Des données aux agents : la simulation réaliste de populations diversifiées de clients

L'usage croissant de la simulation multi-agents pour modéliser des systèmes pourvoyeurs de grandes quantités de données, suppose l'identification automatique des paramètres pertinents ou l'extraction de connaissances à partir des données réelles, faute de quoi la fiabilité des prédictions et des explications fournies par la simulation est sujette à caution. Dans cet article, nous proposons une méthode pour extraire automatiquement des profils comportementaux à partir de mesures statistiques, dans le cadre de comportements de consommateurs dans un magasin. Dotés des mêmes capacités globales d'interaction, les agents sont munis de profils différents issus de l'exploration des données. Placés dans un magasin virtuel réaliste, dans lequel tous leurs objectifs peuvent ne pas être atteignables, ils effectuent néanmoins des achats qui reflètent la diversité des clients réels ainsi que les profils initiaux. Nous défendons l'idée que de telles techniques sont nécessaires pour faire des simulations multi-agents un puissant outil d'aide à la décision. The growing use of multiagent-based simulation for modeling systems associated with very large databases, addresses specific issues such as the automatization of parameter identification or knowledge extraction from real data, so as to enhance the confidence in simulation predictions and explanations. In this paper, we propose a method for automatically retrieving behavioral prototypes from statistical measures, in the context of consumer behavior. Endowed with the same overall behavior, the agents are given different profiles based on the data analysis. They are put into a spatially realistic store, where some of their objectives may be unattainable. Though, their purchase reproduce the original clusters. We argue that such techniques are essential to make multi-agent simulations a powerful decision support tool.