Les ingénieurs développent une IA plus intelligente pour redéfinir le contrôle dans des systèmes complexes
Une nouvelle percée de l'intelligence artificielle développée par des chercheurs du College of Engineering and Computer Science de Florida Atlantic University offre un moyen plus intelligent et plus efficace de gérer des systèmes complexes qui reposent sur plusieurs décideurs opérant à différents niveaux d'autorité.
Ce nouveau cadre, récemment publié dans Transactions IEEE sur les systèmes, l'homme et la cybernétique: systèmespourrait avoir un impact significatif sur l'avenir des réseaux d'énergie intelligents, des réseaux de circulation et des systèmes de véhicules autonomes – des technologies qui deviennent de plus en plus centrales à la vie quotidienne.
Dans de nombreux systèmes du monde réel, les décisions ne se produisent pas simultanément ou également. Une entreprise de services publics peut décider quand réduire l'énergie pendant les heures de pointe, et les ménages doivent ajuster leur consommation d'énergie en réponse. Dans les systèmes de circulation, les contrôleurs centraux dictent des signaux tandis que les véhicules s'adaptent en conséquence.
« Ces types de systèmes fonctionnent sous une hiérarchie de puissance, où un joueur fait le premier pas et que d'autres doivent suivre, et ils sont plus compliqués que les modèles d'IAE typiques », a déclaré Zhen Ni, Ph.D., auteur principal, membre senior de l'IEEE et professeur agrégé au Département de génie électrique et d'informatique.
« Les méthodes d'IA traditionnelles traitent souvent chaque décideur comme égal, fonctionnant en même temps avec le même niveau d'influence. Bien que cela crée des simulations propres, cela ne reflète pas comment les décisions sont réellement prises dans les scénarios du monde réel, en particulier dans des environnements pleins d'incertitude, de bande passante limitée et d'accès inégal à l'information. »
Pour y remédier, NI et Xiangnan Zhong, Ph.D., premier auteur, membre de l'IEEE et professeur agrégé au Département de génie électrique et informatique, ont conçu un nouveau cadre d'IA basé sur l'apprentissage en renforcement, une technique qui permet aux agents intelligents d'apprendre de l'interaction avec leur environnement au fil du temps.
Leur approche ajoute deux innovations clés. Tout d'abord, il structure le processus décisionnel à l'aide d'un modèle de théorie des jeux appelée le jeu Stackelberg-Nash, où un agent « leader » agit d'abord et des agents « suiveur » répondent de manière optimale. Cette hiérarchie reflète de meilleurs systèmes comme la gestion de l'énergie, le transport connecté et la conduite autonome. Deuxièmement, les chercheurs ont introduit un mécanisme déclenché par des événements qui réduit la charge de calcul.
« Au lieu de mettre à jour constamment les décisions à chaque pas, ce qui est typique de nombreux systèmes d'IA, notre méthode met à jour les décisions uniquement lorsque cela est nécessaire, économisant l'énergie et la puissance de traitement tout en maintenant les performances et la stabilité », a déclaré Zhong.
Le résultat est un système qui gère non seulement l'asymétrie de puissance entre les décideurs mais traite également des incertitudes incompatibles – des cas où différents acteurs fonctionnent avec différents niveaux d'information et de prévisibilité. Ceci est particulièrement essentiel dans des environnements tels que les réseaux intelligents ou les systèmes de contrôle du trafic, où les conditions changent rapidement et les ressources sont souvent limitées. Le cadre permet une forme plus robuste, adaptative et évolutive de contrôle d'IA qui peut mieux utiliser la bande passante limitée et les ressources informatiques.
« Ce travail comble un écart crucial dans le paysage actuel de l'IA. En développant une méthode qui reflète les hiérarchies de décision du monde réel et s'adapte à l'information imparfaite, les professeurs Zhong et Ni nous aident à nous rapprocher des systèmes pratiques et intelligents qui peuvent gérer la complexité de notre infrastructure moderne », a déclaré Stella Batalama, Ph.D., Dean of the College of Engineering and Informatique Science.
« Les implications de cette recherche sont de grande envergure. Qu'il s'agisse d'optimiser la consommation d'énergie dans les villes ou de rendre les systèmes autonomes plus fiables, ce type d'innovation est fondamental pour l'avenir de la technologie intelligente. Elle représente un pas en avant non seulement pour la recherche sur l'IA, mais pour les systèmes quotidiens. »
Soutenue par une analyse théorique rigoureuse et validée par des études de simulation, Zhong et Ni ont démontré que leur méthode d'apprentissage en renforcement déclenché par des événements maintient la stabilité du système, assure des résultats de stratégie optimaux et réduit efficacement le calcul inutile. L'approche combine la théorie du contrôle profond avec l'apprentissage automatique, offrant un chemin convaincant pour un contrôle intelligent dans des environnements asymétriques et incertains. Deux articles de revues connexes ont récemment été publiés sur Transactions IEEE sur l'intelligence artificielle aussi.
L'équipe de recherche travaille actuellement à l'élargissement de son modèle pour des tests à plus grande échelle dans des scénarios du monde réel. Leur vision à long terme est d'intégrer ce cadre d'IA dans les systèmes opérationnels qui alimentent les villes, de gérer le trafic et de coordonner les flottes de machines autonomes – en ce qui concerne la promesse d'une infrastructure plus intelligente à une étape de la réalité.
