Simulation multi-agent de phénomènes collectifs :

quelques questions d’ordre épistémologique

Frédéric AMBLARDInstitut de Recherche en Informatique de Toulouse Equipe Systèmes Multi-Agent

CoopératifsUniversité Toulouse 1 Sciences Sociales)

Séance Philosophie de la SimulationGroupe de travail Anne Fagot-Largeault

Collège de France, 30 Avril 2009

Objectif de la présentation

• Donner une idée générale de ce qu’est l’approche de modélisation / simulation multi-agent

• Illustrer à l’aide d’un exemple (simpliste ?)

• Poser des questions…

Modèle multi-agents

Modèle de l’environnement

Modèle des règles d’interactions

Phénomène collectif à étudier/comprendreQuestion de modélisation/Hypothèses

Modèle de l’organisation et son évolution

Hypothèses sur les conditions initiales

Expérience de simulation

Observables de la simulationIndividuels ou agrégés

Modèle(s) comportementaux au niveau individuel

Comparaison avec les attendus / données / théories

La reconstruction comme source de compréhension

• Reconstruire les phénomènes pour les comprendre– Pappert (Logo), Resnick (NetLogo)

• Quels pourraient être les règles individuels qui produisent un phénomène (collectif) donné ?– Approche par

expérimentation/modélisation essai/erreur– ex: Regroupement des morts chez les

fourmis en dehors de la fourmilière

Principales caractéristiques des simulations multi-agents

• Approche individus-centrée – Individualisme méthodologique– Mécanismes générateurs des régularités

macroscopiques

• Simulation– Abstraction (modèle) plongé dans le temps

• Formalisation algorithmique souple– Hypothèque numérique cependant

Principaux éléments d’un modèle multi-agents

• Une question • Un système• Formalisé dans les SMAs

– Les agents• Attributs• Règles de décision• Comportements• Communication entre agents

– Organisation (ex.: réseau social)– Environnement– Facteurs exogènes– Gestion du temps– L’utilisateur ?

Orientent l’abstraction

Exemple …

Interprétation(s) des résultats

• Différents niveaux d’interprétation des résultats:– Niveau du modèle : qu’est-ce qui dans la

mécanique interne du modèle a produit les résultats observés ?

– Niveau du système modélisé : quelle signification donner aux résultats obtenus compte tenu des hypothèses de modélisation retenues

Points faibles…

• Compréhension difficile de la production des résultats du modèle– Reproduction de la complexité du système

modélisé

• Lien empirique– Niveau microscopique (trajectoires

individuelles)– Niveau macroscopique (phénomène coll.)– Données nécessaires ≠ Données

disponibles

Risques observés…

• Modéliser pour construire un modèle– sans question de modélisation clairement

définie

• Réaliser des modèles trop simples– Producteurs de tautologies

• Réaliser des modèles trop complexes– Difficulté à comprendre les mécanismes

de production des résultats

• Attache théorique – Nécessaire pour que le modèle soit autre

chose que la représentation du seul modélisateur

Positionnement épistémologique

• Modèles comme formalisation d’une théorie discursive

• Modèles comme substrat pour l’aide à la projection – D’hypothèses dynamiques– Portant sur un grand nombre d’entités en

interaction

• Processus de modélisation comme aide à la clarification/désambiguïsation conceptuelle

• Modèle comme accompagnement de la réflexion (i.e. le modèle n’a pas forcément de légitimité en dehors de ce contexte)

Applications existantes

• Artefact pour la réflexion– Par la formalisation– Par la comparaison des attendus et des

résultats– Par la compréhension précise des

mécanismes de production des résultats au niveau du modèle

• Test qualitatif d’hypothèses– Aménagement du territoire– Gestion de l’eau

• Artefact pour la négociation• Formation/entraînement• Anticipation/Prédiction

Quelques questions…

Quelques questions …

• Evolution du rôle / métier du modélisateur – De l’analyse à l’expérimentation …

• Approche méthodologique reste à proposer – Keep It Simple Stupid … – Keep It Descriptive Stupid …– Pourquoi se priver de modèles

complexes…

Quelques questions …Positionnement délicat par rapport aux

approches de modélisation/simulation classiques :

• Evaluation des modèles– De la vérification / calibration / validation– Vers une évaluation plus générale en terme

d’atteinte des objectifs– Voire une évacuation de cet aspect (évaluation

de la feuille de papier ?)

• Des propriétés classiques qui ne sont plus applicables– Robustesse des modèles– Critère décisif des données