Simulation multi-agent de phénomènes collectifs : quelques questions d’ordre épistémologique Frédéric AMBLARD Institut de Recherche en Informatique de.

Présentation au sujet: "Simulation multi-agent de phénomènes collectifs : quelques questions d’ordre épistémologique Frédéric AMBLARD Institut de Recherche en Informatique de."— Transcription de la présentation:

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

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