Système Multi-Agents

Système multi-agents et IA distribuée

Le domaines complexes et hétérogènes tels que l’aide à la décision dans des situations subtiles, la reconnaissance et la compréhension de formes dans des environnements mouvants, la conduite de processus industriels ont révélé les limites de l’approche classique de l’Intelligence Artificielle (IA) au singulier fondée sur une centralisation de l’expertise au sein d’un seul et unique système expert.

Au début des années 1970, les techniques de l’IA se sont focalisées sur la concurrence et la distribution. Les recherches dans ce domaine ont abouti à la naissance d’une nouvelle discipline : l’Intelligence Artificielle Distribuée (IAD), ou autrement baptisée Système Multi-Agents (SMA).

Pour faire simple, tout a commencé avec les systèmes experts, des programmes dédiés à un domaine de spécialité et de connaissance bien spécifique. Devant le succès rencontré, les industriels et chercheurs ont souhaité pousser l’exercice dans des applications plus larges donc plus complexes c’est-à-dire nécessitant le recours à des expertises multiples.

Il a donc fallu raisonner à nouveau par analogie avec le fonctionnement humain : lorsqu’un chantier nécessite le recours à plusieurs expertises, on fait travailler plusieurs experts entre eux pour qu’ils accomplissent collectivement des tâches que, seuls, ils n’auraient pu accomplir. Ceci a donné naissance à une intelligence artificielle devant coordonner les actions de plusieurs systèmes experts collaborant.

Agent et système multi-agents

Définition d’un agent

En informatique, un agent est un logiciel ou un matériel équipé d’un software capable de capter de l’information, d’agir « rationnellement » en fonction des données récupérées et de déclencher une action pour optimiser ses chances de succès.

S’il s’agit de matériel, il sera doté de capteurs. Si c’est un simple logiciel, il peut se contenter de données brutes en entrée afin de générer des informations en sortie.

Un agent peut réagir en temps réel et en fonction de l’environnement. Lorsque cela s’avère nécessaire de par la complexité de l’objectif à atteindre, les agents intelligents sont intégrés dans des systèmes distribués dénommés systèmes multi-agents constitués d’une somme d’agents autonomes, mais reliés et collaborant entre eux. Ces systèmes sont par exemple utilisés pour modéliser des comportements de masses semblant parfois irrationnels (mouvements de foule, trafic routier, etc…).

Le système modélise la façon dont les fourmis localisent la nourriture.

Systèmes multi-agent

Système multi-agents

Un système multi-agents est une communauté d’agents autonomes qui évoluent dans un environnement commun, selon des modes parfois complexes de coopération, de concurrence voire de conflit, pour aboutir à un objectif global.
Ces agents constituent un système complexe qui comprend une intelligence que l’on pourrait qualifier de collective. C’est l’exemple d’une colonie de fourmis constituée d’entités (fourmis) ne possédant aucune capacité cognitive propre, mais qui atteint pourtant un haut degré d’organisation et d’adaptation comme s’il s’agissait d’une logique raisonnable collective.

Dans la vidéo ci-dessus, un système multi-agents a été mis en place pour trouver le chemin le plus court pour sortir. Le système modélise la façon dont les fourmis localisent la nourriture.

Chaque agent est capable de seulement “voir” les pixels se trouvant devant, derrière, à sa gauche et à sa droite. Il avance dans une des directions au hasard. La probabilité que chacun de ces pixels soit visité par l‘agent est fonction du nombre d’autres agents ayant réussi à atteindre la sortie en passant par ces pixels et en combien de temps. Les agents « communiquent » donc entre eux.

Autre exemple : un agent peut être construit avec un réseau de neurones pour réaliser une tâche spécifique comme la reconnaissance de la parole ou d’images. Un agent va ainsi utiliser le texte généré par la reconnaissance et lui appliquer un processus de reconnaissance sémantique. Un autre va traiter la question, fouiller dans une base de données ou de connaissance et récupérer des résultats. Un autre agent va formuler une réponse et la renvoyer à l’utilisateur.

C’est ainsi que fonctionne le système de traduction automatique qui va d’abord analyser la parole avec un premier agent, puis réaliser la traduction avec un second et utiliser un troisième agent de text to speech pour transformer le résultat de manière audible.

Il est admis que le niveau d’abstraction des réseaux d’agents est plus élevé que celui des réseaux de neurones.

L’IA distribuée dans un systèmes multi-agents

L’Intelligence artificielle Distribuée (IAD) vise à combler les lacunes de l’approche classique de l’IA en proposant la distribution de l’expertise sur un groupe d’agents.

Elle se définit comme la branche de l’IA qui s’intéresse à la modélisation de comportement intelligent d’un ensemble d’agents opérant collectivement et de façon décentralisée pour parvenir à un objectif global.

Elle s’intéresse donc à des comportements intelligents qui sont le produit de l’activité coopérative de plusieurs agents, contrairement à l’intelligence artificielle classique qui modélise le comportement intelligent d’un seul agent.

Intelligence artificielle Distribuée (IAD)

Les trois axes fondamentaux de l’IAD sont :

C’est-à-dire la coopération de plusieurs agents

C’est-à-dire la façon de diviser un problème en plusieurs morceaux qui seront traités chacun par des agents amenés ensuite à se coordonner.

C’est-à-dire le traitement de plusieurs agents opérant les uns à côté des autres sans interaction particulière.

L’IA d’aujourd’hui et notamment dans les business naissants qui s’organise autour d’elle s’enrichit avec ses techniques qui s’adaptent aux comportements collectifs.

D’autres articles sur le même thème

Systèmes experts

Les systèmes experts (ou moteurs de règles) sont une technique de l’IA, qui permettent de reproduire les mécanismes cognitifs d’une personne dans un domaine bien particulier.

Résolution de problèmes

L’Intelligence Artificielle se caractérise par une approche nouvelle dans le traitement informatique des problèmes.

La chaîne TAL

Le traitement automatique des langues (TAL) ou du langage naturel ou de la langue naturelle (TALN) est un ensemble de techniques d’Intelligence Artificielle.

Le Machine learning

« Il n’y a pas d’intelligence sans apprentissage », affirme Yann Le Cun, patron de l’Intelligence Artificielle (IA) chez Facebook.

Les réseaux neuronaux

De nos jours, on ne peut pas parler de machine learning sans parler de réseau de neurones artificiels

Le web sémantique

Le web sémantique permet à la machine de comprendre le langage humain et de le contextualiser.