Multiagentsimulering er en måte å studere et system på ved å modellere mange uavhengige aktører, kalt agenter, hver med sine egne regler, mål eller personlighet, og la det overordnede resultatet komme frem fra hvordan de samhandler. I stedet for å skrive én ligning for «markedet» eller «opinionen», beskriver man individene og ser på hva gruppen gjør. Med moderne språkmodeller kan disse agentene lese, skrive og huske på naturlig språk, noe som gjør metoden nyttig for spørsmål om hvordan folk reagerer.
Kjerneideen: atferd oppstår fra samhandling
Mange viktige utfall avgjøres ikke av én enkelt aktør. Trafikkork, prisspiraler, virale rykter og endringer i den offentlige stemningen oppstår alle fra mange lokale beslutninger som påvirker hverandre. Multi-agent-simulering tar dette på alvor.
En typisk simulering har tre ingredienser:
- Agenter : aktørene, hver med sin egen tilstand (hva den vet, ønsker eller tror) og atferd (hvordan den bestemmer hva den skal gjøre videre).
- Et miljø : rommet der agenter handler og observerer hverandre, for eksempel et kart, et marked eller et sosialt nettverk.
- Tidstrinn eller -runder : i hvert trinn observerer, bestemmer og handler agenter, og omgivelsene endres som et resultat.
Det som gjør denne tilnærmingen særegen er fremvekst : mønstre på gruppenivå som ingen programmerte direkte. En liten preferanse hos hvert individ kan, gjennom gjentatt interaksjon, produsere et stort og overraskende kollektivt resultat.
Hvor det kom fra: agentbasert modellering
Ideen er ikke ny. Forskere innen økonomi, økologi, sosiologi og informatikk har brukt agentbasert modellering i flere tiår. Tidlig arbeid på 1970-tallet viste allerede, med svært enkle regler på et rutenett, hvordan milde individuelle preferanser om naboer kunne føre til sterk segregering på nivå med et helt nabolag. I de påfølgende tiårene bygde forskere kunstige samfunn, simulerte markeder og modeller av epidemier, flokkdyr og trafikk.
Disse klassiske modellene har én felles egenskap: agenter er bevisst enkle. Hver av dem følger en håndfull numeriske regler, noe som gjør modellen transparent og enkel å analysere, men begrenser også hva den kan si om rik menneskelig atferd som overtalelse, framing eller ironi.
Den nye bølgen: agenter bygget på språkmodeller
Store språkmodeller endret hva en agent kan være. Siden rundt 2023 har forskning på såkalte generative agenter vist at språkmodellagenter, gitt en persona, et minne om tidligere hendelser og evnen til å reflektere over dette minnet, kan oppføre seg på overraskende troverdige måter i et simulert samfunn: de planlegger dagene sine, danner seg meninger, formidler nyheter og koordinerer med hverandre.
Sammenlignet med klassiske agentbaserte modeller, språkmodellagenter:
- Kommuniser på naturlig språk , slik at de kan reagere på selve ordlyden i en uttalelse, ikke bare på et tall.
- Bær med deg rike personaer , som kombinerer bakgrunn, verdier og tonefall.
- Husk og oppdater , slik at tidligere samtaler former senere atferd.
Avveiningen er at de er mindre transparente og dyrere å drifte enn regelbaserte agenter, og atferden deres gjenspeiler styrkene og skjevhetene til den underliggende modellen.
Hvordan InfoDome bruker det
InfoDome bruker språkmodellagenter for å simulere reaksjoner fra publikum og interessenter. Du laster opp dokumenter og beskriver hva du vil forutsi. InfoDome henter ut en kunnskapsgraf over personene, organisasjonene og gruppene i materialet ditt, og oppretter deretter hundrevis av agenter med sin egen karakter, stilling og langtidshukommelse, spredt over opptil 10 målgruppeland du velger. Agentene samhandler parallelt på en Twitter -lignende feed og et Reddit -lignende forum i et bestemt antall runder, og en analytiker skriver en prediksjonsrapport som du kan stille spørsmål til, sammen med enhver individuell agent. Den trinnvise mekanikken forklares i hvordan AI-mengdesimulering forutsier reaksjoner .
Når simulering med flere agenter hjelper
Metoden er mest verdifull når resultatet avhenger av samhandling snarere enn av én enkelt beslutning:
- Reaksjoner som bygger på reaksjoner : kriser, rykter, offentlige debatter, der responsen på den første responsen teller mest.
- Mange interessenter med ulike interesser : endringer i politikken, omstrukturering av organisasjoner, forhandlinger.
- Strategisk samspill : konkurrentresponser eller krigsspill, der hver side tilpasser seg den andre.
- Tidlig utforskning : når du trenger hypoteser raskt, før en undersøkelse eller feltstudie, eller når en reell test er for kostbar eller for risikabel.
- Budskapssammenligning : å sammenligne det samme publikummet med to versjoner av en uttalelse for å se hvilken av innrammingene som går lenger.
Når det ikke hjelper
Det er like viktig å vite når man ikke skal bruke det:
- Når du trenger representative tall. En simulering er ikke en meningsmåling; andelene bør ikke leses som prosentandeler i den virkelige verden.
- Når gode historiske data allerede svarer på spørsmålet. Hvis du har mange års salgsdata for et stabilt produkt, kan en statistisk prognose være mer pålitelig.
- Når innspillene er tynt. Agenter er bare så jordet som materialet de er bygget av. Manglende interessenter betyr manglende stemmer.
- Når du ønsker sikkerhet. Ulike forsøk kan utfolde seg ulikt. Resultatet er en gjennomgåbar hypotese som støtter vurderingen; den erstatter den ikke.
Et praktisert eksempel
Et mellomstort logistikkfirma vurderer å gå over til en firedagers arbeidsuke for kontoransatte. Ledelsen ønsker å vite hvordan ansatte, teamledere og kunder kan reagere. En regnearkmodell kan estimere kostnader, men ikke hvordan et rykte om «skjult overtid» kan spre seg blant ansatte, eller hvordan en nøkkelkunde ville lest nyhetene.
HR-teamet laster opp det interne forslaget og et sammendrag av en fersk medarbeiderundersøkelse til InfoDome, beskriver spørsmålet og gjennomfører 20 runder i ett land. På forumet uttrykker teamledere bekymringer om dekningen på fredager; på feeden ønsker yngre ansatte endringen velkommen, men deler en bekymring for at arbeidsmengden rett og slett vil bli komprimert. En klientagent spør om responstidene vil endre seg. Analytikerens rapport antyder at klarhet i dekningen på fredager er den avgjørende faktoren for både teamledere og klienter.
I et intervju med en teamleder får HR-avdelingen vite at en roterende fredagsplan ville dempet bekymringene. Ledelsen behandler dette som en hypotese som skal testes i et reelt pilotprosjekt med to avdelinger, ikke som et endelig svar. Det er en god bruk av simulering med flere agenter: den snevret et vagt spørsmål ned til et spesifikt, testbart spørsmål. Hvis dere jobber med lignende fremtidsrettede spørsmål, er brukstilfellet for scenarioplanlegging et godt utgangspunkt.
Komme i gang
Du trenger ikke programmeringsferdigheter for å kjøre en simulering med flere agenter med InfoDome. Enkeltabonnementet koster €29 per måned, inkluderer et månedlig AI-bruksbudsjett på €9 og ubegrensede prosjekter, og kan kanselleres når som helst. Forbered ditt første scenario i konsollen ; du kan sette opp en oppgave før du registrerer deg.
Vanlige spørsmål
Er multiagentsimulering det samme som agentbasert modellering?
De er nært beslektede begreper. Agentbasert modellering refererer vanligvis til den klassiske forskningstradisjonen med enkle regelbaserte agenter, mens multiagentsimulering ofte brukes bredere, inkludert agenter bygget på språkmodeller.
Hva er generative agenter?
Generative agenter er AI-agenter bygget på språkmodeller som har en persona, et minne om tidligere hendelser og evnen til å planlegge og reflektere. Forskning har vist at de kan produsere troverdig sosial atferd i simulerte samfunn.
Kan en simulering erstatte en spørreundersøkelse?
Nei. En simulering genererer og tester hypoteser raskt, mens en spørreundersøkelse måler hva virkelige mennesker sier. De fungerer best sammen: simuler først for å skjerpe spørsmålene, og bekreft deretter med reelle data når det er viktig.
Trenger jeg å kode for å bruke det?
Ikke med InfoDome. Du laster opp dokumenter, beskriver spørsmålet med enkle ord, velger land og runder, og leser rapporten.