Microsofts experimentelle TinyTroupe-Bibliothek hat sich seit ihrer ersten Veröffentlichung stark weiterentwickelt. Mit einem bedeutenden wissenschaftlichen Paper und dem jüngsten Update auf Version 0.4.0 ist aus einem internen Hackathon-Projekt ein ausgefeiltes Toolkit zur Simulation menschlichen Verhaltens geworden. Mit der Open-Source-Python-Bibliothek können Unternehmen virtuelle Fokusgruppen aufsetzen, Werbung an synthetischen Zielgruppen testen und realistische Daten erzeugen, und das ohne die Kosten und den Aufwand klassischer Marktforschung.
Zu den jüngsten Neuerungen gehören tiefere Persona-Spezifikationen, die nun auch Persönlichkeitsmerkmale, Vorlieben, Überzeugungen und mehr umfassen. Das begleitende Forschungspaper liefert zudem den ersten umfassenden wissenschaftlichen Rahmen für das, was Microsoft „Imagination Enhancement“ durch KI-Simulation nennt.
Über ChatGPT hinaus: echte Menschen simulieren
Anders als KI-Assistenten, die hilfreich und korrekt sein sollen, sind die „TinyPersons“ von TinyTroupe darauf ausgelegt, fehlbar, meinungsstark und ausgesprochen menschenähnlich zu sein. Der Fokus liege also darauf, menschliches Verhalten zu verstehen, und nicht darauf, es direkt zu unterstützen (wie es etwa KI-Assistenten tun), erklärt das Forschungsteam um Paulo Salem.
Diese philosophische Unterscheidung prägt alles an TinyTroupe. ChatGPT bemüht sich um Wahrheit und Hilfsbereitschaft, TinyPersons dagegen können widersprüchliche Überzeugungen haben, schlechte Entscheidungen treffen oder in Gesprächsschleifen hängen bleiben, ganz wie echte Menschen. Die Dokumentation stellt das so gegenüber: „Strebt nach Wahrheit und Gerechtigkeit“ versus „Viele verschiedene Meinungen und Moralvorstellungen“.
Das System erzeugt das, was Salems Team „archetypische Darstellungen von Menschen“ nennt, mit detaillierten Hintergrundgeschichten. Eine Datenwissenschaftlerin namens Lisa hat vielleicht bestimmte Vorlieben für Kochen und Klavier, arbeitet im M365-Search-Team von Microsoft und zeigt bestimmte Persönlichkeitsmerkmale auf der Big-Five-Skala. Ein Architekt namens Oscar liebt vielleicht modernistisches Design, spielt Gitarre und hat entschiedene Ansichten zu nachhaltiger Architektur.
JSON-Personas und Fragmente
Das jüngste Update verändert deutlich, wie virtuelle Menschen erstellt und verwaltet werden. TinyPersons lassen sich nun bequemer auch als JSON-Dateien definieren und über TinyPerson.load_specification() laden. Dadurch wird das Erstellen von Personas einfacher, und Teams können sie leichter untereinander teilen.
Wichtiger ist vielleicht das neu eingeführte Konzept der Fragmente, mit dem sich Persona-Elemente über verschiedene Agenten hinweg wiederverwenden lassen. Fragmente kann man sich als Bausteine der Persönlichkeit vorstellen: Ein Fragment „reisebegeistert“ enthält etwa das Interesse, neue Kulturen zu entdecken und lokale Küchen zu probieren, während ein Fragment „rechtslibertär“ bestimmte politische Ausrichtungen festlegen kann. Sie lassen sich beliebig kombinieren, um schnell vielfältige Populationen zu erzeugen.
Das System enthält jetzt auch das, was die Forschenden „Propositions“ nennen: LLM-gestützte logische Aussagen, die das Verhalten der Agenten überwachen. Propositions sollen das leisten, indem Experimentierende in natürlicher Sprache Behauptungen über Agenten oder Umgebungen definieren können. Das hilft sicherzustellen, dass TinyPersons bei längeren Simulationen ihren definierten Persönlichkeiten treu bleiben.
Wissenschaftliche Validierung durch akademische Forschung
Das neue Forschungspaper, als Preprint veröffentlicht, liefert den ersten strengen wissenschaftlichen Rahmen für LLM-gestützte Persona-Simulation. Das Microsoft-Team führte quantitative Auswertungen über mehrere Szenarien durch und maß dabei, was es „Persona Adherence“, „Self-consistency“, „Fluency“, „Divergence“ und „Ideas Quantity“ nennt.
Die Ergebnisse zeigen spannende Zielkonflikte. Weniger kooperative Agenten senken tendenziell die Persona Adherence und profitieren deshalb vom Mechanismus zur Aktionskorrektur, stellten die Forschenden fest. Eine Verbesserung an einer Stelle verschlechterte aber oft andere: Wurden Agenten in Brainstorming-Sitzungen dazu gezwungen, mehr Ideen zu liefern, stieg die Kreativität, doch Persona Adherence und Self-consistency sanken.
Das Paper dokumentiert auch subtile Phänomene, die zeigen, wie komplex die Simulation menschlichen Verhaltens ist. Divergence und Ideas Quantity laufen nicht immer parallel: Agenten konnten viele einzigartige Ideen erzeugen, während die thematische Vielfalt konstant blieb. Simulationseigenschaften können sich also kontraintuitiv verhalten.
Praxisanwendungen: von Fokusgruppen bis zu synthetischen Daten
Die geschäftlichen Anwendungen von TinyTroupe werden immer ausgefeilter. Werbung: TinyTroupe kann digitale Anzeigen (z. B. Bing Ads) offline mit einem simulierten Publikum bewerten, bevor Geld dafür ausgegeben wird. Unternehmen können Marketingbotschaften an vielfältigen synthetischen Populationen testen, bevor sie sich auf teure Kampagnen festlegen.
Besonders gut ist das Tool beim Erzeugen von Trainingsdaten für Machine-Learning-Modelle. Im Beispiel zur Erzeugung synthetischer Daten sollen Berater Berichte für ihre Kunden besprechen und erstellen. Das Ergebnis sind realistische Geschäftsdokumente, mit denen sich KI-Systeme trainieren lassen, ohne sensible Unternehmensinformationen preiszugeben.
Softwaretests sind ein weiterer wachsender Anwendungsfall. Teams können mit TinyPersons vielfältige Eingaben an Suchmaschinen, Chatbots oder KI-Assistenten schicken und dann auswerten, wie diese Systeme auf unterschiedliche Persönlichkeitstypen und Kommunikationsstile reagieren.
Technische Architektur: gebaut zum Experimentieren
Der zugrunde liegenden Architektur merkt man die Herkunft von TinyTroupe aus der Forschung an. TinyTroupe ist als umfassender und stimmiger Werkzeugkasten konzipiert, dessen Komponenten harmonisch zusammenpassen. Das System umfasst ausgefeilte Caching-Mechanismen, um die Kosten für LLM-APIs zu senken, eine Verwaltung des Simulationszustands für die iterative Entwicklung und Extraktionswerkzeuge, die Gespräche in strukturierte Datenformate überführen.
Die neueste Version führt „Interventions“ ein: automatische Reaktionen auf Ereignisse in der Simulation. Eine Intervention besteht aus Vorbedingungen und Effekten. Sie bleibt während der Simulation inaktiv, bis ihre Vorbedingungen erfüllt sind, was dann ihre Effekte auslöst. So können Forschende Eventualfälle festlegen, die automatisch greifen, etwa die Ermutigung zu vielfältigerem Denken, wenn Brainstorming-Sitzungen auf ähnliche Ideen zulaufen.
Grenzen und verantwortungsvolle KI
Microsoft macht aus den Grenzen von TinyTroupe kein Geheimnis. Es wurde NICHT gezeigt, dass TinyTroupe echtem menschlichem Verhalten entspricht, und daher bleibt jede solche Möglichkeit bloße Forschung oder experimentelle Untersuchung. Das Tool ist ausdrücklich für Erkenntnisse und das Entwickeln von Hypothesen gedacht, nicht für direkte Entscheidungen.
Das Team räumt ein, dass TinyTroupe theoretisch durchaus das Potenzial HAT, Ausgaben zu erzeugen, die als bösartig gelten können, da ein Anwendungsfall darin besteht, KI-Systeme gegen adversariale Eingaben zu testen. Die Verantwortung liegt damit bei den Entwicklern, die eigene Sicherheitsmaßnahmen umsetzen müssen, wenn sie Produkte auf Basis der Bibliothek bauen.
Inhaltsfilter sind dabei ein wichtiger Sicherheitsaspekt. Damit bei Simulationen keine schädlichen Inhalte entstehen, wird dringend empfohlen, Inhaltsfilter zu nutzen, wo immer sie auf API-Ebene verfügbar sind. Microsoft empfiehlt für produktive Deployments ausdrücklich die Funktionen zur Inhaltsmoderation von Azure OpenAI.
Vom Hackathon zur Forschungsplattform
Was als Hackathon-Projekt bei Microsoft begann, ist zu einer ernsthaften Forschungsplattform geworden. Wir brauchen alles Mögliche, suchen aber vor allem nach Demonstrationen neuer, interessanter Anwendungsfälle oder auch nur nach Ideen für domänenspezifische Anwendungen, schreibt das Team, das aktiv um Beiträge aus der Community zu möglichen Anwendungen bittet.
Zu den nächsten Entwicklungsschwerpunkten gehören bessere Gedächtnismechanismen, besseres Data Grounding, neue Umgebungstypen und Schnittstellen zu externen Systemen. Besonders interessiert die Forschenden der Einsatz anderer LLMs jenseits von GPT-4, möglicherweise durch Fine-Tuning von Modellen eigens für die Persona-Simulation.
TinyTroupe sei ein laufendes Forschungsprojekt, das sich noch in sehr intensiver Entwicklung befinde und weiter aufgeräumt werden müsse, warnt Microsoft. Die API ändert sich weiterhin häufig, weil das Team verschiedene Ansätze ausprobiert. Für Forschende, Marketer und Entwickler, die bereit sind, mit experimenteller Technologie zu arbeiten, bietet TinyTroupe aber einen Blick in eine Zukunft, in der digitale Menschen uns helfen, echte zu verstehen.
Das wissenschaftliche Paper und die Version 0.4.0 markieren den Übergang von TinyTroupe vom Proof of Concept zur Forschungsplattform. Da Unternehmen zunehmend versuchen, komplexes menschliches Verhalten und menschliche Vorlieben zu verstehen, könnten Tools wie TinyTroupe unverzichtbar werden, um sich in einer KI-gestützten Welt zurechtzufinden, in der synthetische und echte Menschen in unseren Entscheidungsprozessen nebeneinander existieren.
Ob beim Testen der nächsten viralen Marketingkampagne oder beim Training der nächsten Generation von KI-Assistenten: TinyTroupe legt nahe, dass man Menschen manchmal am besten versteht, wenn man zuerst bessere künstliche baut.
Aus dem Englischen übersetzt: zum Originalbeitrag