SimulAgents: Una Herramienta Intuitiva para Modelar y Explorar Fenómenos Sociales Complejos

Abstract

En la actualidad, están surgiendo multitud de aplicaciones que usan tecnologías apoyadas por grandes modelos de lenguaje que facilitan la vida a profesionales de todos los sectores. Estos modelos tienen un carácter general, por lo que permiten a los usuarios especializarse y particularizar en ciertos casos, para generar sistemas específicos para un sector. Navegando por Internet, nos encontramos con el estudio de Generative Agents(Park et al., 2023), el cual llamó nuestra atención desde que lo leímos por primera vez. Este estudio desarrolló la ejecución de experimentos y simulaciones multi-agente de Inteligencia Artificial, y su objetivo final era estudiar la emergencia de fenómenos y relaciones sociales entre los agentes. En él se concluyó que efectivamente los agentes eran capaces de retener recuerdos, interactuar con otros agentes, generar nuevas memorias y planear sus próximas acciones. Al ver esto, decidimos adentrarnos en este artículo, y descubrimos que había fascinado a toda la comunidad investigadora de Inteligencia Artificial, ya que aportaba un valor novedoso y demostraba que estas simulaciones eran coherentes. Por lo que varios de estos grupos de investigadores que se adentraron a realizar extensiones al programa original, enfocando las simulaciones para que hagan otro tipo de acciones (programar videojuegos autónomamente, asignando roles a cada agente, por ejemplo). Viendo estas extensiones al código original, nos preguntamos si podríamos hacer algo similar nosotros, y hacerlo como TFG. Tras adentrarnos en el código e investigar el funcionamiento completo de la aplicación, tuvimos claro el caso de uso que quisimos enfocar: la democratización de esta herramienta y permitir que perfiles como psicólogos puedan usarla fácilmente. Lo vimos claro porque a los perfiles a los que más les puede interesar una aplicación como esta es a psicólogos y profesionales que estudian las relaciones sociales. Sin embargo, tal y como estaba inicialmente diseñado el proyecto, era bastante complicado que un perfil no tecnológico, supiese cómo usar esta aplicación. Por lo que teniendo clara nuestra motivación y objetivo principal, nos pusimos manos a la obra. El código desarrollado durante la realización de este trabajo se encuentra disponible en https://github.com/NILGroup/TFG-2324-Simulador-MAS-LLMIn recent years, numerous applications have emerged that utilize technologies powered by large language models, easing the lives of professionals across various sectors. These models possess a general nature, enabling users to specialize and tailor them to specific cases, generating systems tailored to a particular industry. While navigating the internet, we encountered the study of Generative Agents(Park et al., 2023), which captured our attention from the moment we first read it. This study developed the execution of multi-agent Artificial Intelligence experiments and simulations, with its ultimate goal being to investigate the emergence of social phenomena and relationships between agents. It concluded that agents were indeed capable of retaining memories, interacting with other agents, generating new memories, and planning their next actions. Upon reading this, we decided to delve deeper into this article, and we discovered that it had captivated the entire Artificial Intelligence research community, as it introduced a novel value and demonstrated that these simulations were coherent. Consequently, several of these research groups embarked on extending the original program, focusing the simulations on performing other types of actions (programming video games autonomously, assigning roles to each agent, for example). Observing these extensions to the original code, we wondered if we could do something similar ourselves, and develop it as a TFG. After delving into the code and investigating the complete functionality of the application, we had a clear understanding of the use case we wanted to focus on: democratizing this tool and enabling profiles such as psychologists to use it easily. This became evident because the profiles most likely to be interested in such an application are psychologists and professionals who study social relationships. However, as the project was initially designed, it was quite challenging for a non-tech profile to understand how to use this application. Therefore, with our motivation and main objective clearly defined, we set to work. The code developed during this work is located in https://github.com/NILGroup/TFG-2324-Simulador-MAS-LLM