Un vol d’étourneaux synchronisé, un banc de poissons à l’unisson parfait, et même un radeau « vivant » de fourmis descendant une rivière; il existe un terme pour expliquer ce qui peut paraître inexplicable dans le monde naturel: l’intelligence collective.
L’intelligence collective est la capacité d’un groupe d’individus à interagir localement sans être dirigé par un membre en particulier.
Vincent Fourcassié, éthologue et directeur de Recherche au Centre de Recherche sur la Cognition Animale du CNRS, a animé une conférence intitulée «Quand l’intelligence est collective» mardi 21 janvier 2020 au Muséum de Toulouse.
Un éthologue est un scientifique qui étudie le comportement des espèces animales. M. Fourcassié se sert ainsi de plusieurs vidéos d’animaux en mouvement collectif pour aider à visualiser ce que l’intelligence collective peut représenter.
Il existe un grand nombre d’entités qui suivent des règles comportementales relativement simples et interagissent entre eux sans gérance centralisée ou hiérarchie particulière. Dans un tel système intelligent, le contrôle est distribué au travers d’interactions directes ou indirectes entre individus. Les propriétés et actions qui en émergence peuvent avoir un haut degré de complexité.
René Antoine Ferchault de Réaumur, un éthologue du 17ème siècle, a précisé le rôle de la reine dans une colonie animale comme un agent qui assure la reproduction de la colonie mais qui ne donne pas d’ordre ni de hiérarchie.
Aujourd’hui, on peut se servir de modélisations informatiques pour distinguer les règles comportementales d’un individu afin de mieux comprendre le changement du collectif. Si on arrive à obtenir un état du système au niveau individuel et le reproduire par le biais de règles implémentées, on peut arriver à modéliser le collectif.
Les individus de groupes doués d’intelligence collective sont simples sur le plan cognitif avec des règles comportementales basiques et peu nombreuses. Ils n’ont accès qu’à une information locale, issue de leur environnement immédiat. Ils possèdent des fonctions émergentes comme la construction de nids avec une architecture complexe, la division du travail au sein des colonies, et des décisions collectives telles que la décision de déménager ou essaimer.
En 1911, l’entomologiste américain William Morton Wheeler observait des fourmis qui travaillaient en groupe. Il les observe non pas comme des individus, mais comme une unité singulière qui travaille ensemble dans une colonie, laquelle créait un « super-organisme ». Parmi les exemples de l’intelligence collective chez les fourmis il existe l’auto-assemblage (comme vu dans la création de “ponts”), la construction de nids, et le choix d’un chemin.
Pierre-Paul Grassé, un zoologiste français du 20ème siècle, a introduit la notion de la stigmergie qu’il définit comme « la stimulation des travailleurs par l’œuvre qu’ils réalisent ». Cette coordination indirecte se produit, par exemple, quand une trace laissée dans l’environnement par une action initiale stimule une action suivante, par le même agent ou un agent différent.
Pour mieux étudier la stigmergie observée dans le choix d’un chemin de fourmis, les chercheurs ont créé un parcours en forme de losange, avec les deux chemins de même longueur, qui menait les fourmis de leur nid jusqu’à une source de nourriture. Au bout de quelques minutes, les fourmis avaient mis des phéromones d’un côté de la piste avec une égalité entre le chemin gauche et droit. Les phéromones stimulaient les autres ouvrières à sortir du nid et les guidaient jusqu’à la source de nourriture. Les autres fourmis recrutées rentrent au nid et renforcent la piste qui résulte d’un “feedback” (renforcement) positif et permet d’amplifier l’information.
Quand on répète l’expérience avec deux branches de longueurs différentes, l’on trouve que le chemin court est rapidement plus renforcé que le chemin long, ce qui conduira rapidement à son choix. Les individus n’ont pas besoin de comparer la longueur des branches car c’est un choix collectif. Si on complexifie le problème et on place les fourmis dans un labyrinthe, dans quelques minutes elles trouvent le chemin le plus court. Si on ajoute un chemin plus court après que les fourmis aient fait leur choix et mis leurs phéromones sur un chemin, ils resteront sur ce même chemin.
En début des années 1990 le chercheur belge, Marco Dorigo, a inventé la méta-heuristique « Ant Colony Optimization » (ACO, optimisation de colonie de fourmis) pour résoudre les problèmes d’optimisation de nature combinatoire.
Une heuristique est une stratégie de bon sens pour intelligemment essayer plusieurs itérations de possibles solutions afin d’obtenir une solution approximative. Une méta-heuristique est un cadre algorithmique de haut niveau qui essaye plusieurs itérations de possibles solutions afin d’obtenir un optimum global et pas local. Cet algorithme fournit un ensemble de lignes directives ou stratégies à développer. Le terme, qui combine le préfix grec meta- (metá, compréhensive ou transcendant) et heuristique (du grec euriskein, chercher), a été créé par Fred Glover en 1986.
La meilleure façon de comprendre le « ACO » est par le biais du problème du voyageur de commerce, une stratégie que l’on trouve au quotidien comme dans la création des réseaux de linges électriques, d’objets connectés, des réseaux d’ordinateurs, etc. Dans ce problème, on est donné un ensemble de sites (e.g. villes) et les distances entre chacune. Il faut trouver un tour de longueur minimal fermée qui visite chaque ville une seule fois. Un lot d’agents du logiciel (des fourmis artificielles) cherchent à trouver la bonne solution en essayant de trouver le meilleur sentier sur un graphe pondéré. Ce mécanisme repose sur un feedback positif, avec des fourmis qui se déplacent sur un réseau et déposent une phéromone virtuelle. Pour éviter que le réseau renforce le mauvais chemin, un feedback négatif est introduit grâce à l’évaporation de la phéromone. Cette procédure est appliquée d’une façon répétée jusqu’à ce que les critères de fin soient satisfaits.
On trouve des similarités entre l’organisation du trafic sur les pistes chez les fourmis et des piétons humains qui circulent dans une rue spontanément en deux files. Les deux s’engagent dans un comportement simple avec des files unidirectionnelles circulantes en direction opposée sans une vision globale du déplacement.
La biomimétique est un domaine de recherche interdisciplinaire dans lequel l’imitation des modèles, systèmes, et éléments biologiques sont appliqués aux problèmes complexes des humains. Les robots autonomes et mobiles en essaim comme les kilo-bots d’Harvard University ou les s-bots du Laboratoire de Systems Intelligents (LIS) en Suisse, sont simples et robustes, avec un comportement du type stimulus-réponse et un système sensoriel élémentaire. Les robots en essaim s’auto organisent d’une manière adaptée aux environnements dynamiques et complexes.
Dans une expérience avec les s-bots, on les met devant un écart trop grand pour qu’un s-bot puisse traverser. Les s-bots commencent à s’agglomérer jusqu’à créer un pont “vivant” pour combler l’écart. Dans une autre étude, un groupe de chercheurs belges à cherché a répliquer le transport collectif d’une proie chez les fourmis avec une colonie de s-bots. Les s-bots, qui ont la capacité de s’attacher l’un à l’autre, forment une chaîne autour de la proie pour la transporter.
L’intelligence collective des fourmis, et d’autres animales, nous serve comme un outil pour résoudre nos problèmes a la grande échelle. M. Fourcassié continue sa recherche en éthologie et a publié un article scientifique (2019) sur la répartition des tâches entre trois groupes de fourmis et leurs réponses respectives aux signales chimiques (comme les phéromones).
- https://code.ulb.ac.be/dbfiles/NouGroDor-etal2006ias.pdf
- https://fr.wikipedia.org/wiki/Stigmergie
- https://jeb.biologists.org/content/213/14/2357
- https://www.researchgate.net/publication/235490548_Consequence_of_Turning_Movements_in_Pedestrian_Crowds_During_Emergency_Egress
- https://www.eurodecision.eu/algorithms/operations-research-optimization/heuristics-and-meta-heuristics
- https://code.ulb.ac.be/dbfiles/NouGroDor-etal2006ias.pdf
- https://link.springer.com/chapter/10.1007/978-1-4613-1361-8_1http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.52.6342
Stephanie Lenogue 