วิธีที่การจำลองฝูงชนด้วย AI สามารถทำนายปฏิกิริยาของสาธารณชนได้

การจำลองฝูงชนด้วย AI คาดการณ์ปฏิกิริยาของสาธารณชนโดยการสร้างกลุ่มตัวแทน AI จากบริบทจริงและปล่อยให้พวกเขามีปฏิสัมพันธ์กันตลอดเวลา แทนที่จะขอคำตอบเดียวจากโมเดลเดียว ใน InfoDome เอกสารของคุณจะกลายเป็นกราฟความรู้ กราฟนั้นจะกลายเป็นตัวแทนหลายร้อยตัวที่มีลักษณะเฉพาะ ตำแหน่ง และความทรงจำของตนเอง และตัวแทนเหล่านั้นจะถกเถียงกันบนแพลตฟอร์มจำลองสองแพลตฟอร์มตามจำนวนรอบที่เลือกไว้ จากนั้นตัวแทนนักวิเคราะห์จะอ่านสิ่งที่เกิดขึ้นและเขียนรายงานการคาดการณ์ที่คุณสามารถตรวจสอบได้

ทำไมต้องจำลองฝูงชนแทนที่จะถามนางแบบเพียงคนเดียว

ถ้าคุณถามโมเดล AI ตัวเดียวว่า "ผู้คนจะตอบสนองต่อเรื่องนี้อย่างไร?" คุณจะได้คำตอบที่สมเหตุสมผลเพียงหนึ่งย่อหน้า ซึ่งมักจะสมเหตุสมผล แต่ก็เป็นเพียงค่าเฉลี่ย: เสียงเดียวที่จินตนาการถึงทุกคนพร้อมกัน การตอบสนองในชีวิตจริงไม่ได้เป็นเช่นนั้น ผู้คนตอบสนองต่อกันและกัน โพสต์ของนักวิจารณ์จะเปลี่ยนมุมมองของผู้อ่านที่เป็นกลางต่อข่าว คำตอบของผู้ปกป้องจะเปลี่ยนสิ่งที่นักวิจารณ์พูดต่อไป นักข่าวจะเลือกนำเสนอข่าวที่ดังที่สุด ไม่ใช่ข่าวที่ถูกต้องที่สุด

การจำลองฝูงชนพยายามจับภาพพลวัตนั้น แทนที่จะเป็นฉันทามติที่สมมติขึ้นเพียงหนึ่งเดียว มันจำลองตัวแสดงที่แตกต่างกันหลายตัวและปล่อยให้ผลลัพธ์เกิดขึ้นจากปฏิสัมพันธ์ของพวกเขา นั่นคือเหตุผลที่ผลลัพธ์อาจทำให้คุณประหลาดใจ และทำไมความประหลาดใจจึงคุ้มค่าที่จะตรวจสอบ วิธีการที่ครอบคลุมกว่านี้เรียกว่าการจำลองหลายตัวแทน เราจะอธิบายพื้นฐานของมันใน หัวข้อ "การจำลองหลายตัวแทนคืออะไร "

ขั้นตอนที่ 1: จากเอกสารสู่กราฟความรู้

ทุกอย่างเริ่มต้นจากข้อมูลของคุณ: ข่าว แผนงาน รายงาน ร่างนโยบาย หรือนิยาย ใน PDF, Markdown หรือข้อความ InfoDome จะอ่านข้อมูลเหล่านั้นพร้อมกับคำอธิบายภาษาธรรมดาของคุณเกี่ยวกับสิ่งที่คุณต้องการทำนาย และดึงข้อมูลออกมาเป็นกราฟความรู้:

• หน่วย งานหรือกลุ่มต่างๆ ที่กล่าวถึงในเนื้อหา
• ความสัมพันธ์ : ใครสนับสนุน คัดค้าน พึ่งพา รายงาน หรือแข่งขันกับใคร
• บริบท : ข้อเท็จจริงและจุดยืนที่ข้อความระบุถึงแต่ละบุคคล

กราฟมีความสำคัญเพราะมันช่วยกำหนดจุดอ้างอิงของการจำลองไปยังสถานการณ์ของคุณ แทนที่จะอ้างอิงจากสมมติฐานทั่วไป นอกจากนี้ คุณยังสามารถมองเห็นกราฟได้ จึงเห็นได้ว่าระบบเข้าใจอะไรบ้างก่อนที่จะเริ่มทำงานจริง

ขั้นตอนที่ 2: จากกราฟสู่เอเจนต์

จากกราฟและคำอธิบายกลุ่มเป้าหมายของคุณ InfoDome จะสร้างเอเจนต์ AI หลายร้อยตัว โดยจำนวนที่แน่นอนจะขึ้นอยู่กับเอกสารแต่ละฉบับ เอเจนต์แต่ละตัวจะได้รับ:

• ลักษณะนิสัย : อารมณ์ นิสัย ความสนใจ วิธีการพูดและการมีปฏิสัมพันธ์
• จุดยืน : จุดเริ่มต้นในประเด็นดังกล่าว โดยพิจารณาจากกราฟ
• ความทรงจำระยะยาว : สิ่งที่ได้เห็น ได้พูด และได้ยินมา ซึ่งยังคงอยู่ต่อเนื่องไปหลายรอบ
• ประเทศ : คุณสามารถเลือกประเทศเป้าหมายได้สูงสุด 10 ประเทศ และตัวแทนจะถูกแบ่งอย่างเท่าเทียมกันในแต่ละประเทศ บุคคลหรือองค์กรที่มีชื่อจริงจากเอกสารจะยังคงอยู่ในประเทศของตนเอง

การผสมผสานนี้เป็นไปโดยเจตนา ตัวแทนบางตัวเป็นตัวแทนขององค์กรหรือบุคคลที่ระบุชื่อจากข้อความของคุณ ในขณะที่ตัวแทนอื่นๆ เป็นตัวแทนของสมาชิกในกลุ่มผู้ชมที่กว้างขึ้น ดังนั้นการจำลองจึงรวมทั้งผู้เล่นที่มองเห็นได้และฝูงชนที่ตอบสนองต่อพวกเขา

ขั้นตอนที่ 3: การแข่งขันรอบบนสองแท่น

จากนั้นตัวแทนต่างๆ จะมีปฏิสัมพันธ์กันในเครือข่ายสังคมจำลองที่ทำงานบนสองแพลตฟอร์มพร้อมกัน:

• ฟีดข่าวแบบ Twitter : โพสต์สั้นๆ ตอบโต้เร็ว แชร์ต่อ นี่คือที่ที่ความคิดเห็นต่างๆ แพร่กระจายอย่างรวดเร็วและน้ำเสียงก็ทวีความรุนแรงขึ้น
• เว็บบอร์ดคล้าย Reddit : มีกระทู้และคำตอบที่ยาวกว่า เป็นที่ที่ข้อโต้แย้งถูกทดสอบ รายละเอียดถูกถกเถียง และจุดยืนต่างๆ เปลี่ยนแปลงไป ไม่ว่าจะแข็งกร้าวหรืออ่อนลง

คุณเลือกจำนวนรอบได้ เช่น 10, 20 หรือ 40 รอบ ในแต่ละรอบ ตัวแทนจะอ่านสิ่งที่คนอื่นโพสต์ ตัดสินใจว่าจะตอบหรือไม่และอย่างไร และอัปเดตความทรงจำของตนเอง เนื่องจากความทรงจำสามารถส่งต่อได้ รอบที่ 15 จึงถูกกำหนดโดยสิ่งที่เกิดขึ้นในรอบที่ 1 ถึง 14 ข้อโต้แย้งที่ไม่ได้รับการตอบโต้ในช่วงต้นอาจกลายเป็นความรู้ที่ได้รับการยอมรับในภายหลัง การแก้ไขที่มาถึงช้าอาจไม่ได้รับการยอมรับเลย

ขั้นตอนที่ 4: จากการสนทนาสู่การรายงาน

หลังจากรอบสุดท้าย ตัวแทนนักวิเคราะห์จะศึกษาการจำลองกิจกรรมและเขียนรายงานการคาดการณ์พร้อมข้อสรุป: เรื่องราวที่โดดเด่น กลุ่มใดเคลื่อนไหวและเพราะเหตุใด ใครทำหน้าที่เป็นตัวขยายผล ความเสี่ยงและคำถามที่ยังค้างคาอยู่คืออะไร รายงานนี้ไม่ใช่ผลลัพธ์เดียว คุณสามารถเปิดดูโพสต์ที่เกี่ยวข้อง สัมภาษณ์ตัวแทนใดๆ เกี่ยวกับเหตุผลของพวกเขา และถามคำถามเพิ่มเติมกับนักวิเคราะห์ได้ ความสามารถในการตรวจสอบย้อนกลับนี้เองที่ทำให้การจำลองกลายเป็นสมมติฐานที่ตรวจสอบได้ แทนที่จะเป็นคำตัดสินแบบกล่องดำ

เหตุใดปฏิกิริยาอันดับสองจึงมีความสำคัญ

ปฏิกิริยาแรกต่อข่าวสารมักคาดเดาได้ง่าย การขึ้นราคาทำให้ลูกค้ารู้สึกไม่พอใจ กฎระเบียบใหม่ทำให้ภาคอุตสาหกรรมที่อยู่ภายใต้การกำกับดูแลรู้สึกกังวล สิ่งที่คาดเดาได้ยากคือ ปฏิกิริยาในลำดับที่สอง นั่นคือปฏิกิริยาต่อปฏิกิริยาแรก

ตัวอย่างของผลกระทบระดับที่สองที่การจำลองฝูงชนสามารถแสดงให้เห็นได้:

• การตอบโต้แบบตั้งรับของบริษัท ทำให้ข้อร้องเรียนเล็กน้อยกลายเป็นเรื่องของความเย่อหยิ่ง
• ข่าวลือจางหายไปในฟีดข่าวเร็ว แต่ยังคงหลงเหลืออยู่ในกระทู้ฟอรัมที่กลับมาปรากฏขึ้นอีกครั้งในภายหลัง
• การสนับสนุนที่ไม่เต็มใจของพันธมิตรนั้น ถูกตีความโดยสายลับที่เป็นกลางว่าเป็นสัญญาณของปัญหาที่ซ่อนอยู่
• สองกลุ่มที่เริ่มต้นจากฝ่ายตรงข้ามกัน ค้นพบความไม่พอใจร่วมกันและจึงผนึกกำลังกัน

ผลกระทบเหล่านี้จะปรากฏขึ้นก็ต่อเมื่อผู้มีส่วนร่วมตอบสนองต่อกันและกันในช่วงเวลาหนึ่ง ซึ่งเป็นสิ่งที่กระบวนการสัมภาษณ์และการจดจำมีไว้เพื่อจุดประสงค์นั้น นอกจากนี้ ผลกระทบเหล่านี้มักทำให้องค์กรตั้งตัวไม่ทัน เพราะการสัมภาษณ์ผู้มีส่วนได้ส่วนเสียเพียงครั้งเดียวจะไม่สามารถเปิดเผยผลกระทบเหล่านี้ได้

ตัวอย่างการใช้งาน

หน่วยงานรัฐบาลท้องถิ่นร่างแผนเปลี่ยนถนนช้อปปิ้งที่พลุกพล่านให้เป็นเขตทางเดินเท้า ทีมวางแผนได้อัปโหลดร่างแผน สรุปผลการศึกษาด้านการจราจร และรายงานข่าวท้องถิ่นที่อ้างอิงคำพูดของเจ้าของร้านค้า พวกเขาถามถึงปฏิกิริยาของผู้อยู่อาศัย เจ้าของร้านค้า บริษัทขนส่ง และสื่อท้องถิ่นในช่วงเดือนแรก และดำเนินการสำรวจ 40 รอบในประเทศหนึ่ง

รอบแรกๆ ไม่มีอะไรน่าประหลาดใจ: เจ้าของร้านค้ากังวลเรื่องการส่งสินค้า ส่วนผู้อยู่อาศัยชอบความคิดเรื่องเสียงรบกวนที่ลดลง จากนั้นรูปแบบที่สองก็ปรากฏขึ้น ตัวแทนบริษัทส่งสินค้าโพสต์ว่าการส่งสินค้าในช่วงเช้าตรู่จะช่วยแก้ปัญหาได้เกือบทั้งหมด ตัวแทนเจ้าของร้านค้าในฟอรัมก็หยิบยกเรื่องนี้ขึ้นมา และคำวิจารณ์ของพวกเขาก็เปลี่ยนจาก "ไม่เห็นด้วยกับแผน" เป็น "ไม่เห็นด้วยกับแผนหากไม่มีช่วงเวลาส่งสินค้า" ในขณะเดียวกัน ในฟีดข่าว ตัวแทนสื่อท้องถิ่นก็ขยายความร้องเรียนของผู้อยู่อาศัยเกี่ยวกับที่จอดรถ ซึ่งดึงความสนใจไปจากปัญหาการส่งสินค้า

รายงานของนักวิเคราะห์สรุปว่า ช่วงเวลาการส่งมอบสินค้าอาจทำให้ฝ่ายตรงข้ามแตกแยก และปัญหาที่จอดรถเป็นความเสี่ยงที่ยั่งยืนกว่า ทีมงานได้สัมภาษณ์ตัวแทนสื่อเพื่อทำความเข้าใจว่าข้อเท็จจริงใดที่จะเปลี่ยนแปลงการนำเสนอข่าว จากนั้นจึงเพิ่มส่วนที่จอดรถเข้าไปในแผน การจำลองสถานการณ์ไม่ได้พิสูจน์อะไรเกี่ยวกับสภาพถนนจริง แต่ทำให้ทีมงานได้สมมติฐานที่เป็นรูปธรรมและสามารถทดสอบได้สองข้อ สำหรับสถานการณ์ที่มีข่าวลือแพร่หลาย สถานการณ์การแพร่กระจายข่าวลือ จะถูกสร้างขึ้นโดยใช้กลไกเดียวกัน

ข้อจำกัดที่ควรคำนึงถึง

การจำลองฝูงชนมีประสิทธิภาพในการสำรวจพลวัต แต่ก็มีข้อจำกัดที่ชัดเจน:

• เอเจนต์คือโมเดล AI ที่ได้รับการฝึกฝนโดยใช้เอกสารของคุณ การขาดผู้มีส่วนได้ส่วนเสียหรือข้อมูลที่ไม่ครบถ้วนจะนำไปสู่จุดบอด
• ผลลัพธ์ที่ได้ไม่สามารถเป็นตัวแทนทางสถิติได้เหมือนกับกลุ่มตัวอย่างจากการสำรวจ และเปอร์เซ็นต์ที่แสดงผลไม่ควรนำไปใช้เป็นสัดส่วนในโลกแห่งความเป็นจริง
• การวิ่งแต่ละครั้งอาจดำเนินไปในรูปแบบที่แตกต่างกัน ให้ถือว่ารูปแบบที่สม่ำเสมอเป็นสัญญาณที่สำคัญกว่าช่วงเวลาที่ตื่นเต้นเร้าใจเพียงครั้งเดียว

เมื่อคำนึงถึงข้อจำกัดเหล่านี้ การจำลองเป็นวิธีที่รวดเร็วในการดูว่าอะไรอาจเกิดขึ้นต่อไปและเพราะเหตุใด หากต้องการทดลองใช้กับกรณีของคุณเอง ให้เตรียมงานในคอนโซล