Agents Réactifs
Un agent réactif est un type d’agent intelligent qui opère en répondant directement à ses perceptions actuelles de l’environnement, sans maintenir une représentation interne complexe du monde ni planifier ses actions à long terme. Ses décisions sont basées sur une cartographie directe entre les stimuli sensoriels et les actions à entreprendre, souvent sous la forme de règles de type « condition-action ».
Le principe fondamental des agents réactifs repose sur la boucle perception-action. L’agent perçoit l’état actuel de son environnement à travers ses capteurs, et cette perception déclenche immédiatement une action via ses effecteurs. Il n’y a pas, ou très peu, de processus de raisonnement interne complexe ou de délibération sur les conséquences futures des actions. Un autre concept clé est l’absence d’état interne mémorisé ou de modèle du monde élaboré. Si un état est maintenu, il est généralement très simple et lié à la perception immédiate ou à des cycles d’actions courts. La connaissance est implicitement codée dans les règles condition-action. La simplicité est un principe essentiel : les agents réactifs sont conçus pour être simples et efficaces, capables de réagir rapidement aux changements environnementaux. Cette simplicité découle de l’idée que l’intelligence peut émerger de l’interaction directe avec un environnement complexe, plutôt que d’une représentation interne détaillée de cet environnement. Le comportement de l’agent est souvent décomposé en un ensemble de comportements plus simples, chacun répondant à un type spécifique de stimulus.
Les agents réactifs revêtent une importance considérable dans le domaine de l’intelligence artificielle et de la robotique, notamment pour les tâches nécessitant une réponse rapide et robuste dans des environnements dynamiques. Leur simplicité de conception et de mise en œuvre les rend attractifs pour de nombreuses applications où des agents plus complexes seraient trop lents ou coûteux à développer. Leur pertinence est particulièrement marquée dans les systèmes où l’environnement est la meilleure source d’information sur lui-même, rendant une modélisation interne redondante ou sujette à erreurs. Ils ont démontré que des comportements complexes peuvent émerger de l’interaction d’un agent simple avec un environnement riche. L’impact des agents réactifs a été de proposer une alternative aux approches cognitives classiques de l’IA, ouvrant la voie à des architectures d’agents plus légères et plus adaptées à certains types de problèmes, notamment en robotique mobile, et influençant le développement de l’IA située et de l’IA comportementale.
Les applications pratiques des agents réactifs sont nombreuses et variées. Un exemple simple est un thermostat : il perçoit la température ambiante (stimulus) et, si elle descend en dessous d’un seuil, active le chauffage (action). Les robots aspirateurs d’entrée de gamme fonctionnent souvent sur des principes réactifs, détectant un obstacle et changeant de direction selon des règles simples comme « si capteur de contact activé, reculer et tourner ». Dans les jeux vidéo, de nombreux personnages non-joueurs (PNJ) de base sont des agents réactifs, un ennemi simple pouvant avoir des règles comme « si joueur visible et à portée, tirer ». Les systèmes de freinage d’urgence automatiques dans les voitures modernes peuvent intégrer des composantes réactives : si un obstacle est détecté très proche et que la collision est imminente, le système freine automatiquement. D’autres exemples incluent les systèmes d’essuie-glaces automatiques ou certains types de drones pour l’évitement d’obstacles basique.
Il existe des nuances dans la définition d’un agent purement réactif. Certains distinguent les « agents réflexes simples » (purement condition-action sans état interne) des « agents réflexes basés sur un modèle » qui peuvent maintenir un état interne minimal pour suivre certains aspects du monde non directement perceptibles à l’instant T. Ces derniers restent fondamentalement réactifs car leur prise de décision est rapide. L’architecture de subsomption, proposée par Rodney Brooks, est une variation influente. Elle structure l’agent en couches de comportements (par exemple, éviter les obstacles, errer), où les couches supérieures peuvent subsumer les sorties des couches inférieures. On trouve aussi des agents hybrides qui combinent des composantes réactives pour les tâches de bas niveau et des composantes délibératives pour la planification de haut niveau.
Plusieurs concepts sont étroitement liés aux agents réactifs. L’agent réflexe est souvent utilisé comme synonyme. L’architecture de subsomption est une implémentation spécifique des principes réactifs. L’IA comportementale met l’accent sur les comportements observables. L’intelligence émergente décrit comment des comportements complexes peuvent naître d’interactions simples. La boucle perception-action est leur mécanisme fondamental. Les termes synonymes ou très proches incluent agent réflexe et agent stimulus-réponse. À l’opposé, on trouve l’agent délibératif, qui possède un modèle du monde et planifie ses actions. L’agent basé sur des objectifs et l’agent basé sur l’utilité sont des formes d’agents délibératifs. L’agent apprenant modifie son comportement avec l’expérience, allant au-delà de la simple réactivité. L’agent cognitif tente de simuler des processus cognitifs humains de haut niveau.
Le concept d’agents réactifs a pris de l’importance dans les années 1980, en réaction aux approches dominantes de l’IA classique (GOFAI), qui se concentraient sur la manipulation de symboles et la planification logique, peu adaptées aux environnements réels dynamiques. Rodney Brooks, avec son article « Elephants Don’t Play Chess » (1990) et l’architecture de subsomption, est une figure clé. Il a soutenu que l’intelligence pouvait être construite « par le bas » (bottom-up), en commençant par des comportements simples liés à la perception et à l’action, sans représentations centrales complexes. Ses robots, comme Genghis, ont démontré la faisabilité de cette approche. Cette perspective a mis l’accent sur l’incarnation (embodiment) et la situation de l’agent dans son environnement. L’évolution a conduit à des systèmes hybrides intégrant des aspects réactifs et délibératifs.
Les agents réactifs présentent plusieurs avantages, notamment une rapidité de réponse, une simplicité de conception, une robustesse face à l’incertitude, un faible coût computationnel et une facilité de parallélisation. Cependant, ils ont aussi des inconvénients : un manque de vision à long terme car leurs actions sont myopes, une difficulté à gérer des situations nécessitant une connaissance explicite ou une mémoire, un comportement potentiellement sous-optimal globalement, et une échelle limitée car la conception d’un grand nombre de règles sans conflits devient complexe. Ils ont également du mal à apprendre de l’expérience de manière sophistiquée. Les défis incluent la conception de l’ensemble des règles pour obtenir le comportement global souhaité et la gestion des conflits entre règles. Leurs limitations principales sont qu’ils ne sont pas adaptés aux problèmes exigeant une compréhension profonde, une planification stratégique ou la manipulation de concepts abstraits.