Intelligence artificielle distribuée et

systèmes multi-agents

Objectifs :
Introduction à l'Intelligence Artificielle (IA) et ses
Fondements :
1. Définition de l'IA :
L'Intelligence Artificielle (IA) consiste en la création de systèmes informatiques qui
visent à imiter et à reproduire les capacités cognitives et décisionnelles humaines,
permettant ainsi aux machines d'accomplir des tâches qui nécessitent normalement
l'intelligence humaine.
2. Domaines d'application de l'IA
- Diagnostic médical - Traduction automatique Intelligente
- Assistants Virtuels - Reconnaissance Faciale
3. Les notions fondamentales de l'Intelligence
Artificielle (IA)
Intelligence Artificielle : L'IA est le terme global
pour désigner tout ce qui concerne la création de
machines intelligentes qui peuvent penser et
apprendre comme les humains, mais d'une
manière différente.
Machine Learning (ML) : C'est l'ensemble des
algorithmes et la logique qui permettent à la
machine d'apprendre, de détecter des motifs et d'améliorer ses performances au fil du
temps.(NLP , apprentissage supervisé et non supervisé, SVM)
Réseaux de Neurones Artificiels (RNA) : font partie des modèles du machine learning.
Ils sont des modèles mathématiques complexes qui, comme les neurones dans le
cerveau des êtres humains, traitent les informations et aident la machine à apprendre.
Deep Learning : Il repose sur des réseaux neuronaux, mais avec une architecture plus
étendue et complexes, permettant à l'IA d'extraire des fonctionnalités avancées et de
prendre des décisions précises.
Agent :
1. Définition de l’agent :
Le terme 'agent' fait référence à un système, qu'il soit mécanique, biologique ou
logiciel, caractérisé par sa capacité à interagir avec son environnement.
En intelligence artificielle :
Un agent est une entité logicielle ou physique, En IA un agent est généralement
considéré comme une entité autonome capable de prendre des décisions et d'agir en
fonction de son environnement et de ses objectifs.
- Une entité physique est quelque chose qui agit dans le monde réel : un robot,
un avion ou une voiture sont des exemples d’entités physiques.
- En revanche, un logiciel, un programme sont des entités virtuelles, il s'agit de
programmes informatiques autonomes qui s'exécutent sur un système informatique.
2. Propriétés d’un agent
1. Autonomie : L'agent est capable d'opérer de manière indépendante et de prendre
des décisions sans intervention humaine continue.
2. Raisonnement : L'agent peut raisonner sur les informations perçues et prendre des
décisions en fonction de ces données. Il utilise souvent des algorithmes pour traiter et
interpréter ces informations.
3. Apprentissage : Certains agents ont la capacité d'apprendre à partir des données et
de l'expérience. Ils peuvent améliorer leurs performances au fil du temps en ajustant
leur comportement en fonction des résultats passés.
4. Communication : Les agents peuvent communiquer avec d'autres agents ou
systèmes pour échanger des informations et collaborer à des tâches.
5. Objectifs : Ils ont des objectifs ou des buts à atteindre.
6. Adaptabilité : Les agents peuvent s'adapter à des changements dans leur
environnement ou dans leurs objectifs.
7. Perception : l’agent peut percevoir son environnement en utilisant des capteurs
appropriés. Ces capteurs peuvent être des caméras, des microphones, des capteurs de
température, etc.
8. Temporalité : signifie que les agents considèrent le temps dans leurs décisions et
actions.
9. Réaction et Action : en intelligence artificielle se réfèrent à la capacité des
agents d'interagir avec leur environnement.
L'Intelligence Artificielle Distribuée (IAD)
Définition de l’IAD
L'Intelligence Artificielle Distribuée (IAD) est une branche de l'IA qui se concentre sur
la recherche et le développement de solutions où plusieurs agents intelligents
travaillent ensemble. Ces agents sont répartis et collaborent pour résoudre un
problème.
L'intelligence artificielle centralisée
L'intelligence artificielle centralisée (IAC) fait référence à un modèle dans lequel
l'ensemble du processus d'analyse, d'apprentissage et de prise de décision est effectué
dans un seul emplacement ou nœud central.
Limites de l’IAC
- Sensibilité aux pannes - Problèmes de surcharge
- Temps d'Exécution Élevé - Dépendance élevée
Pourquoi a-t-on besoin de l'intelligence artificielle distribuée ?
L'intelligence artificielle distribuée (IAD) d’une part répond à des limitations de
l'intelligence artificielle centralisée. Et d’autre part,
répond aux besoins actuels liés à l'évolution de
l'informatique moderne.
Entité autonome
Tout système capable de prendre des décisions et d'agir
de manière indépendante que ce soit un système
biologique, mécanique ou informatique.
Description :
En gros, un agent est une entité autonome (capable de prendre des décisions par elle-
même) qui évolue dans un environnement et rentre en interactions avec d’autres
agents suivant une organisation (des règles ou des structures d'interaction) définies.
Les applications de l’intelligence artificielle distribuée
La vision par ordinateur distribuée: Signifie l’utilisation de plusieurs
ordinateurs/serveurs qui travaillent ensemble pour analyser et traiter les données
image ou vidéo. Le travail est partagé entre plusieurs machines, chacune prenant en
charge une partie de la tâche
L'apprentissage profond distribué : consiste à entraîner un modèle de réseau neuronal
profond en utilisant plusieurs machines interconnectées. L’ensemble de données est
divisé en parties, chaque partie est attribuée à une machine spécifique.
Agent et objet :
Objet en POO
- Un objet, dans le contexte de la programmation informatique, est une instance d'une
classe.
- Une classe est un modèle ou un plan pour créer des objets. Elle définit les propriétés
(attributs) et les comportements (méthodes) que les objets de cette classe auront.
Similitudes entre agent et objet
Possèdent un « état interne » : À l'intérieur d'un agent ou d'un objet, il y a des
informations qu'il détient, comme des données ou des caractéristiques spécifiques.
Communiquent par envoi de messages : Les agents et les objets peuvent parler entre
eux en utilisant des messages, comme des conversations.
Peuvent agir pour modifier leur état : Les agents et les objets peuvent changer leur
état en fonction de ce qu'ils font.
Des unités de comportement modulaires (méthodes/compétences)
Les différences entre agent et objet
Autonomie et réactivité
• Agent : Un agent est autonome et réactif, ce qui signifie qu'il peut prendre des
décisions indépendamment en fonction de son environnement et de ses objectifs. •
Objet : Un objet ne possède pas d'autonomie ou de réactivité. Il répond aux méthodes
qu'on lui applique.
Héritage et polymorphisme :
• Agent : Le concept d'héritage et de polymorphisme n'est pas aussi courant dans la
modélisation des agents.
• Objet : L'héritage et le polymorphisme sont des concepts clés de la POO, permettant
la réutilisation du code et la flexibilité.
Héritage et polymorphisme en POO
L'héritage est un mécanisme qui permet à une classe (appelée classe fille ou sous-
classe) d'hériter des propriétés (attributs et méthodes) d'une autre classe (appelée
classe mère ou super-classe).
Polymorphisme : la capacité d'une méthode à agir de différentes manières en fonction
du type de l'objet qui l'appelle.
Système multi-agents
Un système multi-agent (SMA) est un système composé de multiples entités
autonomes (agents), qui interagissent entre elles au sein d'un environnement partagé
pour atteindre des objectifs individuels ou collectifs.
Les composants d’un système multi-agents
Environnement (physique ou virtuel) : C'est l'espace dans lequel les agents d'un
système évoluent, interagissent et prennent des décisions. Les agents peuvent
interagir avec cet environnement.
Objets : des entités situées dans l’environnement. Chaque objet a une position dans
l'environnement à un moment donné. Ces objets sont passifs, ce qui signifie qu'ils
peuvent être perçus, créés, détruits et modifiés par les agents.
Agents : Les agents sont des objets particuliers qui représentent les entités actives du
système. Ils ont la capacité d'agir, de prendre des décisions et d'interagir avec
l'environnement et d'autres agents.
Relations : des liens ou des connexions qui existent entre les agents.
Opérations : les actions que les agents peuvent effectuer sur les objets dans
l'environnement. Les opérations incluent la perception (percevoir des objets dans
l'environnement), la production (créer de nouveaux objets), la consommation
(utiliser ou supprimer des objets), la transformation (modifier des objets) et la
manipulation des objets.
Caractéristiques d’un Système multi-agents
Chaque agent a des informations ou des capacités de résolution de problèmes
limitées, ainsi chaque agent a un point de vue partiel et ne peut pas comprendre le
problème complet.
Il n’y a aucun contrôle global du SMA : Chaque agent opère de manière autonome et
prend des décisions en fonction de son propre ensemble de règles et d'objectifs.
Les données sont décentralisées : il n'y a pas de base de données centrale ou de
référentiel global, et les agents doivent souvent communiquer pour échanger des
informations.
Le calcul est asynchrone : Chaque agent peut prendre des décisions et effectuer des
actions à son propre rythme, en réponse aux changements dans son environnement ou
aux signaux qu'il reçoit des autres agents.
Les différents types d’un SMA
SMA ouvert : Un système qui peut accueillir de nouveaux agents, Il permet la création,
la suppression ou la migration d’agents. La composition des agents peut changer
dynamiquement pendant le fonctionnement du système.
• Les interactions entre les agents dans un SMA ouvert sont variées et peuvent évoluer
en fonction de l'arrivée ou du départ d'agents.
SMA fermé : Un système qui ne peut pas intégrer de nouveaux agents. Le nombre et le
type d'agents sont définis à l'avance. La composition des agents est fixée dès le
départ et ne change pas pendant le fonctionnement du système.
• Les interactions dans un SMA fermé impliquent uniquement les agents prédéfinis.
SMA homogène : Dans un SMA homogène, tous les agents agissent de manière
relativement similaire et suivent des règles communes. Tous les agents ont des
caractéristiques, des comportements, des objectifs et des capacités similaires ou
identiques.
Exemple : Groupe de Robots de Nettoyage.
SMA hétérogène : Dans un SMA hétérogène, les agents ont des caractéristiques
différentes, des comportements variés, des objectifs distincts et des capacités diverses.
Les agents peuvent posséder des compétences spécialisées, des connaissances
spécifiques ou des rôles distincts au sein du système.
Exemple : Modélisation Multi-Agents du Marché du Travail.
Typologie d’agents
La typologie des agents est basée sur la complexité des comportements des agents et
des connaissances qu'ils possèdent.
Agent réactif : Leurs actions sont déterminées par des règles conditionnelles simples
« si-alors », et n'utilisent pas des algorithmes d’apprentissage.
- L’agent réactif n’a pas de modèle interne de l’environnement et ne planifie pas ses
actions.
- Les agents réactifs se caractérisent par leur capacité à réagir rapidement à des
problèmes simples sans nécessiter un haut niveau de raisonnement.
- Ils suivent des règles préétablies et réagissent instantanément en fonction des
données perçues dans leur environnement.
Caractéristiques d’un agent réactif:
Réactivité immédiate : Les agents réactifs sont caractérisés par leur capacité à réagir
instantanément aux événements dans leur environnement.
Règles simples : Les actions sont basées sur des règles simples et directes.
Pas de représentation complexe : Ils n'ont pas de représentation interne complexe ou
de modèle détaillé de leur environnement.
Agent Cognitif / délibératif : Ils sont caractérisés par leur capacité à effectuer des
processus de raisonnement, de planification et de prise de décision complexes.
Les agents délibératifs possèdent la capacité de résoudre des problèmes complexes
Caractéristiques d’un agent cognitif:
Réflexion et Planification : Les agents délibératifs ont la capacité de réfléchir sur leurs
actions et de planifier en fonction de leurs objectifs. Plutôt que de réagir
instantanément.
Représentation Interne : ils ont une vision ou un modèle du monde qui les entoure. sélectionne celle qui semble la plus adaptée pour réaliser ses objectifs. Les actions qu'il
Considération des Conséquences : L’agent choisit l'action qui maximise l'atteinte de a décidé de faire pour accomplir ses désirs.
ses objectifs tout en minimisant les impacts négatifs.
Les types d’interactions
Architecture BDI : Les agents cognitifs peuvent être implémentés en utilisant des
L’interaction est un processus fondamental dans les SMA car il permet aux agents de
architectures telles que l’architecture BDI.
communiquer et de se coordonner pour réaliser leurs tâches.
Retours d’effort sur les actions : L'agent reçoit des informations de son environnement
Interaction agent-agent : C’est un cas particulier de l’interaction multi-agents, où il n’y
par ses capteurs, etc.
Représentations du monde, de soi: C’est l’état interne de l’agent. L’ensemble des a que deux agents impliqués.
- Ce type d’interaction consiste généralement à échanger des messages en utilisant un
informations qu’il possède sur le monde et sur ses objectifs,
langage de communication entre les agents (ex. ACL), ou à échanger des connaissances
Raisonnement sur les représentations : L'agent analyse ses propres états, ses objectifs
(XML, RDF, etc.).
à atteindre et les actions nécessaires pour les réaliser, afin de prendre des décisions.
Actions sur le monde : Le raisonnement cognitif de l'agent aboutit à des décisions et Interaction humain agent : Le processus par lequel un être humain et un agent
des actions qui sont mises en œuvre dans l'environnement réel de l'agent. artificiel communiquent.
Agent réactif vs Agent Cognitif - L’interaction humain agent peut se faire par différents moyens tels que la
Contrairement aux agents réactifs qui agissent principalement en réaction à leur reconnaissance vocale, les assistants virtuels, etc.
environnement immédiat, les agents cognitifs ont une capacité de réflexion et de Interaction multi-agents : Il s'agit de l'interaction entre plusieurs agents dans un
délibération plus avancée. Système Multi-Agents.
Agent hybride : Ils visent à profiter des avantages des deux approches en intégrant la - Les agents peuvent interagir pour atteindre des objectifs individuels ou collectifs,
réactivité immédiate des agents réactifs avec la capacité de réflexion et de partager des ressources ou négocier.
planification des agents délibératifs. -Les interactions entre les agents dans un SMA sont complexes et nécessitent un
L’agent hybride est conçu pour faire les deux types de tâches, selon le niveau de traitement spécifique, afin d’éviter les collisions entre les agents et de garantir le bon
complexité et d’urgence de la requête. Il peut ainsi être plus efficace et plus flexible fonctionnement du système.
qu’un agent purement réactif ou purement cognitif. Interaction multi-humains : Il s'agit de l'interaction entre plusieurs utilisateurs
Un agent hybride est un agent conçu en couches. Les couches inférieures assurent des humains dans un système informatique.
comportements réactifs. Par contre, les couches supérieures sont responsables de - Ce groupe d'individus peuvent interagir les uns avec les autres à travers des médias,
capacités cognitives complexes. des plateformes en ligne : email, forum, chat, etc., (collectif médiatisé).
Architecture BDI (Belief-Desire-Intention)
L'architecture BDI, qui signifie (croyance-désir-intention), est un modèle d'architecture
cognitive, qui permet de concevoir des agents cognitifs capables d’agir d’une manière
rationnelle, elle est basée sur une représentation de l'agent en termes de ses
croyances sur le monde, de ses désirs et de ses intentions pour agir en conséquence.
Les composants de l'architecture BDI :
• Croyances (Beliefs) : les informations que l’agent a sur son environnement, sur lui-
même et sur les autres agents. Les croyances peuvent être mises à jour en fonction des
nouvelles informations reçues.
• Désirs (Desires) : Les désirs représentent les objectifs que l’agent souhaite atteindre.
• Intention (Intention) : représente l'action spécifique que l'agent a choisie pour
atteindre un ou plusieurs de ses désirs. L'agent évalue différentes options et