Cette page dédiée présente l’un des thème / domaine stratégique actuellement en discussion dans le cadre de notre Programme de financement de recherche stratégique. L’ensemble des thèmes / domaines en discussion est indiqué sur la page du programme. Chaque page dédiée (y compris celle-ci) peut être à un niveau de détail et de maturité variable. Pour participer à la discussion sur ce thème ou en proposer de nouveaux, veuillez utiliser ce formulaire. Si vous souhaitez être tenu.e au courant des développements autour de ce thème / domaine, inscrivez-vous ci-dessous.

Artificial Intelligence to represent human behavior in multi-agents systems

Description et justification du domaine

Multi-agents systems consist of decision-making agents interacting in the same environment to achieve their individual or shared goals. This methodology is part of the research in artificial intelligence and has been applied in several different fields.

In some cases, agents represent individuals and therefore mimic their behavior. However, even the most sophisticated agents, those with learning capabilities, provide a very simple representation of human cognitive processes. On the one hand, this allows using agent-based models to solve large-scale problems where even millions of agents are simulated. On the other hand, the intelligence of the agents is problem specific instead of general and this implies lengthy (problem specific too) calibration processes. Additionally, this intelligence is “volatile” as it exists only within a single simulation run. Humans cannot only learn how to behave in a specific situation or solve a specific problem through experience, but can also borrow from other similar problems or situations thanks to a more persistent memory and their capacity of thinking at an abstract level and generalize their knowledge.

Creating an artificial intelligence that would address such limitations and come closer to how human intelligence works, would be a breakthrough in the modeling of human complex systems and would have therefore great strategic value. It would help solve several challenging problems in different fields where the behavior (or behavioral change) of entire populations at the city or regional scale determines the outcome. Examples are easy to find in transportation, energy, climate change, and virus spread research.

Montreal is an ideal place for such research given the worldwide unique abundance of researchers in the field of artificial intelligence. At the same time such research would push the field going beyond purely data-driven intelligence and achieve one that could operate with a higher level of abstraction.

(ajout 22/07) Ce domaine est stratégique pour plusieurs raisons :

  • Ce domaine a pour but de développer et mettre en œuvre des méthodes computationnelles qui permettent de modéliser, d’étudier et de concevoir/améliorer les systèmes complexes sociotechniques.
  • Les systèmes complexes sociotechniques sont virtuellement partout, de la logistique urbaine de biens et de personnes, gestion de la chaîne de valeur, aux systèmes du réseau de santé, aux réseaux sociaux, aux systèmes d’économie circulaire et collaborative, à la logistique du recyclage des produits en fin de vie, aux grilles intelligentes de production et distribution d’énergie, aux systèmes résidentiels consommant de l’énergie, etc. Ces domaines recouvrent ainsi plusieurs des thèmes stratégiques québécois et canadiens.
  • L’intelligence artificielle peut être utilisée soit (1) pour modéliser les comportements humains non triviaux (ex., comportement apprenant, nudges, profils sociodémographiques, préférence/utilité, prise de décision) au sein de simulation multiagent, soit (2) pour analyser les données nécessaires au développement des modèles de simulation multiagents, soit (3) pour analyser les mégadonnées générées lors de ces simulations.
  • Les simulations multiagents, à l’aide de l’intelligence artificielle, permettent d’intégrer des sources diverses de données statistiques, de modèles empiriques et théoriques au sein d’outils permettant de mieux comprendre et prédire les phénomènes émergeant au sein des systèmes complexes sociotechniques, mais aussi d’utiliser ces outils pour prescrire des scénarios ou politiques efficaces de conception/amélioration de ces systèmes.
  • Il existe à Montréal de nombreux experts œuvrant dans les domaines d’applications mentionnés ci-dessus, mais aussi plusieurs experts utilisant les technologies des simulations multiagents (Jean-Marc Frayret (Poly), Francesco Ciari (Poly), Hanane Dagdougi (Poly), entre autres).

Contexte

Mots-clefs : Artificial intelligence, Agent-based simulations, Intelligent agents, complex systems, human behavior, agent-based modeling, spatial aggregation, mobility, human behaviour, urban migration

(ajout 22/07) Domaines d’application :

  • Logistique urbaine de biens et de personnes; supply chain management; logistique de la santé; réseaux sociaux, économie circulaire et collaborative; logistique du recyclage des produits en fin de vie; grilles intelligentes de production et distribution d’énergie; thermique des bâtiments, etc.

Organisations pertinentes :

The research proposed here is fundamental, methodological research, and both the AI part and the ABM part present their challenges. However, it would build upon existing tools already used in the solution of concrete problems. It implies that it would be possible to mount projects with different sorts of partners while improving the methodology.

As mentioned above, the main point is to develop a methodology that helps tackle complex systems problems, in particular those where the human behavior component, and the interaction among the different individuals, are important. For example, human behavior is an important aspect of resource sharing (e.g. car pooling and sharing, transportation platform, resource mutualisation), end of life product sorting and recovery, industrial synergy creation among other things, so there is here an obvious link to the large domains of collaborative economy and circular economy. However, this is even more general than this. All organisations, researchers, companies dealing with such complex systems should be interested (potentially including those dealing with just one component of a system, or the data necessary to set up the models, etc.), which probably includes already the majority of IVADO partners and beyond.

Ultimately, organisations that already now are interested in the possibilities of agent-based models as an instrument to do scenario based analysis of complex systems at a regional scale, should be interested in such further developments of the methodology. In this sense, the lists here below should be taken as examples, mostly issued from the transportation domain, the one of who is writing here. It should be easy to extend the lists with actors of the different categories of other domains where complex human systems are relevant.

Organisations, clusters, academic institutions : CIRRELT, CIRAIG, MILA, Institute de l’Énergie Trottier, all universities associated to IVADO, Canadian Network for Complex Systems

Funding organisms : CRSNG or FRQNT for the fundamental research aspect, but also Prompt or InnovÉÉ for potential applications

Potential partners (institutional, industrial, international): MTQ, Ville de Montréal, Hydro-Québec, SNCF, any car manufacturers, Telus, Bell, several universities world wide (potential for partnership in EU projects), Alan Turing Institute, PRESAGIS, CAE, SYSTRA, ESRI Canada, STM

(Ajout 22/07) Les organismes gouvernementaux, les communautés et les entreprises privés ayant besoin de concevoir des systèmes efficaces en interactions avec un grand nombre d’utilisateurs pourraient être intéressés par ce thème. Par exemple :

  • Communauto est actuellement partenaire au sein d’un projet impliquant la simulation multiagent de l’utilisation de son parc de véhicules;
  • La SAQ est actuellement contactée pour un projet de conception de son réseau de retour de bouteilles consignées;
  • Un projet de modélisation des comportements de consommation d’énergie des occupants d’un bâtiment résidentiel est actuellement en train de se monter avec Hydro-Québec;
  • La Ville de Montréal est actuellement impliquée dans un projet de développement d’un modèle prédictif détaillé de génération de résidus urbains basé sur la simulation multiagent.

Personnes pertinentes suggérées durant la consultation :

Les noms suivants ont été proposés par la communauté et les personnes mentionnées ci-dessous ont accepté d’afficher publiquement leur nom. Notez cependant que tous les noms des professeur.e.s (qu’ils soient affichés publiquement ou non sur notre site web) seront transmis au comité conseil pour l’étape d’identification et de sélection des thèmes stratégiques. Notez également que les personnes identifiées durant l’étape de consultation n’ont pas la garantie de recevoir une partie du financement. Cette étape sert avant tout à présenter un panorama du domaine, incluant les personnes pertinentes et non à monter des équipes pour les programmes-cadres.

  • Francesco Ciari
  • Liliana Perez
  • Jean-Marc Frayret
  • Lijun Sun
  • Raja Sengupta

Programmes-cadres potentiels

(pas de programmes-cadres potentiels pour le moment)

Documentation complémentaire

Ajout 14/07 : By describing the autonomous behavior and properties of discrete agents on micro-scale, complex behavior at the macro-scale can be modeled by multi-agent systems ; I believe that endowing agents with artificial intelligence to represent human behaviour could improve the development of scenario based analysis which are nowadays an strategic tool being used to decision making and city planning.

Intéressé.e? Entrez votre courriel pour recevoir les mises à jour en lien avec cette page :

Historique

13 juillet 2021 : Première version

15 juillet 2021 : Ajout de compléments d’info, mots-clefs, organisations et personnes pertinentes

22 juillet 2021 : Complément d’information aux sections “Description et justification” et “Contexte”