Så utforskar vi agentbaserad simulering

Simulering är en metod som används för att förstå, analysera och experimentera med komplexa system. I den här artikeln djupdyker vi i simulering som metod med särskilt fokus på agentbaserad simulering. Och så testar vi en ny metafor, lånad från improvisationsteaterns värld.

Konceptet att modellera och simulera beteenden och system har en lång historia med rötter i både teoretiska ramverk och praktiska, icke-datoriserade metoder. De teoretiska grunderna för många av dagens simuleringar lades redan innan datorer var allmänt tillgängliga.

En kort bakgrund 

Datorbaserad simulering har utvecklats genom metoder med olika syften och perspektiv:

• Systemdynamik för ”fågelperspektiv”
• Diskret händelsestyrd simulering för ”processperspektiv”
• Mikrosimulering för ”statiskt individperspektiv”
• Agentbaserad simulering för ”agentperspektiv”

Agentbaserade simuleringar används för att se hur individuella regler och interaktioner skapar komplexa, emergenta mönster. Emergenta mönster uppstår på systemnivå genom interaktioner mellan agenterna, utan att någon enskild del i sig ”bestämmer” helheten. Målet är alltså att förstå hur makrofenomen på systemnivå, såsom sociala normer, trafikmönster eller marknadsdynamik uppstår ur dessa interaktioner på mikronivå. I dag används metoden inom ekonomi, sociologi, biologi, transportforskning och policyutveckling.

Den senaste utvecklingen för simuleringar representerar enligt forskare ett paradigmskifte (Piao et al. 2025). Nu kan stora språkmodeller (LLM) nyttjas för att skapa generativa agenter, där LLM används som ”hjärna” eller ”själ” i agenterna.

Improvisationsteater som metafor 

Om vi tänker oss att traditionell simulering går att likna vid en slags skådespel eller teater med manus och fasta roller, så kan agentbaserad simulering istället liknas vid improvisationsteater. De två teaterformerna liknar varandra men skiljer sig åt på några grundläggande sätt.

I improvisationsteater har varje improvisatör en grundläggande roll, personlighet och drivkraft men inga färdigskrivna repliker. Improvisatören tolkar situationer, reagerar på andra improvisatörer och bidrar till att skapa berättelsen i stunden. På samma sätt påverkar agenterna i en agentbaserad simulering berättelsen medan den pågår.

Precis som inom vanlig teater har improvisationsteater en scen där dekoren sätter ramarna och ger inspiration. Men till skillnad från traditionell manusstyrd teater växer själva handlingen fram i mötet mellan aktörerna. Varje akt har ett specifikt tema eller frågeställning som hanteras och ibland ges startvillkor för improvisatörerna att förhålla sig till. Ur improvisatörernas agerande kan nya vändningar födas, ingen kan på förhand veta exakt vad som ska ske. Det är just det som gör akten intressant och lärorik för publiken. På samma sätt kan agentbaserad simulering växa fram.

Att bygga agenter på olika data

Agenter kan byggas på olika sätt, syftet med simuleringen är styrande – samtidigt finns utmaningar med insamling av data samt kostnader i tid och pengar för storskaliga simuleringar. Det vanligaste sättet att bygga agenter på är baserat på syntetiska ”personas” eller roller. Ett annat sätt är att bygga agenter på genomförda djupintervjuer med verkliga människor, där syftet är att efterlikna specifika personer så långt som möjligt. Det går också att skapa agenter baserat på formella teorier från exempelvis psykologi och ekonomi.

Utmaningar

Oavsett metod finns generella utmaningar med LLM-drivna agenter.

Risk för skevheter och snedvridning

När LLM:er adderar attribut kan deras träningsdata och inbyggda bias påverka resultatet. Modellerna kan reproducera och förstärka samhälleliga fördomar och stereotyper, eftersom de tränas på data från internet. Detta kan leda till sneddrivna resultat för underrepresenterade grupper i dataunderlaget.

Validitetsproblem

Det finns idag ingen universellt accepterad metod för validering av de olika modellerna och olika vetenskapliga discipliner har olika och ibland motstridiga krav på validering. Det här innebär att det är svårt att avgöra om simuleringarna representerar verkligheten på ett tillförlitligt sätt.

Begränsad reproducerbarhet

Små förändringar i hur attribut eller prompts formuleras kan ge stora skillnader i resultatet. Otillgänglig källkod och bristande dokumentation försvårar vetenskaplig granskning.

Hallucinationer och bristande koherens

Enskilda fel i agenter sprider sig och kan underminera hela systemets funktion. Agenter kan också säga en sak men agera på ett annat sätt, särskilt i komplexa system med flera moduler.

Så utforsakar Innovationsarenan AI-agentbaserad simulering

Innovationsarenan utforskar nu hur mycket och vilken data som kan nyttjas för att göra simuleringar som ger ett givande resultat, utan att vara alltför datatung och tekniskt komplext. Kontexten i simuleringen är organisatorisk och agenterna byggs på enkätsvar från Big five-modellen som nyttjas för att beskriva och förstå människors personlighetsdrag. Agenterna byggs också utifrån uppdragsbeskrivning samt uppfattning om arbetsplatskulturen. Låt oss återkomma med resultatet!