Simulation multi-agent de phénomènes collectifs : quelques questions d’ordre épistémologique

1. Simulation multi-agent de phénomènes collectifs : quelques questions d’ordre épistémologique Frédéric AMBLARD Institut de Recherche en Informatique de Toulouse Equipe Systèmes Multi-Agent Coopératifs Université Toulouse 1 Sciences Sociales) Séance Philosophie de la Simulation Groupe de travail Anne Fagot-Largeault Collège de France, 30 Avril 2009

2. 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…

3. Comparaison avec les attendus / données / théories Observables de la simulation Individuels ou agrégés Hypothèses sur les conditions initiales Modèle des règles d’interactions Modèle(s) comportementaux au niveau individuel Modèle de l’organisation et son évolution Modèle de l’environnement Expérience de simulation Modèle multi-agents Phénomène collectif à étudier/comprendre Question de modélisation/Hypothèses

4. 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

5. 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

6. 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

7. Exemple …

8. 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

9. 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

10. 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

11. 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)

12. 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

13. Quelques questions…

14. 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…

15. 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