| |
6 Décembre 2001
par Christophe Jacquemin
 A quand
les sciences de la complexité
au service de l'Etat ?
Cet article vient compléter
le dossier
Gestion des risques publié dans notre précédent
numéro
Comment prendre la "bonne" décision (ou du moins
la moins mauvaise) face à un problème complexe ? Car
qui dit complexité dit aussi relation entre une foule de
données et de paramètres dont les effets conjugués
rendent la compréhension du système des plus opaques.
Quel décideur, quelle tête bien faite peut encore prétendre
manier la complexité par de sacro-saintes méthodes
traditionnelles, et ignorer les techniques les plus récentes
de la gestion des organisations dites "intelligentes" ?
Certaines entreprises n'hésitent plus à appeler à
la rescousse les "scientifiques-développeurs" d'un nouveau
type de sociétés-conseil(1),
dont le métier est justement d'analyser ces systèmes
complexes et de proposer des solutions, des conduites à tenir.
Mais au fait, de quoi parlons-nous ?
Un système complexe est composé de grandes quantités
d'éléments -ou agents - de nature identique ou différente,
interagissant simultanément : citons par exemple le développement
d'un organisme, l'ensemble des molécules qui composent une
cellule, l'activité des neurones dans le tissu nerveux, une
colonie de fourmis, un espace économique composé d'individus,
de machines...
Mais c'est aussi un système dans lequel des propriétés
inattendues et parfois très élaborées peuvent
résulter, du fait justement de ces interactions entre agents
: auto-organisation, équilibre dynamique des systèmes
ouverts, capacité collective et individuelle à évoluer
dans le temps en réponse aux changements de l'environnement,
etc. On parle alors de comportement émergent, car ces propriétés
inattendues émergent de la globalité des interactions
entre agents et entre agents-environnement sans avoir été
programmées explicitement ou imposées de l'extérieur,
et sans qu'elles soient déductibles de l'observation des
règles internes spécifiques à chaque agent.
Dès lors, ce comportement est impossible à prévoir
autrement que par la simulation.
Ainsi, contrairement aux approches traditionnelles linéaires,
les sciences de la complexité (2)
reconnaissent que de tels systèmes dynamiques ne peuvent
être compris par la simple analyse de leurs constituants.
Ils doivent être considérés dans leur globalité,
impliquant aussi des interactions non-linéaires entre agents.
Cette approche différente a débouché sur un
ensemble de méthodes et d'outils qui permettent d'analyser,
modéliser et simuler ces systèmes afin de mieux les
comprendre et prévoir leur comportement (de petites modifications
des règles locales peuvent avoir un impact très important
au niveau global).
Elle permet par exemple de fournir des idées à certaines
entreprises souhaitant être plus réactives, adaptatives
et évolutives.
Le fait de tester plusieurs scénarios aboutit le plus souvent
à la découverte de nouvelles règles sur le
fonctionnement du système et sur la manière dont il
réagit aux perturbations. Qu'il s'agisse d'organisation,
d'ordonnancement, de gestion des stocks, d'évaluation et
gestion de risques, de gestion de la relation client, de data mining...
: il n'est désormais pas un de ces domaines où l'utilisation
d'outils comme la simulation par agents, les algorithmes génétiques,
algorithmes "des fourmis", recuit simulé, réseaux
neuronaux et autres réseaux bayésiens ne vienne rendre
de grands services à nos cerveaux limités...
Pourquoi ces outils et méthodes ne pourraient-ils pas
aussi être d'une grande utilité aux Pouvoirs publics...
Ne pourraient-ils pas constituer là aussi -pour peu qu'on
veuille bien y consacrer certaines recherches- un puissant outil
d'éclairage dans la prise de décisions? Rappelons
par exemple à ce sujet les travaux d'Alain Cardon sur l'apport
de l'intelligence artificielle distribuée pour la gestion
d'un PC de crise, présentés lors de notre dossier
"gestion des crises".
Des industriels à la page : quelques exemples
(source : eurobios :
http://www.eurobios.com/flash/fr/eurobios.html, site sur lequel
on trouvera bien d'autres exemples)
- Gestion de risques
Certaines institutions financières recourent déjà
à la simulation par agents pour la gestion de risques. Citons
par exemple les représentants du NASDAQ qui ont souhaité
disposer d'outils destinés à prévoir l'impact
d'un changement des règles de fonctionnement de ce marché
sur le comportement des acteurs financiers. Il s'agissait ici de
connaître les conséquences d'une cotation au 1/16e
et au 1/100e de dollar par rapport au 1/8e de dollar alors en vigueur.
L'utilisation d'un simulateur basé sur un modèle à
base d'agents adaptatifs, c'est à dire capables de modifier
leur stratégie en fonction de l'observation du comportement
des autres agents, a montré des résultats inattendus
: diminution de la capacité des acteurs à assimiler
de nouvelles informations, émergence de comportements collectifs
parmi les traders... Le modèle développé a
également montré que l'apparition de regroupements
est une propriété émergente des marchés,
sans qu'il y ait accords de connivence.
- Planification dynamique
 Souhaitant
optimiser le routage de ses avions cargos, la compagnie aérienne
américaine Southwest Airline a fait procéder à
une simulation par agents. L'objectif était de réduire
le poids total transféré d'un avion à l'autre
et transporté, ainsi que de diminuer les goulots d'étranglements.
En définissant et évaluant des milliers de règles
de routages des colis compatibles avec les contraintes du terrain,
puis en retenant le meilleur jeu de règles défini
par l'outil de simulation, cette société a pu réduire,
le poids total transféré de 71%, et réaliser
plus de 10 millions de dollars d'économie par an.
- Gestion des marchés
Comment, pour un opérateur télécom, adapter
sa rentabilité tout en gardant une relation à long
terme avec le client, dans un contexte de fortes pressions sur les
tarifs due à une explosion du nombre de fournisseurs de bande
passante et une diversification impressionnante des offres. Comment
adapter son offre à chaque micro-marché ? C'est à
partir de cette question, et à partir d'une analyse du marché,
qu'a été réalisé un modèle de
marché à base de réseaux de neurones capable
de prévoir l'évolution de la demande au niveau de
chaque micro-marché. A partir d'un modèle calibré,
un algorithme d'optimisation évalue l'offre la plus intéressante
pour chaque micro-marché en prenant en compte l'évolution
dans le temps. Ce modèle, qui inclut les données des
ventes en temps réel est automatiquement réajusté,
permettant ainsi aux décideurs de rester toujours à
la pointe de l'offre dans un marché toujours remis en question
- Data mining et Gestion de la
relation client
Comment optimiser mon site de vente d'assurances en ligne ? Voici
la question que s'est posée une compagnie, sachant que plus
de 50 questions obligatoires sont nécessaires pour fournir
à l'internaute un devis d'assurance habitation ou automobile.
Comment améliorer l'ergonomie de l'interaction homme-machine
et fournir ce devis, même approximatif, sans décourager
l'utilisateur ? En s'appuyant sur les réseaux bayésiens(3),
un cadre conceptuel de modélisation a été construit,
puis "entraîné" à partir des données
déjà existantes concernant les clients de la compagnie.
Ceci a débouché sur la conception d'un moteur intelligent
capable de décider, au fil de l'interaction avec le client
demandeur, soit de fournir un devis approximatif, soit de choisir
une question supplémentaire pertinente pour augmenter la
fiabilité de sa prédiction du montant de la prime.
Grâce à ce système, et pour la majorité
des cas, une bonne estimation de la prime (à 10% près)
peut être désormais fournie au bout de 10 questions
en moyenne, voire moins (chaque question est choisie en fonction
des réponses précédentes). Signalons que cette
technique peut aussi être appliquée à d'autres
objectifs, comme par exemple la détection de fraude dans
la déclaration de sinistres...
Et le secteur public ?
Si les exemples évoqués plus haut sont adaptés
au monde industriel avec des objectifs bien particuliers, il n'est
pas besoin de réfléchir très longtemps pour
s'apercevoir que nombre de ces techniques pourraient être
transposées vers la sphère publique, en poursuivant
d'autres objectifs.
Prenons l'exemple du site web de la société
d'assurances. On pourrait très bien imaginer les sites des
services publics dotés d'une telle interface qui rendrait
l'interaction utilisateur/site plus intelligente et rapide.
Autre domaine : l'aménagement du territoire et le choix des
sites pour l'installation d'usines à risque. Certaines modélisations
pourraient apporter de nombreux enseignements ne serait-ce qu'en
testant différents scénarios en fonction de l'implantation.
"Pour tout ce qui est outils d'aide à la décision
stratégique, il y a de nombreux problèmes où
l'on peut utiliser la modélisation à base d'agents.
A ce sujet, le Projet
de réalisation d'un PC de préfecture pour la prévention
des risques et la gestion des catastrophes au niveau départemental
évoqué dans votre dossier me semble être un
cas typique dans lequel les sciences de la complexité ont
tout leur rôle à jouer. On pourrait imaginer analyser
différentes stratégies et scénarios, avoir
aussi grâce à ces systèmes la capacité
de traiter un volume important d'informations en temps réel",
explique Hugues Juillé, senior scientist chez Eurobios.
Inutile de préciser que l'armée américaine
accorde la plus grande attention aux sciences de la complexité.
Excellente nouvelle : l'armée française commence à
s'y intéresser aussi. Faut-t-il y voir les prémices
d'une contamination future à l'ensemble de l'administration
civile ?
1) Citons
Eurobios http://www.eurobios.fr.
Cette filiale européenne de Bios Group a été
fondée en 1999 à Paris. Dirigée par Hervé
Zwirn (diplômé de L'Ecole Polytechnique, ingénieur
Télécom Paris, et titulaire d'un doctorat en physique
des particules de l'Université Paris VI) et Vince Darley
(mathématicien, informaticien et physicien théorique),
elle compte notamment PSA, BNP Paribas, France Telecom ou Air liquide
parmi ses clients français.
2) Les sciences de la complexité
sont apparues en 1984, lorsque le Los Alamos National Laboratory
a fondé le Santa Fe Institute. Elles sont à la croisée
de nombreuses disciplines, comme la biologie, la physique, les mathématiques,
la psychologie...
3) Les réseaux bayésiens
sont une manière de représenter des distributions
de probabilités complexes. Les noeuds dans un graphe représentent
alors des variables aléatoires et les arcs représentent
des dépendances logiques entre ces variables. Les avantages
des réseaux bayésiens par rapport aux autres techniques
d'apprentissage sont, d'une part, leur interprétation aisée
(système visuel) et, d'autre part, leur capacité évidente
à représenter l'évolution des connaissances.
sommaire
du dossier
© Automates Intelligents 2001
|
|
Automates
Intelligents s'enrichit du 
