Проблема статичных моделей
Агентное моделирование (ABM) традиционно позволяет симулировать взаимодействие миллионов индивидуумов, что критически важно для принятия политических решений. Однако классические ABM опираются на статичные априорные данные, что делает их негибкими в условиях реального времени. Они не способны быстро адаптироваться к меняющемуся поведению людей, что снижает их прогностическую ценность в кризисных ситуациях, таких как пандемии.
Решение: HALE Framework
Команда исследователей во главе с Сифат Афродж Мун (Sifat Afroj Moon) представила новый масштабируемый фреймворк HALE (Hybrid Agent-based and Language-driven Epidemic). Ключевая инновация заключается в интеграции больших языковых моделей (LLM) для прогнозирования решений человека. LLM выступают в роли «мозга» для агентов, позволяя моделировать не просто механическое движение, а осознанный выбор, основанный на контексте и информации.
Кейс: COVID-19 в округе Солт-Лейк
В качестве доказательства концепции (proof-of-concept) исследователи применили HALE для симуляции распространения COVID-19 в округе Солт-Лейк, штат Юта. Использование LLM позволило учесть сложные социальные факторы и вариативность реакций населения на меры предосторожности, чего не могли сделать традиционные модели.
Значение для отрасли
Этот подход закрывает информационный разрыв между статичными данными и динамичной реальностью. Способность LLM предсказывать поведение людей в рамках агентного моделирования открывает путь к созданию более точных инструментов для эпидемиологии, урбанистики и социологии, где человеческий фактор является определяющим.
| Параметр | Традиционное ABM | HALE (с LLM) |
|---|---|---|
| Основа поведения агентов | Статичные априорные правила | Динамическое прогнозирование через LLM |
| Адаптивность | Низкая (медленная реакция на изменения) | Высокая (реакция на контекст в реальном времени) |
| Сложность моделирования | Механистическое взаимодействие | Осознанный выбор и социальные факторы |
Источник: arXiv cs.AI ↗