Ano ang Multi-Agent Simulation? Isang Gabay sa Simpleng Wika

Ang multi-agent simulation ay isang paraan ng pag-aaral ng isang sistema sa pamamagitan ng pagmomodelo ng maraming independiyenteng aktor, na tinatawag na mga ahente, bawat isa ay may sariling mga patakaran, layunin o personalidad, at hinahayaan ang pangkalahatang resulta na lumitaw mula sa kung paano sila nakikipag-ugnayan. Sa halip na magsulat ng isang equation para sa "merkado" o "opinyon ng publiko", inilalarawan mo ang mga indibidwal at pinapanood kung ano ang ginagawa ng grupo. Gamit ang mga modernong modelo ng wika, ang mga ahente na iyon ay maaaring magbasa, magsulat at matandaan sa natural na wika, na ginagawang kapaki-pakinabang ang pamamaraan para sa mga tanong tungkol sa kung paano tumutugon ang mga tao.

Ang pangunahing ideya: ang pag-uugali ay lumilitaw mula sa interaksyon

Maraming mahahalagang resulta ang hindi pinagpapasyahan ng iisang aktor. Ang mga trapiko, pagtaas ng presyo, mga tsismis na kumakalat sa internet, at mga pagbabago sa mood ng publiko ay pawang nagmumula sa maraming lokal na desisyon na nakakaimpluwensya sa isa't isa. Seryoso itong tinatanggap ng multi-agent simulation.

Ang isang karaniwang simulation ay may tatlong sangkap:

• Mga Ahente : ang mga aktor, bawat isa ay may kanya-kanyang estado (kung ano ang alam, gusto, o pinaniniwalaan nito) at pag-uugali (kung paano ito nagpapasya kung ano ang susunod na gagawin).
• Isang kapaligiran : ang espasyo kung saan ang mga ahente ay kumikilos at nagmamasid sa isa't isa, tulad ng isang mapa, isang pamilihan o isang social network.
• Mga hakbang o ikot ng oras : sa bawat hakbang, ang mga ahente ay nagmamasid, nagpapasya at kumikilos, at ang kapaligiran ay nagbabago bilang resulta.

Ang nagpapaiba sa pamamaraang ito ay ang paglitaw : mga padron sa antas ng grupo na walang direktang nagprograma. Ang isang maliit na kagustuhan sa bawat indibidwal ay maaaring, sa pamamagitan ng paulit-ulit na interaksyon, magbunga ng isang malaki at nakakagulat na kolektibong resulta.

Kung saan ito nagmula: pagmomodelo batay sa ahente

Hindi na bago ang ideya. Ang mga mananaliksik sa ekonomiks, ekolohiya, sosyolohiya, at agham pangkompyuter ay gumamit ng agent-based modelling sa loob ng mga dekada. Ipinakita na ng mga unang pag-aaral noong dekada 1970, gamit ang mga napakasimpleng tuntunin sa isang grid, kung paano maaaring humantong sa matinding segregasyon sa antas ng isang buong kapitbahayan ang banayad na mga indibidwal na kagustuhan tungkol sa mga kapitbahay. Sa mga sumunod na dekada, bumuo ang mga mananaliksik ng mga artipisyal na lipunan, mga kunwaring pamilihan, at mga modelo ng mga epidemya, mga dumaraming hayop, at trapiko.

Ang mga klasikong modelong ito ay may iisang katangian: ang mga ahente ay sadyang simple. Ang bawat isa ay sumusunod sa ilang mga tuntuning pang-numero, na ginagawang malinaw at madaling suriin ang modelo, ngunit nililimitahan din nito ang masasabi tungkol sa mayamang pag-uugali ng tao tulad ng panghihikayat, pag-frame, o ironya.

Ang bagong alon: mga ahente na binuo sa mga modelo ng wika

Binago ng malalaking modelo ng wika kung ano ang maaaring maging isang ahente. Simula noong bandang 2023, ipinakita ng pananaliksik sa tinatawag na mga generative agent na ang mga ahente ng modelo ng wika, na binigyan ng isang persona, isang alaala ng mga nakaraang pangyayari at ang kakayahang pagnilayan ang alaalang iyon, ay maaaring kumilos sa nakakagulat na kapani-paniwalang mga paraan sa isang kunwaring komunidad: pinaplano nila ang kanilang mga araw, bumubuo ng mga opinyon, nagpapasa ng mga balita at nakikipag-ugnayan sa isa't isa.

Kung ikukumpara sa mga klasikong modelong nakabatay sa ahente, ang mga ahente ng modelo ng wika ay:

• Makipag-usap sa natural na wika , upang makapag-react sila sa aktwal na pagkakasabi ng isang pahayag, hindi lamang sa isang numero.
• Magdala ng mayayamang persona , na pinagsasama ang pinagmulan, mga pinahahalagahan, at tono ng boses.
• Tandaan at i-update , upang ang mga naunang pag-uusap ay mahubog ang mga susunod na pag-uugali.

Ang kapalit nito ay hindi sila gaanong transparent at mas magastos patakbuhin kaysa sa mga ahente na nakabatay sa panuntunan, at ang kanilang pag-uugali ay sumasalamin sa mga kalakasan at bias ng pinagbabatayang modelo.

Paano ito inilalapat InfoDome

Gumagamit InfoDome ng mga language-model agent upang gayahin ang mga reaksyon ng publiko at mga stakeholder. Nag-a-upload ka ng mga dokumento at inilalarawan kung ano ang gusto mong hulaan; kumukuha InfoDome ng knowledge graph ng mga tao, organisasyon, at grupo sa iyong materyal, pagkatapos ay lumilikha ng daan-daang ahente na may kani-kanilang karakter, posisyon, at pangmatagalang memorya, na nakakalat sa hanggang 10 bansang may audience na iyong pipiliin. Ang mga ahente ay nakikipag-ugnayan nang sabay-sabay sa isang feed na parang Twitter at isang forum na parang Reddit para sa isang takdang bilang ng mga round, at ang isang analyst agent ay nagsusulat ng isang prediction report na maaari mong tanungin, kasama ang sinumang indibidwal na ahente. Ang sunud-sunod na mekanismo ay ipinaliwanag sa kung paano hinuhulaan ng AI crowd simulation ang mga reaksyon .

Kapag nakakatulong ang multi-agent simulation

Pinakamahalaga ang pamamaraan kapag ang resulta ay nakasalalay sa interaksyon sa halip na sa anumang iisang desisyon:

• Mga reaksyong nakabatay sa mga reaksyon : mga krisis, tsismis, mga pampublikong debate, kung saan ang tugon sa unang tugon ang pinakamahalaga.
• Maraming stakeholder na may iba't ibang interes : mga pagbabago sa patakaran, muling pagbubuo ng organisasyon, mga negosasyon.
• Madiskarteng interaksyon : mga tugon ng mga kakumpitensya o paglalaro ng digmaan, kung saan ang bawat panig ay umaangkop sa isa't isa.
• Maagang paggalugad : kapag kailangan mo ng mabilis na mga hipotesis, bago ang isang survey o pag-aaral sa larangan, o kapag ang isang tunay na pagsusulit ay masyadong magastos o masyadong mapanganib.
• Paghahambing ng mensahe : pagpapatakbo ng parehong madla laban sa dalawang bersyon ng isang pahayag upang makita kung aling framing ang mas lalapit.

Kapag hindi ito nakakatulong

Mahalaga ring malaman kung kailan hindi dapat gamitin ito:

• Kapag kailangan mo ng mga representatibong numero. Ang isang simulation ay hindi isang survey; ang mga proporsyon nito ay hindi dapat basahin bilang mga porsyento sa totoong mundo.
• Kapag nasagot na ng mahusay na datos pangkasaysayan ang tanong. Kung mayroon kang mga taon ng datos ng benta para sa isang matatag na produkto, maaaring mas maaasahan ang isang istatistikal na pagtataya.
• Kapag kakaunti ang input. Ang mga ahente ay kasing-grounded lamang ng materyal na pinagmulan ng mga ito. Ang kawalan ng mga stakeholder ay nangangahulugan ng kawalan ng mga boses.
• Kapag gusto mo ng katiyakan. Iba't ibang takbo ang maaaring mangyari nang iba. Ang resulta ay isang maaaring suriing hipotesis na sumusuporta sa paghatol; hindi nito ito pinapalitan.

Isang halimbawang ginamit

Isang katamtamang laki ng kompanya ng logistik ang isinasaalang-alang ang paglipat sa apat na araw na linggo ng pagtatrabaho para sa mga kawani sa opisina. Nais malaman ng mga pinuno kung paano maaaring tumugon ang mga empleyado, mga pinuno ng koponan, at mga kliyente. Maaaring tantyahin ng isang modelo ng spreadsheet ang mga gastos, ngunit hindi kung paano maaaring kumalat ang tsismis tungkol sa "nakatagong overtime" sa mga kawani, o kung paano babasahin ng isang pangunahing kliyente ang balita.

Ina-upload ng HR team ang internal proposal at buod ng isang kamakailang survey ng staff sa InfoDome, inilalarawan ang tanong, at nagsagawa ng 20 rounds sa isang bansa. Sa forum, ibinabahagi ng mga team lead agent ang mga alalahanin tungkol sa coverage tuwing Biyernes; sa feed, tinatanggap ng mga nakababatang empleyado ang pagbabago ngunit nag-aalala rin na ang mga workload ay mababawasan lamang. Nagtatanong ang isang client agent kung magbabago ba ang mga oras ng pagtugon. Iminumungkahi ng ulat ng analyst na ang kalinawan sa coverage tuwing Biyernes ang siyang nagpapasya para sa parehong mga team lead at kliyente.

Sa isang panayam sa isang ahente ng pinuno ng koponan, nalaman ng HR na ang isang umiikot na iskedyul tuwing Biyernes ay makakapagpagaan ng kanilang mga alalahanin. Itinuturing ito ng mga pinuno bilang isang hipotesis na susubukan sa isang tunay na pilot na may dalawang departamento, hindi bilang isang pangwakas na sagot. Iyan ay isang mahusay na paggamit ng multi-agent simulation: pinaliit nito ang isang malabong tanong sa isang tiyak at masusubok na tanong. Kung gagawa ka ng mga katulad na tanong na nakatuon sa hinaharap, ang use case ng pagpaplano ng senaryo ay isang mahusay na panimulang punto.

Pagsisimula

Hindi mo kailangan ng kasanayan sa programming para magpatakbo ng multi-agent simulation gamit ang InfoDome. Ang single plan ay nagkakahalaga ng €29 kada buwan, may kasamang €9 na buwanang badyet para sa paggamit ng AI at walang limitasyong mga proyekto, at maaaring kanselahin anumang oras. Ihanda ang iyong unang senaryo sa console ; maaari kang mag-set up ng isang gawain bago mag-sign up.