Основе агентских модела су теоријски дефинисали Станислав Улам и Џон фон Нојман за време рада у лабораторији Лос Аламос четрдесетих година прошлог века. Следећи значајан корак је настао седамдесетих након публикације „Игре живота” (Game of Life), када су дефинисана једноставна правила ћелијских аутомата.
Мијат Кустудић
Kада кажемо да су људи комплексна бића морамо поставити питање: да ли се мисли на индивидуалном нивоу или у групи? Научницима је психологија маса веома занимљива, посебно када узмемо у обзир моћ масе да људе који су изнад просека по много чему претвори у само „једног из масе” тиме бришући све карактеристике које га чине изузетним. Овде узмимо у обзир речи stand up комичара Џорџа Карлина: „Замисли колико је глуп просечан човек, е сад схвати да је половина глупља од тога”.
На индивидуалном нивоу људи јесу комплекна бића; сваког од њих карактеришу знање, интелигенција, емоције, мисли, искуства и многе друге ствари које их чине различитим од осталих. Међутим, када погледамо људе са више инстанце, на пример у току просечног дана, те карактеристике се не примећују. Трошимо око 7 сати на спавање, једемо сличне ствари сваког дана, крећемо се истим путевима до посла или школе, дружимо се са истим људима, па чак имамо и одећу коју волимо и носимо много више у односу на другу. На основу овога можемо приметити да се већина нашег индивидуалног понашања може представити у оквиру једноставних формула, на пример у првих 10 минута ћемо сигурно опрати зубе, 60% да ћемо доручковати јаја, а 40% сардине. Након тога 40% да ћемо носити омиљене фармерке на посао и кренути у отприлике исто време истим путем итд.
У природним наукама као што је физика, научници често користе симулацију да би прецизно предвидели кретање електрона или планета, док научници у хуманим наукама немају те могућности. У поређењу с природним моделима где су већина елемената фиксни и поштујућо законе физике, модели који симулирају људе имају доста насумичних елемената и могу зависити од људске грешке. Међутим, користећи просте претпоставке, као што су наведене за дневно понашање индивидуе, научници су креирали моделе који нам омогућавају да у неку руку предвидимо будућност.
Дефинишимо разлику између оптимизације и симулације: оптимизација има задатак да продукује конкретно решење за проблем. Симулација има задатак да опише како се систем понаша и да покаже промене резултата уколико се улазни параметри промене. У економији се често полази од теорије рационалности где људи увек праве оптималне одлуке. Kако постоји велика асиметрија информација међу људима, различити буџети и намере – теорија се ретко може применити у стварности. Одатле следи да индивидуе у стварности користе адаптивне, а не оптимизујуће стратегије и зато симулација постаје неопходна. Адаптирање може да буде на индивидуалном нивоу кроз учење или на нивоу популације кроз опстанак успешних индивидуа. Њихове последице је тешко дедуцирати јер постоји много интереагујућих индивидуа које прате нелинеарна правила. У симулацијама се они зову агенти, а ради опонашања реалности могу се креаирати и ирационални агенти.
Симулација је ефективан начин да откријемо изненађујуће везе и последице из једноставних претпоставки, а као у већини младих грана науке обећања су већа од достигнућа. Симулација је сматрана за трећи начин обављања науке и представља начин за обављање мисаоних експеримената. Почиње као дедукција са утврђеним претпоставкама, а за разлику од ње она не доказује теореме него генерише податке који се могу анализирати индуктивно.
За сврху овог чланка, фокусирамо се на форму симулације која користи агенте, а тиме и децентрализовану вештачку интелигенцију. За почетак важно је демистификовати вештачку интелигенцију, она није састављена из неких нових магичних програма. Она је базирана на дефиницији интелигенције: „могућност прилагођавања новонасталим ситуацијама”, истовремено поштујући и све остале. Она се састоји из класичног креирања програма који имају могућност учења и прилагођавања на основу претходних искустава.
Неке од главних функција симулације су предвиђање, унапређивање перформанси, откривање и доказивање феномена. Предвиђање се бави апстраховањем компликованих елемената њиховим обрађивањем у складу са утврђеним механизмима и приказивањем могућих последица. Симулација може бити употрељена да унапреди перформансе инвестиционог портфолија или дистрибутивне мреже оптимизујући њихове функција. Слично вежбама у стварности, она може проверити да ли је систем отпоран на софтверске нападе.
Доказивање теорија показује да једноставне претпоставке могу водити ка веома комплексном понашању. Kорисност симулације долази од стране многих агената који интерагују међусобно без централног навођења тиме креаирајући своја правила уместо да су правила њима наметнута. За разлику од оптимизације где постоји функција која је фиксна и треба да се реши. Симулација посматра одређене догађаје који су веома подложни улазним претпоставкама. Аналзирање резултата сложено јер мале разлике у полазним претпоставкама могу да се међусоно мултиплицирају и тиме значајно промене резултат. Из тог разлога, уколико модел који је коришћен није добро објашњен научници који желе да га реплицирају вероватно неће добити исте резултате.
Симулација може да продукује контраинтуитивне резултате, тако да се не буде сигуран да ли су они последица интеракције варијабли или бага у програму. Такође, дешава се да отклањање оваквих багова одузима много више времена него првобитно програмирање. Предност симулације је то да генерише огромне количине података и додатни подаци се врло лако генеришу уколико недостају. Тиме се елиминише недостатак података или погрешне обзервације. Kомплексност модела треба да буде у симулираним резултатима, а не у претпоставкама модела.
Агентско моделовање
Основе агентских модела су теоријски дефинисали Станислав Улам и Џон фон Нојман за време рада у лабораторији Лос Аламос 1940их година. Следећи значајан корак је настао за време 1970их након публикације „Игре живота” (Game of Life), када су дефинисана једноставна правила ћелијских аутомата.
Џон фон Нојман (Wikimedia Commons)
Један од најзанимљивијих и најзначајнијих феномена код моделовања агената нам омогућава да видимо комплексне последице једноставних интеракција. Појам искрсавања (Emergence) јесте феномен самоорганизације и подразумева кристализацију реда система на основу правила која претходно нису била програмирана. У стварности се она појављује као колективна интелигенција или интелигенција ројева, а примери су организација ројева пчела, јата риба и птица кретања крда итд. Главна карактерситика ових организационих јединица јесте да је она немају експлицитно наведеног вођу нити глобалну размену информација, али прате колективна правила.
Примери искрсавања у програмирању су уочљиви у симулацијама као што су „Игра живота” и алгоритам boids, док се она може користити као основа за оптимизацију у бактеријском, мрављем или алгоритму честица (bacterial foraging, ant colony i particle swarm optimization). Сваки модел се састоји од следећих елемената: агената, односа између агената и окружења.
Слика 1 Основни елементи агентског модела
Агенти
Агенти су независне јединке које имају програмиране карактеристике одакле проистичу њихова понашања и међусобне интеракције. Програмер их ствара у складу с потребама модела, а они могу могу бити сви исти, различити или бити подељени по жељеним групама сличности. Понашање агената подразумева индивидуалан његов процес прикупљања података из окружења, доношење одлука, спровођење акција а отуда интеракција са окружењем као и другим агентима. Они су социјални и имају могућност да се међусобно распознају, избегавају сударе, комуницирају итд. Зависно од карактеристика које се доделе агентима, они могу да буду у различитим стањима, а из њих следи сет могућих понашања. Агенти, представљајући се адекватним карактеристикама, могу да буду било шта што је од интереса за креаирани модел као што су људи, државе, ћелије, аутомобили или други елементи.
Односи и релације
Представљају методе интеракције агената. Топологија (окружење) јесте важна ставка за дефинисање како и са киме агенти интерагују, али су везе и односи између агената много важнији него међусобна дистанца. Агенти могу да имају хијерархијске односе, тако да неки од њих имају предност, на пример први доносе одлуке они који имају већи буџет. Релација агената може бити условљена њиховим стањима, тако да болесни заражавају здраве. Агенти могу једни другима преносити и знање или их укључивати у своју групу (јато) ако су довољно близу, а поред ових примера постоје и многе друге могућности које се програмирају зависно од фокуса модела.
Окружење
Понашање агената и њихове интеракције најчешће зависе од окружења односно његове топологије. Најчешћи облици окружења су следећи:
• Окружење описано као „супа” не постоји у облику простора, већ су битни међусобни односи агената и њихова интеракција у времену. Агенти се могу насумично бирати да интерагују након чега се враћају у супу.
• Матрица или решетка може изгледати као шаховско поље. Агенти имају могућност кретања као краљица са осам опција кретања, а девета опција је останак на месту. Модели су често прављени тако да један агент заузима једно поље.
• Еуклидски простор где се агенти крећу у 2D, 3D простору или у више димензија.
• Окружење прављено на основу географских информационих система омогућава агентима да се крећу у складу са реалним простором.
• Мрежно окружење омогућава да се агенти крећу од тачке до тачке на основу њихових међусобних веза, уколико постоје. Међусобне везе могу бити фиксне или динамичке, зависно од тога да се успостављају или раскидају у току симулације.
Основна идеја окружења јесте да изолује агенте једне од других тако да интерагују само са својим блиским окружењем. Увођењем појма окружења омогућујемо флексибилнији приступ од класичних линеарних формула, допуштамо постојање великог броја индивидуа као и могућност да свака индивидуа има своје карактеристике. Резултате симулације можемо посматрати с неколико становишта. Прво становиште је хронолошко где је фокус на општим дешавањима, следеће је посматрање са становишта индивидуе. Посматрање са глобалне тачке може говорити о дистрибуцији богатства или о глобалним шаблонима понашања.
Важно је нагласити да симулација веома зависи од почетних параметара и из тог разлога ју је потребно радити више пута. Доста разматрања и објашњења је потребно да би се резултати потпуно разумели и како би се створила прича о току дешавања, јер се оптимизација бави конкретним бројевима док је симулација описна. Симулација је углавном усмерена ка мултидисциплинарној публици која може да разуме улазне претпоставке модела, разуме како се модел креира и обрађује и на крају смисаоно да интерпретира цифре.
Употреба моделовања помоћу агената је нови начин да се приђе старим проблемима. Треба га употребљавати уколико су елементи у систему адаптибилни и мењају протоком времена и уколико се везе између елемената формирају или раскидају и уколико их је занимљиво представити у простору. Она је корисна уколико је следећи временски корак несигуран, а и завистан од прошлог. Овакав тип симулације омогућава тражење више интелигенције „искрсавања” када су настали резултати зависни од модела, а не од улазних информација. Без обзира што је овај приступ веома занимљив, он не мора бити универзално користан, понекад треба узети у обзир једноставније приступе јер одређени излазни подаци из оваквог типа симулације могу бити неупотребљиви за ситуације које желимо да анализирамо.
Без обзира на то што је веома тешко представити стварност и претпоставити будућност због многобројних варијабли као и њихових интеракција, симулација помоћу агената се показала као корисна грана науке. У будућности ће моделовање хуманих агената бити још презицније јер ће све више бити коришћено машинско учење које омогућава стварање агената са карактеристикама стварних људи. Узмимо пример с почетка, све наше акције у току дана су надгледане од стране нашег телефона, компјутера или локалних безбедносних камера и веома их је лако представити у оквиру формула вероватноће. За крај, свака симулација треба да буде разматрана уз следећи цитат: „Сви модели су погрешни, а неки су и корисни”.
