Ce site Web a été créé par Jean-Paul Bousset (voir à propos). Il décrit quelques méthodes et outils utilisés pour aider la prise de décision dans des situations complexes ou incertaines, afin d'identifier les décisions qui pourraient rendre plus probable ce qui est souhaité par un ou plusieurs acteurs. Certains de ces outils sont des applications de concepts relevant du domaine de l' intelligence artificielle ; voir SIAD CAMAR, SIAD RIPPLE, SIAD SPRITE et ECOFOR, SIAD BASECO (SIAD pour Système d'Aide à la Décision = DSS en Anglais). Ces outils ont été crées et mobilisés dans le cadre du volet "prospective" de projets de recherche financés par l'UE.

Les méthodes et outils varient avec les sources des connaissances mobilisées: les experts, les acteurs, les données socio économiques. 

 

1. Méthodes basées sur les connaissances des experts du domaine. 

 

Une des méthodes utilisées pour guider la prise de décision consiste à demander à des experts ce qui pourrait se produire dans le futur et comment faire pour conforter ou contrecarrer ces perspectives. Le plus souvent, perspectives et suggestions varient selon les experts. Le futur résultant pour partie au moins des actions accomplies par les acteurs socio-économiques, la diversité des points de vue des experts n'est pas surprenante et elle ne constitue pas per se et à priori un inconvénient de la méthode, car elle fournit autant de pistes de discussion. Mais comme les hypothèses et les structures analytiques des experts sont rarement explicites, la discussion et le choix entre les différentes suggestions sont difficiles.

 

Le volet consacré au projet de recherche SEAMLESS décrit les résultats d'une tentative de rationalisation d'un recours à des"experts-parties prenantes d'une question" concernant les politiques agri-environnementales et une réflexion sur l'intérêt et les limites d'une démarche de modélisation-simulation pour évaluer ex-ante l'impact d'une politique agri-environnementale seamless/

 

Le volet  consacré au projet de recherche PRIMA  décrit une méthode d'identification des acteurs qui constituent les principales "parties prenantes" (stakeholders) d'un projet de gestion d'un territoire (Auvergne).

 

Une alternative consiste à demander aux experts d'un domaine d'exprimer, non pas leur vision du futur, mais leurs connaissances quant aux règles qui gouvernent la prise de décision d'acteurs puis à appliquer ces règles de décision face un hypothetique changement de leur environnement. Cette methode a été utilisée dans le projet CAMAR pour construire le système d'aide à la décision SIAD CAMAR -- voir camar-competitiveness-of-agriculture-and-management-/ (Competitiveness of Agriculture and Management of Agricultural Ressources (cf.1,2,3)) qui a permis d'évaluer ex-ante les conséquences possibles de la Politique Agricole Commune (PAC) de 1992 sur les pratiques et les productions de principaux types de fermes d'élevage en Auvergne et Limousin en simulant des processus de décision des agriculteurs face à cette nouvelle politique.

 

2. Méthodes basées sur les perceptions et déclarations des acteurs du domaine. 

 

Une autre alternative consiste à observer le comportement des acteurs face à un choix dans certains contextes, pour en déduire les facteurs explicatifs de leur comportement -- i.e. les règles de décision qui les régissent, puis à appliquer ces règles de comportement face d'hypothétiques évolutions du contexte et/ou de la fréquence des différents types d'acteurs. Le volet consacré au projet FUTURHIST décrit un système d'aide à la décision -- assemblage de programmes informatiques écrits en langage PROLOG et en langage PASCAL -- basé sur une desciption du comportement des acteurs (enquêtes) sous forme de cartes cognitives, qui permet d'évaluer l'efficacité relative des actions des acteurs d'un territoire, et d'identifier  ex-ante des stratégies d'alliance possibles/difficiles entre les acteurs à partir de leurs centres d'intérêt respectifs, ainsi que les résultats de son application en Irelande et en Espagne. 

 

Le volet consacré au projet RIPPLE  décrit une méthode d'analyse et de modélisation les facteurs explicatifs du comportement des acheteurs de produits régionaux en France et en Grèce, modélisation réalisée sous forme de réseaux bayesiens dont ont a induit des règles de décision. Un second document présente les résultats d'une analyse comparative des ces comportements dans six pays de l'UE. Un troisième document présente les résultats d"une évaluation exante les conséquences de certaines stratégies/politiques sur le développement des produits régionaux.

 

Le volet consacré aux projets SPRITE (Supporting and PRomoting Integrated Tourism in Europe`s lagging rural regions) et FILLIEREBOIS ECOFOR (ECOlogie FORestière (cf. 8) et DYNAMIQUE) décrit le modèle de prise de décision qui a permis de simuler des processus de négociations collaboratives entre plusieurs dizaines d'acteurs régionaux en France, en Irlande, en Grèce et en République Tchèque.

 

3. Méthode basée sur l'économétrie 

 

Une autre alternative consiste à utiliser les techniques statisques et econométriques. Une méta-analyse des facteurs de variation du coefficient multiplicateur des activités basiques des territoires (4 ) et la construction du SIAD BASECO réalisée à cet effet constituent un exemple d'application de cette démarche. Voir dans 

http:/educator6.webnode.fr/ensemble/applications/economie-regionale/

 

 

 

Discussion  sur les techniques mises en oeuvre dans ces projets

 

Si on définit l'intelligence artificielle comme un ensemble de théories et de techniques développant des programmes informatiques complexes capables de reproduire (simuler) certains traits de l'intelligence humaine (apprentissage, raisonnement rationel) alors certains assemblages de programmes informatiques développés dans le cadre des projets CAMAR, RIPPLE, BASE ECO, SPRITE, ECOFOR constituent des exemples d'application de quelques concepts d'intelligence artificielle.

Il en est ainsi des programmes informatiques développés en 1992 dans le projet CAMAR (assemblages de programmes écrits en langage PROLOG et PASCAL) -- qui simulent des raisonnements hypothétiques prétés aux agriculteurs des régions Auvergne et Limousin face aux mesures prévues par le nouvelle politique commune (PAC) applicable en 1994, s’inscrivent dans le droit fil des travaux sur les algorithmes de simulation d'une rationalité limitée. Les résultats de ces simulations (scénarios) ont été utilisés avec les collègues des laboratoires impliqués dans les projets de recherche pour informer les acteurs parties prenantes des politiques en question et les aider à en comprendre les conséquences.

 

Il en est encore ainsi dans l'assemblage de programmes informatiques -- développés en langage PROLOG et en langage C -- du projet RIPPLE, lesquels implémentent quant à eux une logique d'apprentissage par construction de réseaux bayésiens, dont a induit des bases de règles de comportement des acheteurs de produits régionaux.

 

Avec la base de règles -- qui lui est donnée par des experts (appelée base de connaissances,) le SIAD CAMAR "connaît " d'emblée les variables et les inter-relations entre variables qui participent à la construction de la solution des problèmes, avant d'avoir été confronté au premier de ceux-ci. Confronté aux problèmes à traiter, grâce à son moteur d'inférences, il déduit des faits nouveaux hypothétiques, i.e.les conséquences possibles de la nouvelle PAC, mais il ne peut en induire aucune connaissance (règle de raisonnement) nouvelle. Autrement dit, le SIAD CAMAR sait tout ce qui lui est nécessaire, mais il n'est pas capable d'apprendre (exemple de système à base d'intelligence innée).

 

Contrairement aux connaissances du SIAD CAMAR, les connaissances utilisées par le SIAD RIPPLE pour expliquer le comportement des consommateurs ne sont pas des connaissances données au système par des experts du domaine, mais des connaissances acquises par le système lui-même à partir de faits observés. En procédant ainsi, le SIAD RIPPLE constitue un exemple d'application des principes de l'intelligence artificielle basée sur un apprentissage supervisé. Les connaissances nécessaires à l'explication du phénomène étudié sont obtenues en calculant les probabilités d'occurrences concomitantes entres les valeurs des variables décrivant une série de cas d'achats connus, afin de créer un réseau bayésien et, in fine, des règles de décision. L'apprentissage est qualifié de supervisé en raison de la définition préalable de listes des variables explicatives potentielles du phénomène--celles dont on dispose pour décrire le phénomène-- et de conjectures concernant les relations entre elles. La qualité du réseau bayésien peut être renforcée au fur et à mesure de l'observation de cas nouveaux.

Et il en est encore ainsi dans le SIAD BASEECO. Comme dans le SIAD RIPPLE, les connaissances du SIAD BASECO sont  le fruit d'un processus d'apprentissage réalisé par le système lui-même à partir de faits observés. Mais dans ce cas, l'explication de la variation de valeur du phénomène etudié (effet de levier des investissements effectués) est issue de l'analyse des caractéristiques des groupes de cas d'application de la méthode de calcul du coefficient multiplicateur -- méta analyse -- qui illustrent le mieux chaque plage de valeur (analyse des ensembles approximatifs rough sets analysis algorithme), et la base de connaissances obtenue est une base de règles de classification (un "classifieur"). Comme dans le SIAD RIPPLE, les connaissances acquises peuvent être exploitées dans une perspective explicative mais aussi prédictive. Et leur qualité peut être évaluée afin d'identifier les situations dans lesquelles elles doivent être renforcées par de nouveaux cas d'étude. 

Les programmes développés dans les projets SPRITE  et FILLIEREBOIS ECOFOR (écrits en langage NETLOGO) qui simulent des raisonnements hypothétiques prétés aux acteurs d'une filière (filière "bois" de la région Livradois dans ECOFOR, filière "tourisme" dans SPRITE) face à d'hypothétiques projets de politique de gestion de leur filière, s'inscrivent dans le cadre des travaux sur  les algorithmes de simulation de négociation et d'apprentissages par renforcement en systèmes multi-agents fr.wikipedia.org/wiki/Syst%C3%A8me_multi-agents. 

A la fin des simulations, les SIAD SPPRITE et ECOFOR réalisent en moins d'une minute l'analyse des résultats des simulations et la redaction en anglais d'un texte d'un douzaine de pages décrivant le compertement des acteurs dans les contextes simulés (policy scenarios).Ce qui confère à ces assemblages de programmes informatiques les caractéristiques d'une intelligence artificielle générative.

Comparés aux procédures d'apprentissage profonds et aux réseaux de neurones artificiels des "Large Langage Models (LLM)" mis en œuvre par OpenAi, DeepSeekAi et MistralA en 2025 (Voir https:://github.com/deepseek-ai/DeepSeek-V3/blob/main/DeepSeek_V3.pdf), ces procédés des années 1990-2000 peuvent paraitre bien archaïques, mais ils en constituent néanmoins des illustrations utiles à la compréhension des bases des approchent "industrielles" d'aujourd'hui.
 

Codes de quelques uns des programmes élaborés et mis en oeuvre dans ces projets

CAMAR  CODE PASCAL  CODE POLICY-IMPACT

FUTURHIS CODE PROLOG 1 CODE PROLOG 2 CODE PASCAL

BASEECO educator6.webnode.fr/ensemble/applications/code-classfier/

RIPPLE    CODE C4.5

SPRITE CODE NETLOGO 1 CODE NETLOGO 2

 

Discussion sur les résultats de ces projets 

Les résultats issus de ces projets procèdent de la déduction dans projets CAMAR, FUTURHIST et SPRITE-ECOFOR, et de l'induction et de l'abductiondans dans les projets RIPPLE et BASEECO.

Dans ces 2 derniers projets, la démarche est en effet la suivante : si on connait  a (niveau du coef multiplicateur, type de produit  acheté) et si on établit que b ⇒ a alors on infère b (ex: valeurs x1,x4 des descripteurs du mode de calcul du coef multiplicateur, des descripteurs des acheteurs de ce type de produit  acheté).

Dans tous les projet l'homomorphie -- degré de ressemblance/ vraisemblance -- entre le modèle et la réalité ne peut être vérifiée, mais elle peut être testée dans un sens "Poppérien" vague : il faut se contenter des correspondances existant entre les "données" et certaines parties du modèle. Or, certaines des composantes du modèle sont des conjectures. La validation empirique du modèle par comparaison des résultats avec la réalité sera toujours difficile puisque le rapport du modèle avec le monde réel n'est pas direct, i.e. il s'agit d'un langage pour parler du monde et non pas d'une collection contrôlée de mesures telle que celle que l'on obtient en économétrie.

Néanmoins, ces simulations montrent qu'en combinant observations et conjectures (théories) on peut mettre en évidence des phénomènes qui ont du sens dans certains contextes spécifiques.

 

N'hesitez pas à faire part de vos remarques par mail à jeanpaulbousset@gmail.com

 

Références 

 

Voir sur //cemadoc.irstea.fr/cemoa/ ou //recherchesisidore.org/search/resources/

 

1.Decision making process and strategic planning process by scenario : an operative model to study the possible futures of cattle and sheep farms in Auvergne and Limousin. Bousset, J.P. (1994)

 

2.Un modèle de planification statégique par scénarios pour réfléchir sur les futurs possibles d'une population d'exploitations agricoles. Bousset, J.P. et al. (1995)

 

3.Farming systems perspectives in Auvergne and Limousin. Bousset, J.P. et al. (1996)

 

Deffuant, G., Huet, S., Bousset, J.-P., Henriot, J., Amon, G. et Weisbuch, G., 2002. "Agent based simulation of organic farming conversion in Allier département", dans Complexity and Ecosystem Management, M.A.Janssen (ed.), Edward Elgar Publishers, pp.158-189.

 

 

4.Apports de l'analyse des ensembles approximatifs à une application de la méta-analyse en économie régionale. Bousset, J.P. et al. (2003)

 

5.SPRITE Supporting and promoting integrated tourism in Europe`s lagging rural regions. Deliverable 19. Decision Support System in Operation in France. Bousset, J.P. et al. (2003)

 

6.Supporting and promoting integrated tourism in Europe`s lagging rural regions. Deliverable 18. Decision Support System for Integrated Tourism. Bousset, J.P. et al. (2003)

 

7.A decision support system for integrated tourism development: rethinking tourism policies and management strategies. Bousset, J.P. et al. (2007)

 

8.Stakeholder reactions to new policies for forest-biodiversity protection. Sciences Eaux & Territoirs N°03-bis. 2014. J.P. Bousset, C. Choquet and M.Bouchaud, C. Macombe .

 

 9.Science–Policy Interfaces in Impact Assessment Procedures. Bäcklund, A.-K., Bousset, J.P., Brogaard, S., Macombe, C., Taverne, M., van Ittersum, M.K., 2010. Science - Policy Interfaces in Impact Assessment Procedures. In Brouwer, F., van Ittersum, M.K. (Eds.) Environmental and agricultural modelling: integrated approaches for policy impact assessment. Springer, Dordrecht, pp 275-294.