Czym jest symulacja wieloagentowa? Przewodnik w prostym języku

Symulacja wieloagentowa to metoda badania systemu poprzez modelowanie wielu niezależnych aktorów, zwanych agentami, z których każdy ma własne zasady, cele lub osobowość, a następnie pozwala, aby ogólny wynik wyłonił się z ich interakcji. Zamiast pisać jedno równanie dla „rynku” lub „opinii publicznej”, opisuje się poszczególne osoby i obserwuje działania grupy. Dzięki nowoczesnym modelom językowym agenci potrafią czytać, pisać i zapamiętywać w języku naturalnym, co czyni tę metodę użyteczną w przypadku pytań o reakcje ludzi.

Główna idea: zachowanie wynika z interakcji

Wiele istotnych rezultatów nie jest determinowanych przez pojedynczego aktora. Korki uliczne, spirale cenowe, wirusowe plotki i zmiany nastrojów społecznych – wszystkie te czynniki wynikają z wielu lokalnych decyzji, które na siebie wpływają. Symulacja wieloagentowa traktuje to poważnie.

Typowa symulacja składa się z trzech składników:

• Agenci : aktorzy, z których każdy ma swój własny stan (to, co wie, czego chce lub w co wierzy) i zachowanie (jak decyduje, co zrobić dalej).
• Środowisko : przestrzeń, w której agenci działają i obserwują się nawzajem, np. mapa, rynek lub sieć społecznościowa.
• Kroki lub rundy czasowe : w każdym kroku agenci obserwują, podejmują decyzje i działają, a w rezultacie zmienia się otoczenie.

Cechą charakterystyczną tego podejścia jest emergencja : wzorce na poziomie grupy, których nikt bezpośrednio nie zaprogramował. Niewielka preferencja u każdej jednostki może, poprzez powtarzającą się interakcję, przynieść duży i zaskakujący zbiorowy rezultat.

Skąd się wzięło: modelowanie oparte na agentach

Pomysł nie jest nowy. Naukowcy z dziedziny ekonomii, ekologii, socjologii i informatyki od dziesięcioleci stosują modelowanie agentowe. Już wczesne prace z lat 70. XX wieku, za pomocą bardzo prostych reguł opartych na siatce, wykazały, jak łagodne indywidualne preferencje dotyczące sąsiadów mogą prowadzić do silnej segregacji na poziomie całego sąsiedztwa. W kolejnych dekadach naukowcy budowali sztuczne społeczeństwa, symulowali rynki oraz modele epidemii, stad zwierząt i ruchu ulicznego.

Te klasyczne modele mają jedną wspólną cechę: agenci są celowo prości. Każdy z nich opiera się na kilku regułach numerycznych, co czyni model przejrzystym i łatwym do analizy, ale jednocześnie ogranicza to, co może powiedzieć o złożonych zachowaniach ludzkich, takich jak perswazja, tworzenie ram czy ironia.

Nowa fala: agenci zbudowani na modelach językowych

Duże modele językowe zmieniły potencjalną rolę agenta. Od około 2023 roku badania nad tzw. agentami generatywnymi wykazały, że agenci modelu językowego, mając osobowość, pamięć o minionych wydarzeniach i zdolność do refleksji nad nimi, mogą zachowywać się w symulowanej społeczności w zaskakująco wiarygodny sposób: planują swoje dni, formułują opinie, przekazują sobie wiadomości i koordynują działania.

W porównaniu z klasycznymi modelami opartymi na agentach, agenci bazujący na modelu językowym:

• Komunikuj się za pomocą języka naturalnego , dzięki czemu będziesz mógł zareagować na samo brzmienie wypowiedzi, a nie tylko na liczbę.
• Przedstawiaj bogatą osobowość , łączącą w sobie doświadczenie, wartości i ton głosu.
• Zapamiętaj i uaktualnij , aby wcześniejsze rozmowy kształtowały późniejsze zachowanie.

Wadą jest to, że są one mniej przejrzyste i droższe w utrzymaniu niż agenci bazujący na regułach, a ich zachowanie odzwierciedla mocne i słabe strony modelu bazowego.

Jak InfoDome to stosuje

InfoDome wykorzystuje agentów opartych na modelu języka do symulacji reakcji opinii publicznej i interesariuszy. Przesyłasz dokumenty i opisujesz, co chcesz przewidzieć; InfoDome tworzy graf wiedzy osób, organizacji i grup w Twoim materiale, a następnie tworzy setki agentów z własnym charakterem, stanowiskiem i pamięcią długoterminową, rozmieszczonych w maksymalnie 10 wybranych krajach. Agenci komunikują się równolegle na kanale podobnym do Twitter i forum podobnym do Reddit przez określoną liczbę rund, a agent analityk tworzy raport z prognozą, który możesz kwestionować wraz z dowolnym agentem. Szczegółowe omówienie mechanizmów działania znajduje się w artykule „Jak symulacja tłumu przez sztuczną inteligencję przewiduje reakcje” .

Kiedy symulacja wieloagentowa pomaga

Metoda ta jest najbardziej wartościowa, gdy wynik zależy od interakcji, a nie od pojedynczej decyzji:

• Reakcje bazujące na reakcjach : kryzysy, plotki, debaty publiczne – w takich sytuacjach najważniejsza jest reakcja na pierwszą reakcję.
• Wiele podmiotów o różnych interesach : zmiany polityki, restrukturyzacja organizacyjna, negocjacje.
• Strategiczne współdziałanie : reakcje konkurentów lub gry wojenne, w których każda strona dostosowuje się do sytuacji drugiej.
• Wczesna eksploracja : gdy szybko potrzebujesz hipotez, przed badaniem ankietowym lub terenowym albo gdy prawdziwy test jest zbyt kosztowny lub zbyt ryzykowny.
• Porównanie komunikatów : porównanie tej samej grupy odbiorców z dwiema wersjami komunikatu w celu sprawdzenia, która wersja jest bardziej trafna.

Kiedy to nie pomaga

Równie ważne jest, aby wiedzieć, kiedy nie należy go używać:

• Gdy potrzebujesz reprezentatywnych liczb. Symulacja to nie sondaż; jej proporcje nie powinny być traktowane jako rzeczywiste procenty.
• Gdy dobre dane historyczne już odpowiadają na pytanie. Jeśli dysponujesz wieloletnimi danymi sprzedażowymi dla stabilnego produktu, prognoza statystyczna może być bardziej wiarygodna.
• Gdy wkład jest niewielki. Agenci są tak ugruntowani, jak materiał, z którego zostali zbudowani. Brak interesariuszy oznacza brak głosów.
• Kiedy chcesz mieć pewność. Różne przebiegi mogą przebiegać inaczej. Wynikiem jest weryfikowalna hipoteza, która wspiera osąd; nie zastępuje go.

Przykładowy układ

Średniej wielkości firma logistyczna rozważa wprowadzenie czterodniowego tygodnia pracy dla pracowników biurowych. Kierownictwo chce wiedzieć, jak zareagują na to pracownicy, kierownicy zespołów i klienci. Model oparty na arkuszu kalkulacyjnym mógłby oszacować koszty, ale nie to, jak plotka o „ukrytych nadgodzinach” mogłaby się rozprzestrzenić wśród pracowników ani jak kluczowy klient odczytałby tę wiadomość.

Zespół HR przesyła wewnętrzną propozycję i podsumowanie niedawnej ankiety pracowniczej do InfoDome, opisuje pytanie i przeprowadza 20 rund w jednym kraju. Na forum agenci liderzy zespołów zgłaszają obawy dotyczące zakresu obowiązków w piątki; w kanale informacyjnym młodsi pracownicy z zadowoleniem przyjmują zmianę, ale wyrażają obawy, że obciążenie pracą zostanie po prostu zmniejszone. Agent klienta pyta, czy czas reakcji ulegnie zmianie. Raport analityka sugeruje, że przejrzystość zakresu obowiązków w piątki jest czynnikiem decydującym zarówno dla liderów zespołów, jak i klientów.

Podczas rozmowy z agentem prowadzącym zespół, dział HR dowiaduje się, że rotacyjny grafik pracy w piątki złagodziłby obawy. Kierownictwo traktuje to jako hipotezę do przetestowania w rzeczywistym pilotażu z udziałem dwóch działów, a nie jako ostateczną odpowiedź. To dobre wykorzystanie symulacji wieloagentowej: zawęziło to niejasne pytanie do konkretnego, możliwego do przetestowania. Jeśli pracujesz nad podobnymi, przyszłościowymi pytaniami, dobrym punktem wyjścia jest scenariusz planowania .

Rozpoczęcie pracy

Nie potrzebujesz umiejętności programistycznych, aby uruchomić symulację wieloagentową z InfoDome. Pojedynczy plan kosztuje 29 euro miesięcznie, obejmuje miesięczny budżet na wykorzystanie sztucznej inteligencji w wysokości 9 euro oraz nieograniczoną liczbę projektów i można go anulować w dowolnym momencie. Przygotuj swój pierwszy scenariusz w konsoli ; możesz skonfigurować zadanie przed rejestracją.