Paano Hinuhulaan ng AI Crowd Simulation ang mga Reaksyon ng Publiko

Hinuhulaan ng AI crowd simulation ang mga reaksyon ng publiko sa pamamagitan ng pagbuo ng populasyon ng mga AI agent mula sa totoong konteksto at pagpapahintulot sa kanila na makipag-ugnayan sa paglipas ng panahon, sa halip na humingi ng iisang sagot sa isang modelo. Sa InfoDome, ang iyong dokumento ay nagiging isang knowledge graph, ang graph ay nagiging daan-daang ahente na may kani-kanilang katangian, posisyon at memorya, at ang mga ahente na iyon ay magdedebate sa dalawang simulated platform para sa isang napiling bilang ng mga round. Pagkatapos ay babasahin ng isang analyst agent ang nangyari at magsusulat ng isang ulat ng prediksyon na maaari mong tanungin.

Bakit ginagaya ang isang pulutong sa halip na humingi ng isang modelo?

Kung tatanungin mo ang isang modelo ng AI na "paano magre-react ang mga tao rito?", makakakuha ka ng isang kapani-paniwalang talata. Kadalasan ay makatwiran ito, ngunit karaniwan lamang ito: isang boses ang nag-iisip sa lahat nang sabay-sabay. Hindi ganoon gumagana ang mga totoong reaksyon. Tumutugon ang mga tao sa isa't isa. Hinuhubog ng post ng isang kritiko kung paano tinitingnan ng isang neutral na mambabasa ang balita; binabago ng tugon ng isang tagapagtanggol ang susunod na sasabihin ng kritiko; pinipili ng isang mamamahayag ang pinakamalakas na pag-frame, hindi ang pinakatumpak.

Sinusubukan ng isang crowd simulation na makuha ang dinamikong iyon. Sa halip na isang kathang-isip na pinagkasunduan, minomodelo nito ang maraming magkakaibang aktor at hinahayaan ang resulta na lumitaw mula sa kanilang interaksyon. Kaya naman maaaring magulat ka sa resulta, at kung bakit sulit na suriin ang mga sorpresa. Ang mas malawak na pamamaraan ay kilala bilang multi-agent simulation; ipapaliwanag namin ang pinagmulan nito kung ano ang multi-agent simulation .

Hakbang 1: Mula sa dokumento patungo sa graph ng kaalaman

Nagsisimula ang lahat sa iyong materyal: balita, plano, ulat, draft ng patakaran o kathang-isip, sa PDF, Markdown o teksto. Binabasa ito InfoDome kasama ng iyong simpleng paglalarawan ng gusto mong hulaan at kinukuha ang isang knowledge graph:

• Mga entidad : mga tao, organisasyon, at grupong binanggit sa teksto.
• Mga Ugnayan : kung sino ang sumusuporta, tumututol, umaasa, nag-uulat o nakikipagkumpitensya kanino.
• Konteksto : ang mga katotohanan at posisyon na iniuugnay ng teksto sa bawat isa sa mga ito.

Mahalaga ang graph dahil itinatatag nito ang simulation sa iyong sitwasyon sa halip na sa mga pangkalahatang pagpapalagay. Nakikita mo rin ito, kaya makikita mo kung ano ang naunawaan ng sistema bago pa man tumakbo ang anumang bagay.

Hakbang 2: Mula sa graph patungo sa mga ahente

Mula sa graph at sa deskripsyon ng iyong audience, InfoDome ay lumilikha ng daan-daang AI agent; ang eksaktong bilang ay depende sa dokumento. Ang bawat agent ay makakakuha ng:

• Isang karakter : ugali, mga interes, ang paraan ng pagsasalita at pakikipag-ugnayan nito.
• Isang posisyon : kung saan ito nagsisimula sa isyu, batay sa graph.
• Pangmatagalang memorya : kung ano ang nakita, nasabi, at nasabi na, na nagpapatuloy sa paglipas ng mga yugto.
• Isang bansa : maaari kang pumili ng hanggang 10 bansa para sa audience, at ang mga ahente ay pantay na hinahati sa kanila. Ang mga totoong pinangalanang entity mula sa dokumento ay nagpapanatili ng sarili nilang bansa.

Sinadya ang paghahalo. Ang ilang ahente ay kumakatawan sa mga pinangalanang organisasyon o tao mula sa iyong teksto; ang iba ay kumakatawan sa mga miyembro ng mas malawak na madla, kaya kasama sa simulation ang parehong nakikitang mga manlalaro at ang karamihan na tumutugon sa kanila.

Hakbang 3: Mga round sa dalawang platform

Ang mga ahente ay nakikipag-ugnayan sa isang kunwaring social network na tumatakbo sa dalawang platform nang magkasabay:

• Isang mala- Twitter na feed : maiikling post, mabibilis na reaksyon, at muling pag-post. Dito mabilis na kumakalat ang mga framing at tumataas ang tono.
• Isang forum na parang Reddit : mas mahahabang thread at tugon. Dito sinusubok ang mga argumento, pinagdedebatihan ang mga detalye, at pinatitibay o pinalalambot ang mga posisyon.

Pipili ka ng bilang ng mga round, halimbawa 10, 20 o 40. Sa bawat round, babasahin ng mga ahente ang mga post ng iba, magpapasya kung tutugon ba o hindi, at paano, at ia-update ang kanilang memorya. Dahil nagpapatuloy ang memorya, ang round 15 ay hinuhubog ng nangyari sa round 1 hanggang 14. Ang isang argumento na hindi nasagot nang maaga ay maaaring maging katanggap-tanggap na karunungan sa kalaunan; ang isang pagwawasto na dumating nang huli ay maaaring hindi na makahabol.

Hakbang 4: Mula sa pag-uusap hanggang sa ulat

Pagkatapos ng huling round, pinag-aaralan ng isang analyst agent ang kunwang aktibidad at nagsusulat ng ulat ng prediksyon na may mga konklusyon: mga dominanteng naratibo, kung aling mga grupo ang kumilos at bakit, kung aling mga aktor ang kumilos bilang mga amplifier, anong mga panganib at mga natitirang tanong. Hindi lamang ang ulat ang output. Maaari mong buksan ang mga pinagbabatayang post, kapanayamin ang sinumang ahente tungkol sa pangangatwiran nito, at magtanong ng mga follow-up na tanong sa analyst. Ang traceability na iyon ang siyang nagiging isang maaaring suriing hypothesis sa isang simulation sa halip na isang black-box verdict.

Bakit mahalaga ang mga reaksiyong pangalawang-order

Ang unang reaksyon sa balita ay kadalasang madaling hulaan. Ang pagtaas ng presyo ay nakakainis sa mga mamimili; ang isang bagong regulasyon ay nakakabahala sa industriyang kinokontrol. Ang mahirap hulaan ay ang pangalawang uri ng reaksyon : ang reaksyon sa reaksyon.

Mga halimbawa ng mga epektong pangalawang-order na maaaring lumitaw sa isang simulasyon ng karamihan:

• Ang pagtatanggol na tugon ng isang kumpanya ay ginagawang kuwento tungkol sa kayabangan ang isang maliit na reklamo.
• Isang tsismis ang naglaho sa fast feed ngunit nanatili sa isang forum thread na muling lumitaw kalaunan.
• Ang maligamgam na suporta ng isang kakampi ay nababasa ng mga neutral na ahente bilang tanda ng mga nakatagong problema.
• Dalawang grupo na nagsimula sa magkabilang panig ang nakatuklas ng isang magkaparehong hinaing at nagkaisa.

Ang mga epektong ito ay lumilitaw lamang kapag ang mga aktor ay tumutugon sa isa't isa sa paglipas ng panahon, na siyang eksaktong gamit ng mga round at memory. Ang mga ito rin ang mga epektong kadalasang nakakagulat sa mga organisasyon, dahil walang iisang panayam sa mga stakeholder ang makapagbubunyag ng mga ito.

Isang halimbawang ginamit

Isang pamahalaang lungsod ang bumuo ng plano upang gawing pedestrian zone ang isang mataong kalye ng pamimili. Ina-upload ng planning team ang draft, isang buod ng isang pag-aaral sa trapiko at isang lokal na ulat ng balita na sinipi ang mga may-ari ng tindahan. Tinatanong nila kung paano magre-react ang mga residente, may-ari ng tindahan, mga kumpanya ng paghahatid at lokal na media sa unang buwan, at nagsagawa ng 40 rounds sa isang bansa.

Walang sorpresa sa mga unang yugto: nag-aalala ang mga may-ari ng tindahan tungkol sa mga delivery, gusto ng mga residente ang ideya ng mas kaunting ingay. Pagkatapos ay lumitaw ang pangalawang uri ng pattern. Nag-post ang isang ahente ng kumpanya ng paghahatid na ang mga oras ng paghahatid sa madaling araw ay makalulutas sa karamihan ng mga problema. Nakuha ito ng mga ahente ng may-ari ng tindahan sa forum, at ang kanilang kritisismo ay nagbabago mula sa "laban sa plano" patungo sa "laban sa plano nang walang mga oras ng paghahatid". Samantala sa feed, pinalalakas ng isang lokal na ahente ng media ang reklamo ng isang residente tungkol sa paradahan, na kumukuha ng atensyon mula sa mga delivery.

Napagpasyahan ng ulat ng analyst na ang mga delivery window ay maaaring maghati sa oposisyon, at ang paradahan ang mas matindi ang panganib. Kinapanayam ng team ang media agent upang maunawaan kung aling mga katotohanan ang magbabago sa kanilang pagkakabalangkas, pagkatapos ay nagdagdag ng parking section sa plano. Ang simulation ay hindi nagpapatunay ng anumang bagay tungkol sa totoong kalye, ngunit nagbigay ito sa team ng dalawang konkreto at masusubok na mga hypotheses. Para sa mga sitwasyong maraming tsismis, ang senaryo ng pagkalat ng tsismis ay binuo batay sa parehong mekanismo.

Mga limitasyon na dapat tandaan

Mabisa ang crowd simulation para sa paggalugad ng mga dinamika, ngunit mayroon itong malinaw na mga limitasyon:

• Ang mga ahente ay mga modelo ng AI na nakakondisyon sa iyong mga dokumento. Ang mga nawawalang stakeholder o one-sided na materyal ay humahantong sa mga blind spot.
• Hindi istatistikal na kumakatawan ang mga resulta tulad ng isang sample ng survey, at ang mga porsyento ay hindi dapat basahin bilang mga pagbabahagi sa totoong buhay.
• Ang iba't ibang mga takbo ay maaaring magkaiba ang kinalabasan. Ituring ang mga pare-parehong padron bilang mas malakas na senyales kaysa sa mga nag-iisang dramatikong sandali.

Kung gagamitin nang isinasaalang-alang ang mga limitasyong ito, ang simulation ay isang mabilis na paraan upang makita kung ano ang maaaring mangyari sa susunod at kung bakit. Para subukan ito sa iyong sariling kaso, maghanda ng isang gawain sa console .