Stratégie d'apprentissage proactif endogène par systèmes multi-agents coopératifs

Dans cet article, nous nous plaçons dans des environnements de systèmes complexes, imprévisibles et dynamiques pour lesquels nous avons pour objectif de montrer que les systèmes multi-agents adaptatifs sont une solution pertinente à leur apprentissage. Nous utilisons une approche d'apprentissage locale inspirée du constructivisme : l'auto-apprentissage de contextes par systèmes multi-agents adaptatifs. Nous cherchons à introduire des rétroactions endogènes comme moyen d'améliorer en interne le processus d'apprentissage en détectant et en résolvant les imprécisions entre les connaissances apprises. Nous proposons pour cela 3 stratégies de résolution des imprécisions d'apprentissage qui sont : une résolution réactive, un apprentissage proactif et un auto-apprentissage. Dans cet article, nous évaluons les performances de l'apprentissage proactif. Nous montrons que l'ajout de rétroactions endogènes facilité par l'auto-observation permet d'accélérer et généraliser l'apprentissage, de choisir intelligemment les données d'apprentissage et d'augmenter les performances sur les prédictions.