Table des matières - Gilles Daniel

Modélisation multi-agents comme compléments des formalismes classiques. 233
[Chapitre 4]. Par exemple, on peut concevoir qu’en réalité virtuelle, ou dans une
démarche d’engineering, on ait besoin d’agents très autonomes. Par contre, pour la
recherche académique, les impératifs de la reproductibilité des expériences, de
l’explication et de la compréhension présupposent un degré plus fort de contrôle de
l’expérimentateur sur l’expérience. La prise en compte de ce rapport problématique
entre le désir de « réalisme », qui pousse à concevoir les agents les plus autonomes
possibles et la volonté analytique d’expliquer comme de contrôler les expériences
réalisées « in silico », obligent les chercheurs à se positionner clairement d’un point de
vue méthodologique sur l’axe qui va de l’automate à l’agent autonome. La position
défendue ici consiste à avancer progressivement par étapes d’abstraction décroissante
successives, en maintenant un lien permanent avec le niveau précédent, et en ne
relâchant que pas à pas les hypothèses simplificatrices qui ont servi précédemment,
pour éviter d’obtenir des résultats incompréhensibles ou incohérents avec la logique
générale des comportements postulés des agents. De plus, l’enrichissement
progressif des capacités des agents implique une réévaluation croisée (du point de vue
du concepteur du modèle informatique et de celui du théoricien SHS) de l’ontologie
des « entités » invoquées et de ses implications multiples [Chapitre 4]. C’est grâce à
ce dialogue que nous pourrons avancer. Par exemple, on peut mettre en perspective
la distinction proposée par Jacques Ferber [Chapitre 1] entre agents « réactifs » et
« cognitifs » et diverses tentatives de classifier les agents selon leurs capacités
« cognitives » [BOU 93], [WAL 98], [DEN 96], [PHA 04b]. Au niveau « zéro » de la
cognition, un agent réactif fournit une réponse déterminée pour un état donné de son
environnement et est incapable d’apprentissage au niveau individuel. Un agent
cognitif peut être doté de capacités d’apprentissage et d’adaptation variables, du
simple auto-renforcement à des fonctions plus élaborées, comme des capacités de
catégorisation, de représentation ou de modélisation. Dans le [Chapitre 12],
Christophe Deissenberg discute certaines particularités de l'apprentissage dans les
modèles multi-agents comparé avec l'apprentissage dans les modèles économiques
standards. Il introduit une typologie simple de types d'apprentissage et présente
succinctement les méthodes de modélisation les plus courantes. En particulier, la
structure et la logique des systèmes de classeurs et des algorithmes génétiques sont
décrites en détail. Une liste de ressources sur les algorithmes génétiques est incluse.
Si l’on veut aller plus loin dans la cognition, deux types de questions se posent.
Au niveau individuel, quel est le statut (épistémique, ontologique) des « entités »
mobilisées pour rendre compte des phénomènes cognitifs, conatifs ou perceptifs
Par exemple, Orléan [ORL 02], [ORL 04] définit des « croyances sociales » comme
des croyances attribuées par les agents à une entité abstraite, « le groupe ». Dans le
langage vernaculaire, comme dans les pensées dites « primitives », il est fréquent
d’attribuer des croyances et des intentions à des objets du monde réel ou même à des
objets « sociaux ». C’est le cas par exemple avec cette phrase d’un cambiste citée
par Orléan : « le marché croit que cette devise est sous évaluée ». Bien entendu, on
peut arguer qu’il s’agit là d’un « raccourci » et que personne ne croit que « le