Zespoły AI uczą się decyzji jak ludzie: symulacje łańcucha dostaw
Badacze z Northeastern University sprawdzili, czy agenci sztucznej inteligencji potrafią odtworzyć ludzkie decyzje, także te nie do końca racjonalne. Okazało się, że po „uziemieniu poznawczym” modele zachowują się w symulacji dużo bardziej jak ludzie. Wyniki opublikowano w czasopiśmie Nature Computational Science.
Panika zakupowa jako reakcja łańcuchowa
Na początku pandemii COVID-19 w 2020 roku ludzie masowo wykupywali papier toaletowy. W jednym tygodniu Australijczycy kupili w sieci Woolworths 39,7 mln rolek. W 2012 roku zapowiedź zamknięcia firmy Hostess wywołała podobny wyścig po przekąski Twinkies, a jeden z mieszkańców Florydy odsprzedawał pudełka wielokrotnie drożej, niż je kupił.
Jak tłumaczy prof. Babak Heydari z Northeastern University, w takiej sytuacji każde ogniwo łańcucha dostaw zaczyna reagować na zachowanie pozostałych. Dokładne symulacje ludzkich decyzji mogłyby pomagać przewidywać takie zatory i testować sposoby ich uniknięcia.
Gra w piwo dla sztucznej inteligencji
Heydari i doktorant Hongan Zhu posłużyli się tzw. grą piwną (beer game). Cztery role, czyli sprzedawca detaliczny, hurtownik, dystrybutor i fabryka, zarządzają fikcyjnym łańcuchem dostaw w odpowiedzi na popyt klientów ustalany przez grę. Każdy widzi tylko swój fragment obrazu, a dostawy zajmują czas, więc trzeba pamiętać o towarze, który jest w drodze. Zamówisz za mało, klienci odejdą z niczym. Zamówisz za dużo, rosną koszty magazynowania.
W grze wzięli udział agenci oparci na siedmiu modelach AI. Pozostawieni samym sobie podejmowali dziwne decyzje, np. dalej przesadnie zamawiali, gdy popyt już się ustabilizował.
Naukowcy dodali więc „uziemienie poznawcze”: opisali agentom, jak ludzie szacują popyt, reagują na niedobory i nadwyżki oraz jak bywa, że nie doliczają towaru już zamówionego. Zhu zaznacza, że to jedynie opis matematycznego modelu gry i nie wskazuje wprost, ile należy kupić. W 231 sesjach agenci zbliżyli się do ludzkiego wzorca, a niektórzy prawie go dorównali.
W kolejnej rundzie badacze opisywali nie decyzje, lecz odczucia graczy, takie jak niepewność, presja zamawiania więcej czy chęć nadmiernej korekty. Agenci z sześciu z siedmiu modeli zaczęli wtedy zachowywać się bardziej po ludzku. Część botów pozostała jednak uparta, np. jeden ciął zamówienia z 1000 piw do 100 albo 50.
Do czego to się przyda
Według autorów takie symulacje pozwolą testować zmiany, zanim ktoś wprowadzi je w rzeczywistości. Przykłady z artykułu to:
- sprawdzanie, które instrukcje ewakuacyjne pomagają mieszkańcom dotrzeć w bezpieczne miejsce, a które mogą zakorkować drogi,
- ocena, czy tańsze bilety zachęcą kierowców do jazdy autobusem,
- analiza, czy przeniesienie apteki przyciągnie nowych klientów, czy utrudni dojazd obecnym.
Jakob Kaiser z Nuremberg Institute for Market Decisions zwraca uwagę, że badania z udziałem ludzi pochłaniają czas i pieniądze, co ogranicza liczbę eksperymentów. Sangeet Khemlani z U.S. Naval Research Laboratory dodaje, że symulacje omijają kwestie etyczne, ale muszą być trafne, bo błędne przewidywania mogą zaszkodzić. Zhu porównuje podejście swojego laboratorium do pracy psychologa: nie zaglądają do „neuronów” modelu, tylko obserwują zachowanie i językiem je korygują.
Co to oznacza w praktyce
To badanie naukowe, a nie gotowe narzędzie, więc nie należy się spodziewać natychmiastowych zmian. Dla polskiego czytelnika ma jednak znaczenie pośrednie: podobne symulacje mogą w przyszłości wspierać firmy logistyczne, handel czy samorządy planujące np. komunikację miejską albo działania kryzysowe. Artykuł nie wspomina o zastosowaniach w Polsce ani w UE, więc to raczej kierunek rozwoju niż konkretne wdrożenia.
Z perspektywy zwykłego konsumenta ciekawa jest też lekcja z przykładów z początku tekstu: paniczne zakupy nakręcają się same, a każdy kolejny uczestnik łańcucha dostaw wzmacnia pierwotny wstrząs. Lepsze modele takich zachowań mogą kiedyś pomóc, by półki pustoszały rzadziej.
Źródło: Tech Xplore – „Can teams of AI agents recreate the chain reaction of human decisions?”



