 있지만, '숨겨진 초과 근무'에 대한 소문이 직원들 사이에 어떻게 퍼질지, 또는 주요 고객이 이 소식을 어떻게 받아들일지는 예측할 수 없습니다.

인사팀은 내부 제안서와 최근 직원 설문조사 요약을 InfoDome 에 업로드하고, 질문을 설명한 후 한 국가에서 20차례에 걸쳐 설문조사를 진행합니다. 포럼에서 팀 리더들은 금요일 근무 공백에 대한 우려를 제기하고, 피드에서는 젊은 직원들이 변화를 환영하면서도 업무량이 과중될 것을 걱정하는 의견을 공유합니다. 고객 담당자는 응답 시간이 어떻게 변할지 질문합니다. 분석가의 보고서는 금요일 근무 공백에 대한 명확한 정보가 팀 리더와 고객 모두에게 결정적인 요소임을 시사합니다.

팀 리더 담당자와의 인터뷰를 통해 인사팀은 금요일 순환 근무제가 우려를 완화해 줄 것이라는 의견을 얻었습니다. 경영진은 이를 최종 해결책이 아닌, 두 부서를 대상으로 실제 시범 운영을 통해 검증해 볼 가설로 간주했습니다. 이는 다중 에이전트 시뮬레이션을 효과적으로 활용한 사례입니다. 모호한 질문을 구체적이고 검증 가능한 질문으로 좁혀주었기 때문입니다. 이와 유사한 미래 지향적인 질문을 다룰 때, 시나리오 계획 활용 사례는 좋은 출발점이 될 수 있습니다.

시작하기

InfoDome 사용하면 프로그래밍 기술 없이도 다중 에이전트 시뮬레이션을 실행할 수 있습니다. 단일 플랜은 월 29유로이며, 월 9유로의 AI 사용 예산과 무제한 프로젝트가 포함되어 있고 언제든지 해지할 수 있습니다. 콘솔에서 첫 번째 시나리오를 준비해 보세요 . 가입 전에 작업을 설정할 수도 있습니다.