Controlar la complejidad de los sistemas gracias a la inteligencia distribuida
Los sistemas multiagentes son capaces de resolver problemas operativos de manera emergente.
La optimización multiagente consiste en optimizar un sistema, modelizando las entidades que lo componen en forma de agentes cuyas interacciones permitan la emergencia de una dinámica global.
La IA y los sistemas multiagentes según Scalian
Nuestro enfoque
Ya se trate de coordinación de drones, de nanosatélites o de sistemas IoT, de simulación de epidemias, de multitudes, del tráfico de las grandes ciudades o de cambios en los comportamientos humanos, el enfoque multiagente permite concebir soluciones complejas que requieren la interacción entre varias entidades.
Existen en el mundo vivo numerosos sistemas colectivos capaces de resolver problemas globales complejos con comportamientos individuales sencillos. Esos fenómenos de inteligencia colectiva resultan de las interacciones locales entre varios individuos simples y autónomos. Por ejemplo, es el caso entre los insectos sociales (hormigas, termitas, abejas…), que son capaces de construir caminos de feromonas, estructuras complejas en 3D o incluso repartirse un trabajo.
Esos comportamientos colectivos han inspirado al ámbito de la IA, dando vida a los sistemas multiagentes. Nuestro enfoque se basa en la capacidad de esos sistemas informáticos, compuestos de agentes más o menos simples, para realizar tareas difíciles de manera flexible y adaptativa, y para mantener sus actividades en entornos (a veces desconocidos y/u hostiles) en constante evolución.
Nuestro método
Los sistemas multiagentes
El concepto de agente, que proviene de la inteligencia artificial distribuida, se define como una entidad (informática) con sus propias características y comportamientos. La utilización de algoritmo a base de agentes para el estudio y la optimización de los fenómenos espacializados se ha extendido ampliamente desde hace unos diez años.
La consideración de los fenómenos espacializados requiere (o al menos anima) combinar el entorno de desarrollo con un Sistema de Información Geográfica (SIG). Es el caso para la simulación de la movilidad o de las epidemias: dicha combinación permite crear un entorno de simulación y situaciones más cercanas a la realidad. La gestión de coordinadas y capas geográficas (e.g. rasters o shapefiles) permite probar la solución en entornos reales (por ej. una ciudad existente) en lugar de entornos «juguetes», lo que mejora ampliamente el valor y la credibilidad del demostrador (ya que se evalúa en entornos realistas).
Agentes asincrónicos
La conducción de sensores IoT, de drones o de nanosatélites se hace por comunicación, incluso cuando la optimización es centralizada. Tener en cuenta ese aspecto es tener en cuenta la posibilidad de agentes asincrónicos. Ello permite producir soluciones más cercanas a lo real y que se adaptan pues mejor a los incidentes.