Maîtriser la complexité des systèmes grâce à l’intelligence distribuée
Les systèmes multi-agents ont la capacité de résoudre des problèmes opérationnels de manière émergente.
L’optimisation multi-agents consiste à optimiser un système en modélisant les entités qui le composent sous la forme d’agents dont les interactions permettent l’émergence d’une dynamique globale.
L’IA et les systèmes multi-agents selon Scalian
Notre approche
Qu’il s’agisse de coordination de drones, de nanosatellites ou de systèmes IoT, de simulation des épidémies, des foules, du trafic des grandes villes ou de changements dans les comportements humains, l’approche multi-agents permet de concevoir des solutions complexes nécessitant l’interaction entre plusieurs entités.
Il existe dans le monde vivant de nombreux systèmes collectifs capables de résoudre des problèmes globaux complexes avec des comportements individuels simples. Ces phénomènes d’intelligence collective résultent des interactions locales entre plusieurs individus simples et autonomes. Par exemple, c’est le cas chez les insectes sociaux (fourmis, termites, abeilles…) qui sont capables de construire des chemins de phéromones, des structures complexes en 3D ou encore de se répartir un travail.
Ces comportements collectifs ont inspiré le domaine de l’IA et donné naissance aux systèmes multi-agents. Notre approche repose sur la capacité de ces systèmes informatiques, composés d’agents plus ou moins simples, à accomplir des tâches difficiles de manière flexible et adaptative, et à maintenir leurs activités dans des environnements (parfois inconnus et/ou hostiles) en constante évolution.
Notre méthode
Les systèmes multi-agents
Le concept d’agent, qui provient de l’intelligence artificielle distribuée, se définit comme une entité (informatique) ayant ses propres caractéristiques et comportements. L’utilisation d’algorithmes à base d’agents pour l’étude et l’optimisation des phénomènes spatialisés s’est largement répandue depuis une dizaine d’années.
La prise en compte des phénomènes spatialisés nécessite (ou pour le moins encourage) de coupler l’environnement de développement à un Système d’Information Géographique (SIG). C’est le cas pour la simulation de la mobilité ou des épidémies : un tel couplage permet de créer un environnement de simulation et des situations plus proches du réel. La prise en charge de coordonnées et de couches géographiques (e.g. rasters ou shapefiles) permet de tester la solution sur des environnements réels (par ex. une ville existante) plutôt sur que des environnements “jouets” ce qui améliore grandement la valeur et la crédibilité du démonstrateur (puisqu’évalué sur des environnements réalistes).
Agents asynchrones
La conduite de capteurs IoT, de drones ou de nanosatellites se fait par communication, même lorsque l’optimisation est centralisée, prendre en compte cet aspect c’est prendre en compte la possibilité d’agents asynchrones. Cela permet de produire des solutions plus proches du réel et qui s’adaptent donc mieux aux aléas.
Libérez votre potentiel
avec Scalian
Rejoignez des hommes et des femmes passionnés.
Développez-vous dans une organisation où professionnalisme et esprit d’entreprise riment avec convivialité et bienveillance.
