DIGITALNI DOMOROCI

POLOVINA GLUPLJA OD TOGA

347 pregleda

Osnove agentskih modela su teorijski definisali Stanislav Ulam i Džon fon Nojman za vreme rada u laboratoriji Los Alamos četrdesetih godina prošlog veka. Sledeći značajan korak je nastao sedamdesetih nakon publikacije „Igre života (Game of Life), kada su definisana jednostavna pravila ćelijskih automata.


Mijat Kustudić

Kada kažemo da su ljudi kompleksna bića moramo postaviti pitanje: da li se misli na individualnom nivou ili u grupi? Naučnicima je psihologija masa veoma zanimljiva, posebno kada uzmemo u obzir moć mase da ljude koji su iznad proseka po mnogo čemu pretvori u samo „jednog iz mase time brišući sve karakteristike koje ga čine izuzetnim. Ovde uzmimo u obzir reči stand upkomičara Džordža Karlina: „Zamisli koliko je glup prosečan čovek, e sad shvati da je polovina gluplja od toga.

Na individualnom nivou ljudi jesu komplekna bića; svakog od njih karakterišu znanje, inteligencija,emocije, misli, iskustva i mnoge druge stvari koje ih čine različitim od ostalih. Međutim, kada pogledamo ljude sa više instance, na primer u toku prosečnog dana, te karakteristike se ne primećuju. Trošimo oko 7 sati na spavanje, jedemo slične stvari svakog dana, krećemo se istim putevima do posla ili škole, družimo se sa istim ljudima, pa čak imamo i odeću koju volimo i nosimo mnogo više u odnosu na drugu. Na osnovu ovoga možemo primetiti da se većina našeg individualnog ponašanja može predstaviti u okviru jednostavnih formula, na primer u prvih 10 minuta ćemo sigurno oprati zube, 60% da ćemo doručkovati jaja, a 40% sardine. Nakon toga 40% da ćemo nositi omiljene farmerke na posao i krenuti u otprilike isto vreme istim putem itd.

U prirodnim naukama kao što je fizika, naučnici često koriste simulaciju da bi precizno predvideli kretanje elektrona ili planeta, dok naučnici u humanim naukama nemaju te mogućnosti. U poređenju s prirodnim modelima gde su većina elemenata fiksni i poštujućo zakone fizike, modeli koji simuliraju ljude imaju dosta nasumičnih elemenata i mogu zavisiti od ljudske greške. Međutim, koristeći proste pretpostavke, kao što su navedene za dnevno ponašanje individue, naučnici su kreirali modele koji nam omogućavaju da u neku ruku predvidimo budućnost.

Definišimo razliku između optimizacije i simulacije: optimizacija ima zadatak da produkuje konkretno rešenje za problem. Simulacija ima zadatak da opiše kako se sistem ponaša i da pokaže promene rezultata ukoliko se ulazni parametri promene. U ekonomiji se često polazi od teorije racionalnosti gde ljudi uvek prave optimalne odluke. Kako postoji velika asimetrija informacija među ljudima, različiti budžeti i namere – teorija se retko može primeniti u stvarnosti. Odatle sledi da individue u stvarnosti koriste adaptivne, a ne optimizujuće strategije i zato simulacija postaje neophodna. Adaptiranje može da bude na individualnom nivou kroz učenje ili na nivou populacije kroz opstanak uspešnih individua. Njihove posledice je teško deducirati jer postoji mnogo intereagujućih individua koje prate nelinearna pravila. U simulacijama se oni zovu agenti, a radi oponašanja realnosti mogu se kreairati i iracionalni agenti.

Simulacija je efektivan način da otkrijemo iznenađujuće veze i posledice iz jednostavnih pretpostavki, a kao u većini mladih grana nauke obećanja su veća od dostignuća. Simulacija je smatrana za treći način obavljanja nauke i predstavlja način za obavljanje misaonih eksperimenata. Počinje kao dedukcija sa utvrđenim pretpostavkama, a za razliku od nje ona ne dokazuje teoreme nego generiše podatke koji se mogu analizirati induktivno.

Za svrhu ovog članka, fokusiramo se na formu simulacije koja koristi agente, a time i decentralizovanu veštačku inteligenciju. Za početak važno je demistifikovati veštačku inteligenciju, ona nije sastavljena iz nekih novih magičnih programa. Ona je bazirana na definiciji inteligencije: „mogućnost prilagođavanja novonastalim situacijama, istovremeno poštujući i sve ostale. Ona se sastoji iz klasičnog kreiranja programa koji imaju mogućnost učenja i prilagođavanja na osnovu prethodnih iskustava.

Neke od glavnih funkcija simulacije su predviđanje, unapređivanje performansi, otkrivanje i dokazivanje fenomena. Predviđanje se bavi apstrahovanjem komplikovanih elemenata njihovim obrađivanjem u skladu sa utvrđenim mehanizmima i prikazivanjem mogućih posledica. Simulacija može biti upotreljena da unapredi performanse investicionog portfolija ili distributivne mreže optimizujući njihove funkcija. Slično vežbama u stvarnosti, ona može proveriti da li je sistem otporan na softverske napade.

Dokazivanje teorija pokazuje da jednostavne pretpostavke mogu voditi ka veoma kompleksnom ponašanju. Korisnost simulacije dolazi od strane mnogih agenata koji interaguju međusobno bez centralnog navođenja time kreairajući svoja pravila umesto da su pravila njima nametnuta. Za razliku od optimizacije gde postoji funkcija koja je fiksna i treba da se reši. Simulacija posmatra određene događaje koji su veoma podložni ulaznim pretpostavkama. Analziranje rezultata složeno jer male razlike u polaznim pretpostavkama mogu da se međusono multipliciraju i time značajno promene rezultat. Iz tog razloga, ukoliko model koji je korišćen nije dobro objašnjen naučnici koji žele da ga repliciraju verovatno neće dobiti iste rezultate.

Simulacija može da produkuje kontraintuitivne rezultate, tako da se ne bude siguran da li su oni posledica interakcije varijabli ili baga u programu. Takođe, dešava se da otklanjanje ovakvih bagova oduzima mnogo više vremena nego prvobitno programiranje. Prednost simulacije je to da generiše ogromne količine podataka i dodatni podaci se vrlo lako generišu ukoliko nedostaju. Time se eliminiše nedostatak podataka ili pogrešne obzervacije. Kompleksnost modela treba da bude u simuliranim rezultatima, a ne u pretpostavkama modela.

Agentsko modelovanje

Osnove agentskih modela su teorijski definisali Stanislav Ulam i Džon fon Nojman za vreme rada u laboratoriji Los Alamos 1940ih godina. Sledeći značajan korak je nastao za vreme 1970ih nakon publikacije „Igre života (Game of Life), kada su definisana jednostavna pravila ćelijskih automata.


Džon fon Nojman
(Wikimedia Commons)

Jedan od najzanimljivijih i najznačajnijih fenomena kod modelovanja agenata nam omogućava da vidimo kompleksne posledice jednostavnih interakcija. Pojam iskrsavanja (Emergence) jeste fenomen samoorganizacije i podrazumeva kristalizaciju reda sistema na osnovu pravila koja prethodno nisu bila programirana. U stvarnosti se ona pojavljuje kao kolektivna inteligencija ili inteligencija rojeva, a primeri su organizacija rojeva pčela, jata riba i ptica kretanja krda itd. Glavna karaktersitika ovih organizacionih jedinica jeste da je ona nemaju eksplicitno navedenog vođu niti globalnu razmenu informacija, ali prate kolektivna pravila.

Primeri iskrsavanja u programiranju su uočljivi u simulacijama kao što su Igra životai algoritam boids, dok se ona može koristiti kao osnova za optimizaciju u bakterijskom, mravljem ili algoritmu čestica (bacterial foraging, ant colony i particle swarm optimization). Svaki model se sastoji od sledećih elemenata: agenata, odnosa između agenata i okruženja.


Slika 1 Osnovni elementi agentskog modela

Agenti

Agenti su nezavisne jedinke koje imaju programirane karakteristike odakle proističu njihova ponašanja i međusobne interakcije. Programer ih stvara u skladu s potrebama modela, a oni mogu mogu biti svi isti, različiti ili biti podeljeni po željenim grupama sličnosti. Ponašanje agenata podrazumeva individualan njegov proces prikupljanja podataka iz okruženja, donošenje odluka, sprovođenje akcija a otuda interakcija sa okruženjem kao i drugim agentima. Oni su socijalni i imaju mogućnost da se međusobno raspoznaju, izbegavaju sudare, komuniciraju itd. Zavisno od karakteristika koje se dodele agentima, oni mogu da budu u različitim stanjima, a iz njih sledi set mogućih ponašanja. Agenti, predstavljajući se adekvatnim karakteristikama, mogu da budu bilo šta što je od interesa za kreairani model kao što su ljudi, države, ćelije, automobili ili drugi elementi.

Odnosi i relacije

Predstavljaju metode interakcije agenata. Topologija (okruženje) jeste važna stavka za definisanje kako i sa kime agenti interaguju, ali su veze i odnosi između agenata mnogo važniji nego međusobna distanca. Agenti mogu da imaju hijerarhijske odnose, tako da neki od njih imaju prednost, na primer prvi donose odluke oni koji imaju veći budžet. Relacija agenata može biti uslovljena njihovim stanjima, tako da bolesni zaražavaju zdrave. Agenti mogu jedni drugima prenositi i znanje ili ih uključivati u svoju grupu (jato) ako su dovoljno blizu, a pored ovih primera postoje i mnoge druge mogućnosti koje se programiraju zavisno od fokusa modela.

Okruženje

Ponašanje agenata i njihove interakcije najčešće zavise od okruženja odnosno njegove topologije. Najčešći oblici okruženja su sledeći:

Okruženje opisano kao „supa ne postoji u obliku prostora, već su bitni međusobni odnosi agenata i njihova interakcija u vremenu. Agenti se mogu nasumično birati da interaguju nakon čega se vraćaju u supu.

Matrica ili rešetka može izgledati kao šahovsko polje. Agenti imaju mogućnost kretanja kao kraljica sa osam opcija kretanja, a deveta opcija je ostanak na mestu. Modeli su često pravljeni tako da jedan agent zauzima jedno polje.

Euklidski prostor gde se agenti kreću u 2D, 3D prostoru ili u više dimenzija.

Okruženje pravljeno na osnovu geografskih informacionih sistema omogućava agentima da se kreću u skladu sa realnim prostorom.

Mrežno okruženje omogućava da se agenti kreću od tačke do tačke na osnovu njihovih međusobnih veza, ukoliko postoje. Međusobne veze mogu biti fiksne ili dinamičke, zavisno od toga da se uspostavljaju ili raskidaju u toku simulacije.

Osnovna ideja okruženja jeste da izoluje agente jedne od drugih tako da interaguju samo sa svojim bliskim okruženjem. Uvođenjem pojma okruženja omogućujemo fleksibilniji pristup od klasičnih linearnih formula, dopuštamo postojanje velikog broja individua kao i mogućnost da svaka individua ima svoje karakteristike. Rezultate simulacije možemo posmatrati s nekoliko stanovišta. Prvo stanovište je hronološko gde je fokus na opštim dešavanjima, sledeće je posmatranje sa stanovišta individue. Posmatranje sa globalne tačke može govoriti o distribuciji bogatstva ili o globalnim šablonima ponašanja.

Važno je naglasiti da simulacija veoma zavisi od početnih parametara i iz tog razloga ju je potrebno raditi više puta. Dosta razmatranja i objašnjenja je potrebno da bi se rezultati potpuno razumeli i kako bi se stvorila priča o toku dešavanja, jer se optimizacija bavi konkretnim brojevima dok je simulacija opisna. Simulacija je uglavnom usmerena ka multidisciplinarnoj publici koja može da razume ulazne pretpostavke modela, razume kako se model kreira i obrađuje i na kraju smisaono da interpretira cifre.

Upotreba modelovanja pomoću agenata je novi način da se priđe starim problemima. Treba ga upotrebljavati ukoliko su elementi u sistemu adaptibilni i menjaju protokom vremena i ukoliko se veze između elemenata formiraju ili raskidaju i ukoliko ih je zanimljivo predstaviti u prostoru. Ona je korisna ukoliko je sledeći vremenski korak nesiguran, a i zavistan od prošlog. Ovakav tip simulacije omogućava traženje više inteligencije „iskrsavanja kada su nastali rezultati zavisni od modela, a ne od ulaznih informacija. Bez obzira što je ovaj pristup veoma zanimljiv, on ne mora biti univerzalno koristan, ponekad treba uzeti u obzir jednostavnije pristupe jer određeni izlazni podaci iz ovakvog tipa simulacije mogu biti neupotrebljivi za situacije koje želimo da analiziramo.

Bez obzira na to što je veoma teško predstaviti stvarnost i pretpostaviti budućnost zbog mnogobrojnih varijabli kao i njihovih interakcija, simulacija pomoću agenata se pokazala kao korisna grana nauke. U budućnosti će modelovanje humanih agenata biti još prezicnije jer će sve više biti korišćeno mašinsko učenje koje omogućava stvaranje agenata sa karakteristikama stvarnih ljudi. Uzmimo primer s početka, sve naše akcije u toku dana su nadgledane od strane našeg telefona, kompjutera ili lokalnih bezbednosnih kamera i veoma ih je lako predstaviti u okviru formula verovatnoće. Za kraj, svaka simulacija treba da bude razmatrana uz sledeći citat: „Svi modeli su pogrešni, a neki su i korisni.

O autoru

administrator

Ostavite komentar