Apakah Simulasi Berbilang Ejen? Panduan Bahasa Biasa

Simulasi berbilang ejen ialah cara mengkaji sistem dengan memodelkan ramai pelakon bebas, yang dipanggil ejen, setiap satunya dengan peraturan, matlamat atau personalitinya sendiri, dan membiarkan hasil keseluruhan muncul daripada cara mereka berinteraksi. Daripada menulis satu persamaan untuk "pasaran" atau "pendapat awam", anda menerangkan individu dan memerhatikan apa yang dilakukan oleh kumpulan tersebut. Dengan model bahasa moden, ejen tersebut boleh membaca, menulis dan mengingati dalam bahasa semula jadi, yang menjadikan kaedah ini berguna untuk soalan tentang bagaimana orang ramai bertindak balas.

Idea teras: tingkah laku muncul daripada interaksi

Banyak hasil penting tidak ditentukan oleh mana-mana pelaku tunggal. Kesesakan lalu lintas, peningkatan harga, khabar angin yang tular dan perubahan mood awam semuanya timbul daripada banyak keputusan tempatan yang saling mempengaruhi. Simulasi berbilang ejen memandang serius perkara ini.

Simulasi biasa mempunyai tiga bahan:

• Ejen : pelakon, setiap satu dengan keadaannya sendiri (apa yang diketahui, dikehendaki atau dipercayai) dan tingkah laku (bagaimana ia memutuskan apa yang perlu dilakukan seterusnya).
• Persekitaran : ruang di mana ejen bertindak dan memerhatikan antara satu sama lain, seperti peta, pasaran atau rangkaian sosial.
• Langkah atau pusingan masa : dalam setiap langkah, ejen memerhati, membuat keputusan dan bertindak, dan persekitaran berubah sebagai hasilnya.

Apa yang menjadikan pendekatan ini tersendiri ialah kemunculan : corak pada peringkat kumpulan yang tidak diprogramkan secara langsung oleh sesiapa pun. Keutamaan kecil dalam setiap individu, melalui interaksi berulang, boleh menghasilkan hasil kolektif yang besar dan mengejutkan.

Dari mana ia datang: pemodelan berasaskan ejen

Idea ini bukanlah sesuatu yang baharu. Penyelidik dalam bidang ekonomi, ekologi, sosiologi dan sains komputer telah menggunakan pemodelan berasaskan ejen selama beberapa dekad. Kerja awal pada tahun 1970-an telah menunjukkan, dengan peraturan yang sangat mudah pada grid, bagaimana keutamaan individu yang ringan tentang jiran boleh membawa kepada pengasingan yang kuat di peringkat seluruh kawasan kejiranan. Dalam beberapa dekad berikutnya, penyelidik membina masyarakat tiruan, pasaran simulasi dan model wabak, haiwan berkelompok dan lalu lintas.

Model-model klasik ini berkongsi satu sifat: ejen sengaja dibuat ringkas. Setiap satu mengikuti beberapa peraturan berangka, yang menjadikan model ini telus dan mudah dianalisis, tetapi juga mengehadkan apa yang boleh dikatakannya tentang tingkah laku manusia yang kaya seperti pujukan, pembingkaian atau ironi.

Gelombang baharu: ejen yang dibina berdasarkan model bahasa

Model bahasa yang besar telah mengubah apa yang boleh dilakukan oleh seorang ejen. Sejak sekitar tahun 2023, kajian tentang apa yang dipanggil ejen generatif telah menunjukkan bahawa ejen model bahasa, yang diberikan persona, ingatan peristiwa lalu dan keupayaan untuk merenungkan ingatan itu, boleh bertindak dengan cara yang boleh dipercayai dalam komuniti simulasi: mereka merancang hari mereka, membentuk pendapat, menyampaikan berita dan menyelaras antara satu sama lain.

Berbanding dengan model berasaskan ejen klasik, ejen model bahasa:

• Berkomunikasi dalam bahasa semula jadi , supaya mereka boleh bertindak balas terhadap perkataan sebenar sesuatu pernyataan, bukan hanya kepada nombor.
• Bawalah persona yang kaya , menggabungkan latar belakang, nilai dan nada suara.
• Ingat dan kemas kini , supaya perbualan awal membentuk tingkah laku kemudian.

Pertimbangannya ialah ia kurang telus dan lebih mahal untuk dijalankan berbanding ejen berasaskan peraturan, dan tingkah lakunya mencerminkan kekuatan dan bias model yang mendasarinya.

Bagaimana InfoDome mengaplikasikannya

InfoDome menggunakan ejen model bahasa untuk mensimulasikan reaksi awam dan pihak berkepentingan. Anda memuat naik dokumen dan menerangkan apa yang anda ingin ramalkan; InfoDome mengekstrak graf pengetahuan tentang orang, organisasi dan kumpulan dalam bahan anda, kemudian mencipta beratus-ratus ejen dengan watak, kedudukan dan ingatan jangka panjang mereka sendiri, tersebar di sehingga 10 negara khalayak yang anda pilih. Ejen berinteraksi pada suapan seperti Twitter dan forum seperti Reddit secara selari untuk beberapa pusingan yang ditetapkan, dan ejen penganalisis menulis laporan ramalan yang boleh anda persoalkan, bersama-sama dengan mana-mana ejen individu. Mekanik langkah demi langkah dijelaskan dalam cara simulasi orang ramai AI meramalkan reaksi .

Apabila simulasi berbilang ejen membantu

Kaedah ini paling berharga apabila hasilnya bergantung pada interaksi dan bukannya pada sebarang keputusan tunggal:

• Reaksi yang dibina berdasarkan reaksi : krisis, khabar angin, perdebatan awam, di mana respons terhadap respons pertama paling penting.
• Banyak pihak berkepentingan dengan kepentingan yang berbeza : perubahan dasar, penstrukturan semula organisasi, rundingan.
• Interaksi strategik : tindak balas pesaing atau permainan perang, di mana setiap pihak menyesuaikan diri dengan pihak yang lain.
• Penerokaan awal : apabila anda memerlukan hipotesis dengan cepat, sebelum tinjauan atau kajian lapangan, atau apabila ujian sebenar terlalu mahal atau terlalu berisiko.
• Perbandingan mesej : menjalankan khalayak yang sama terhadap dua versi pernyataan untuk melihat pembingkaian mana yang bergerak lebih jauh.

Apabila ia tidak membantu

Sama pentingnya untuk mengetahui bila tidak boleh menggunakannya:

• Apabila anda memerlukan nombor yang mewakili. Simulasi bukanlah tinjauan pendapat; perkadarannya tidak boleh dibaca sebagai peratusan dunia sebenar.
• Apabila data sejarah yang baik sudah menjawab persoalan tersebut. Jika anda mempunyai data jualan selama bertahun-tahun untuk produk yang stabil, ramalan statistik mungkin lebih andal.
• Apabila inputnya nipis. Ejen hanya kukuh seperti bahan yang digunakan untuk membinanya. Ketiadaan pihak berkepentingan bermakna hilangnya suara.
• Apabila anda mahukan kepastian. Pelaksanaan yang berbeza boleh berlaku secara berbeza. Outputnya ialah hipotesis yang boleh dikaji semula yang menyokong pertimbangan; ia tidak menggantikannya.

Contoh yang telah diusahakan

Sebuah syarikat logistik bersaiz sederhana mempertimbangkan untuk beralih kepada sistem bekerja empat hari seminggu untuk kakitangan pejabat. Kepimpinan ingin tahu bagaimana pekerja, ketua pasukan dan pelanggan mungkin bertindak balas. Model hamparan boleh menganggarkan kos, tetapi bukan bagaimana khabar angin tentang "kerja lebih masa tersembunyi" mungkin tersebar di kalangan kakitangan, atau bagaimana pelanggan utama akan membaca berita tersebut.

Pasukan HR memuat naik cadangan dalaman dan ringkasan tinjauan kakitangan baru-baru ini ke InfoDome, menerangkan soalan tersebut, dan menjalankan 20 pusingan di satu negara. Di forum tersebut, ejen ketua pasukan membangkitkan kebimbangan tentang liputan pada hari Jumaat; di suapan, pekerja yang lebih muda mengalu-alukan perubahan tersebut tetapi berkongsi kebimbangan bahawa beban kerja hanya akan dimampatkan. Seorang ejen pelanggan bertanya sama ada masa tindak balas akan berubah. Laporan penganalisis menunjukkan bahawa kejelasan mengenai liputan hari Jumaat adalah faktor penentu bagi kedua-dua ketua pasukan dan pelanggan.

Semasa menemu bual ejen ketua pasukan, HR mendapati bahawa jadual bergilir pada hari Jumaat akan mengurangkan kebimbangannya. Kepimpinan menganggap ini sebagai hipotesis untuk diuji dalam percubaan sebenar dengan dua jabatan, bukan sebagai jawapan muktamad. Itu adalah penggunaan simulasi berbilang ejen yang baik: ia menyempitkan soalan yang samar-samar kepada soalan yang khusus dan boleh diuji. Jika anda mengusahakan soalan yang berpandangan ke hadapan yang serupa, kes penggunaan perancangan senario adalah titik permulaan yang baik.

Bermula

Anda tidak memerlukan kemahiran pengaturcaraan untuk menjalankan simulasi berbilang ejen dengan InfoDome. Pelan tunggal berharga €29 sebulan, termasuk bajet penggunaan AI bulanan €9 dan projek tanpa had, dan boleh dibatalkan pada bila-bila masa. Sediakan senario pertama anda dalam konsol ; anda boleh menyediakan tugasan sebelum mendaftar.