Як штучний інтелект моделює натовп, прогнозуючи реакцію публіки

Моделювання натовпу за допомогою штучного інтелекту передбачає реакцію публіки, створюючи популяцію агентів ШІ на основі реального контексту та дозволяючи їм взаємодіяти з часом, замість того, щоб запитувати одну відповідь у однієї моделі. В InfoDome ваш документ перетворюється на граф знань, граф перетворюється на сотні агентів з власним характером, позицією та пам'яттю, і ці агенти дискутують на двох змодельованих платформах протягом вибраної кількості раундів. Потім агент-аналітик читає, що сталося, і пише звіт-прогноз, який ви можете поставити під сумнів.

Навіщо моделювати натовп, а не запитувати одну модель

Якщо ви запитаєте одну модель штучного інтелекту: «Як люди відреагують на це?», ви отримаєте один правдоподібний абзац. Це часто розумно, але це усереднений приклад: один голос уявляє собі всіх одночасно. Реальні реакції так не працюють. Люди реагують один на одного. Пост критика формує те, як нейтральний читач сприймає новини; відповідь захисника змінює те, що критик скаже далі; журналіст вловлює найгучнішу формулювання, а не найточнішу.

Моделювання натовпу намагається вловити цю динаміку. Замість одного уявного консенсусу, воно моделює багатьох різних учасників і дозволяє результату випливати з їхньої взаємодії. Саме тому результат може вас здивувати, і чому варто перевірити ці сюрпризи. Ширший метод відомий як багатоагентне моделювання; ми пояснюємо його передумови в розділі «Що таке багатоагентне моделювання» .

Крок 1: Від документа до графа знань

Все починається з вашого матеріалу: новин, планів, звітів, проектів політик чи художньої літератури, у PDF, Markdown або тексті. InfoDome зчитує його разом із вашим описом того, що ви хочете передбачити простою мовою, та витягує граф знань:

• Суб'єкти : люди, організації та групи, згадані в тексті.
• Відносини : хто кого підтримує, протистоїть, від кого залежить, підпорядковується чи з ким конкурує.
• Контекст : факти та позиції, які текст приписує кожному з них.

Графік важливий, оскільки він закріплює симуляцію у вашій ситуації, а не в загальних припущеннях. Він також видимий для вас, тож ви можете побачити, що зрозуміла система, перш ніж щось запуститься.

Крок 2: Від графа до агентів

На основі графіка та опису вашої аудиторії InfoDome створює сотні агентів штучного інтелекту; точна кількість залежить від документа. Кожен агент отримує:

• Персонаж : темперамент, інтереси, манера мовлення та взаємодії.
• Позиція : звідки починається проблема, що визначається графіком.
• Довготривала пам'ять : те, що бачили, говорили та чули, і що зберігається протягом раундів.
• Країна : ви можете вибрати до 10 країн аудиторії, а агенти розподіляються між ними порівну. Реальні іменовані сутності з документа зберігають свою власну країну.

Це поєднання навмисне. Деякі агенти представляють названі організації або людей з вашого тексту; інші представляють представників ширшої аудиторії, тому симуляція включає як видимих гравців, так і натовп, який на них реагує.

Крок 3: Раунди на двох платформах

Потім агенти взаємодіють у симульованій соціальній мережі, яка працює паралельно на двох платформах:

• Стрічка, схожа Twitter : короткі пости, швидкі реакції, репости. Саме тут фрейми швидко поширюються, а тон загострюється.
• Форум, схожий на Reddit : довші теми та відповіді. Тут перевіряються аргументи, обговорюються деталі, а позиції стають жорсткішими або пом'якшуються.

Ви обираєте кількість раундів, наприклад, 10, 20 або 40. У кожному раунді агенти читають, що опублікували інші, вирішують, чи відповідати і як, та оновлюють свою пам'ять. Оскільки пам'ять переноситься, раунд 15 формується тим, що сталося в раундах з 1 по 14. Суперечка, на яку не було відповіді на початку, може стати загальноприйнятою мудрістю пізніше; виправлення, яке надійшло пізно, може ніколи не наздогнати згаяне.

Крок 4: Від розмови до звіту

Після останнього раунду агент-аналітик вивчає змодельовану діяльність і пише звіт про прогноз із висновками: домінуючі наративи, які групи рухалися і чому, які актори діяли як підсилювачі, які ризики та залишаються відкритими питання. Звіт — це не єдиний результат. Ви можете відкрити відповідні публікації, взяти інтерв'ю у будь-якого агента щодо його міркувань і поставити аналітику подальші запитання. Саме ця простежуваність перетворює симуляцію на гіпотезу, яку можна переглянути, а не на вердикт чорної скриньки.

Чому важливі реакції другого порядку

Першу реакцію на новини зазвичай легко вгадати. Зростання цін дратує клієнтів; нове регулювання турбує регульовану галузь. Що важко вгадати, так це реакцію другого порядку : реакцію на реакцію.

Приклади ефектів другого порядку, які може виявити симуляція натовпу:

• Захисна відповідь компанії перетворює невелику скаргу на історію про зарозумілість.
• Чутка зникає на швидкій стрічці, але залишається в гілці форуму, яка пізніше знову спливає.
• Нейтральні агенти сприймають помірковану підтримку союзника як ознаку прихованих проблем.
• Дві групи, які починали з протилежних сторін, виявляють спільну образу та об'єднуються.

Ці ефекти проявляються лише тоді, коли актори реагують один на одного з часом, для чого саме існують раунди та пам'ять. Це також ефекти, які найчастіше застають організації зненацька, оскільки жодне окреме інтерв'ю із зацікавленими сторонами не виявило б їх.

Працюючий приклад

Міська влада розробляє план перетворення жвавої торговельної вулиці на пішохідну зону. Команда планування завантажує чернетку, короткий виклад дослідження дорожнього руху та місцевий новинний репортаж із цитатами власників магазинів. Вони запитують, як мешканці, власники магазинів, служби доставки та місцеві ЗМІ відреагують протягом першого місяця, та проводять 40 раундів в одній країні.

Перші раунди не принесли жодних сюрпризів: власники магазинів хвилюються щодо доставки, мешканцям подобається ідея меншого шуму. Потім з'являється схема другого замовлення. Агент служби доставки повідомляє, що ранкові вікна доставки вирішать більшість проблем. Агенти власників магазинів на форумі підхоплюють це, і їхня критика зміщується з «проти плану» на «проти плану без вікон доставки». Тим часом у стрічці місцевий медіа-агент посилює скаргу мешканця на паркування, що відволікає увагу від доставок.

У звіті аналітика робиться висновок, що вікна доставки можуть розділити опозицію, а паркування є більш стійким ризиком. Команда опитує медіа-агента, щоб зрозуміти, які факти можуть змінити його формулювання, а потім додає до плану секцію паркування. Моделювання нічого не довело про реальну вулицю, але дало команді дві конкретні, перевірені гіпотези. Для ситуацій з великою кількістю чуток сценарій поширення чуток будується навколо тієї ж механіки.

Обмеження, які слід пам’ятати

Моделювання натовпу є потужним засобом для дослідження динаміки, але воно має чіткі обмеження:

• Агенти – це моделі штучного інтелекту, що базуються на ваших документах. Відсутність зацікавлених сторін або односторонній підхід до матеріалу призводять до появи сліпих зон.
• Результати не є статистично репрезентативними, як вибірка опитування, і відсотки не слід тлумачити як частки в реальному світі.
• Різні пробіжки можуть розгортатися по-різному. Ставтеся до послідовних моделей як до сильніших сигналів, ніж до окремих драматичних моментів.

З урахуванням цих обмежень, моделювання — це швидкий спосіб побачити, що може статися далі та чому. Щоб спробувати це на власному випадку, підготуйте завдання в консолі .