Vad är multiagentsimulering? En enkel guide

Multiagentsimulering är ett sätt att studera ett system genom att modellera många oberoende aktörer, kallade agenter, var och en med sina egna regler, mål eller personlighet, och låta det övergripande resultatet framgå av hur de interagerar. Istället för att skriva en ekvation för "marknaden" eller "den allmänna opinionen" beskriver man individerna och observerar vad gruppen gör. Med moderna språkmodeller kan dessa agenter läsa, skriva och komma ihåg på naturligt språk, vilket gör metoden användbar för frågor om hur människor reagerar.

Kärnidén: beteende uppstår ur interaktion

Många viktiga resultat avgörs inte av en enskild aktör. Trafikstockningar, prisspiraler, virala rykten och förändringar i den allmänna stämningen uppstår alla ur många lokala beslut som påverkar varandra. Simulering med flera agenter tar det på allvar.

En typisk simulering har tre ingredienser:

• Agenter : aktörerna, var och en med sitt eget tillstånd (vad den vet, vill ha eller tror) och beteende (hur den bestämmer sig för vad den ska göra härnäst).
• En miljö : det utrymme där agenter agerar och observerar varandra, såsom en karta, en marknad eller ett socialt nätverk.
• Tidssteg eller -rundor : i varje steg observerar, beslutar och agerar agenter, och omgivningen förändras som ett resultat.

Det som gör detta tillvägagångssätt unikt är emergens : mönster på gruppnivå som ingen programmerat direkt. En liten preferens hos varje individ kan, genom upprepad interaktion, producera ett stort och överraskande kollektivt resultat.

Varifrån det kommer: agentbaserad modellering

Idén är inte ny. Forskare inom ekonomi, ekologi, sociologi och datavetenskap har använt agentbaserad modellering i årtionden. Tidigt arbete på 1970-talet visade redan, med mycket enkla regler i ett rutnät, hur milda individuella preferenser om grannar kunde leda till stark segregation på nivån av ett helt grannskap. Under de följande årtiondena byggde forskare artificiella samhällen, simulerade marknader och modeller av epidemier, flockdjur och trafik.

Dessa klassiska modeller har en gemensam egenskap: agenter är avsiktligt enkla. Var och en följer en handfull numeriska regler, vilket gör modellen transparent och lätt att analysera, men begränsar också vad den kan säga om rika mänskliga beteenden som övertalning, inramning eller ironi.

Den nya vågen: agenter byggda på språkmodeller

Stora språkmodeller förändrade vad en agent kan vara. Sedan omkring 2023 har forskning om så kallade generativa agenter visat att språkmodellagenter, givet en persona, ett minne av tidigare händelser och förmågan att reflektera över det minnet, kan bete sig på förvånansvärt trovärdiga sätt i en simulerad gemenskap: de planerar sina dagar, bildar sig åsikter, förmedlar nyheter och samordnar med varandra.

Jämfört med klassiska agentbaserade modeller, språkmodellagenter:

• Kommunicera på ett naturligt språk så att de kan reagera på själva formuleringen i ett uttalande, inte bara på en siffra.
• Bär på dig fylliga personas som kombinerar bakgrund, värderingar och tonläge.
• Kom ihåg och uppdatera , så att tidigare samtal formar senare beteende.

Avvägningen är att de är mindre transparenta och dyrare att driva än regelbaserade agenter, och deras beteende återspeglar styrkorna och fördomarna i den underliggande modellen.

Hur InfoDome tillämpar det

InfoDome använder språkmodeller för att simulera allmänhetens och intressenternas reaktioner. Du laddar upp dokument och beskriver vad du vill förutsäga; InfoDome extraherar en kunskapsgraf över personerna, organisationerna och grupperna i ditt material och skapar sedan hundratals agenter med sin egen karaktär, position och långtidsminne, spridda över upp till 10 målgruppsländer du väljer. Agenterna interagerar parallellt i ett Twitter -liknande flöde och ett Reddit -liknande forum under ett visst antal omgångar, och en analytiker skriver en förutsägelsesrapport som du kan ifrågasätta, tillsammans med vilken enskild agent som helst. Steg-för-steg-mekanismen förklaras i hur AI-publiksimulering förutsäger reaktioner .

När simulering med flera agenter hjälper

Metoden är mest värdefull när resultatet beror på interaktion snarare än på ett enskilt beslut:

• Reaktioner som bygger på reaktioner : kriser, rykten, offentliga debatter, där svaret på den första responsen är viktigast.
• Många intressenter med olika intressen : policyförändringar, organisatorisk omstrukturering, förhandlingar.
• Strategiskt samspel : konkurrenters svar eller krigsspel, där varje sida anpassar sig till den andra.
• Tidig utforskning : när du behöver hypoteser snabbt, inför en undersökning eller fältstudie, eller när ett riktigt test är för kostsamt eller för riskabelt.
• Meddelandejämförelse : att jämföra samma publik med två versioner av ett påstående för att se vilken inramning som når längre.

När det inte hjälper

Det är lika viktigt att veta när man inte ska använda det:

• När du behöver representativa siffror. En simulering är inte en opinionsundersökning; dess proportioner bör inte läsas som verkliga procentsatser.
• När bra historiska data redan besvarar frågan. Om du har flera års försäljningsdata för en stabil produkt kan en statistisk prognos vara mer tillförlitlig.
• När inputen är tunn. Agenter är bara så jordade som materialet de är byggda av. Saknade intressenter innebär saknade röster.
• När du vill ha säkerhet. Olika omgångar kan utvecklas olika. Resultatet är en granskningsbar hypotes som stöder bedömning; den ersätter den inte.

Ett fungerande exempel

Ett medelstort logistikföretag överväger att gå över till en fyradagars arbetsvecka för kontorspersonal. Ledningen vill veta hur anställda, teamledare och kunder kan reagera. En kalkylbladsmodell kan uppskatta kostnader, men inte hur ett rykte om "dold övertid" kan spridas bland personalen, eller hur en viktig kund skulle tolka nyheterna.

HR-teamet laddar upp det interna förslaget och en sammanfattning av en nyligen genomförd medarbetarundersökning till InfoDome, beskriver frågan och genomför 20 omgångar i ett land. På forumet uttrycker teamledarna oro över bevakningen på fredagar; i flödet välkomnar yngre anställda förändringen men delar en oro för att arbetsbelastningen helt enkelt kommer att komprimeras. En klientagent frågar om svarstiderna kommer att förändras. Analytikerns rapport antyder att tydlighet kring bevakningen på fredagar är den avgörande faktorn för både teamledare och klienter.

När HR intervjuar en teamledare får de veta att ett roterande fredagsschema skulle minska deras oro. Ledningen behandlar detta som en hypotes att testa i ett verkligt pilotprojekt med två avdelningar, inte som ett slutgiltigt svar. Det är en bra användning av simulering med flera agenter: den begränsade en vag fråga till en specifik, testbar fråga. Om ni arbetar med liknande framåtblickande frågor är scenarioplaneringsfallet en bra utgångspunkt.

Komma igång

Du behöver inga programmeringskunskaper för att köra en simulering med flera agenter med InfoDome. Enkelplanen kostar 29 euro per månad, inkluderar en månatlig budget för AI-användning på 9 euro och obegränsade projekt, och kan avbrytas när som helst. Förbered ditt första scenario i konsolen ; du kan ställa in en uppgift innan du registrerar dig.