KMSD non seulement est familière des trois grandes classes de modélisation et simulation :

Représentation et interactions multi-agents,
Mise en équation et modélisation physique et/ou mathématique des systèmes cyberphysiques,
Modèles et apprentissages statistiques sur données massives,...

mais des membres de son réseau d'experts ont été personnellement à l'origine d'avancées de l'état de l'art

Citons:

des outils de haut niveau rendant la modélisation multi-agents accessible à des utilisateurs généralistes [ Pr. Hervé Zwirn, travaux sur des systèmes complexes ]
des modélisations nativement multiphysiques et multiéchelles [ Pr. Jean-Michel Ghidaglia, travaux en mécanique multifluide]
des méthodes originales d'apprentissage statistique non supervisé et de scoring [ Pr. Nicolas Vayatis, applications de recommandations en marketing ou finance]
des algorithmes champions internationaux de traitement d'images [Pr. Jean-Michel Morel]
une contribution collective à la modélisation système via le langage libre Modelica.

  • La modélisation multiagents

    Les agents sont des personnes, des groupes de personnes, des objets, ou des groupes d’objets. Leurs attributs et comportements sont modélisés en regard du contexte:
    – naissance -création / mort -disparition,
    – achat ou vente de ceci ou cela,
    – mouvement ou non,
    – augmentation ou diminution de ceci ou cela,
    – interaction -avec sa description)…

    La simulation du système, tenant compte de l’environnement, fournit directement des résultats et des indicateurs. La méthode est puissante mais son domaine d’application est limité aux systèmes pouvant être ainsi représentés de manière pertinente.

  • La modélisation cyberphysique

    Le système, ou le processus, est décrit par des équations issues de paradigmes mathématiques et /ou physiques (ce qui inclut la chimie, la biologie etc.).

    La résolution directe est le plus souvent hors d’atteinte, et la simulation elle-même un défi. La qualité et la performance de la simulation est un facteur clé de compétitivité, de différenciation concurrentielle, dans les activités industrielles avancées (dynamique multifluide, combustion, biologie…).

    La simulation au niveau système est désormais possible grâce aux langages de haut niveau les plus récents, tel Modelica.

  • L’apprentissage statistique, plus connu sous le vocable de « machine learning »

    Les Machines, c’est à dire des algorithmes, apprennent des données (souvent massives, d’où la dénomination big data), et peuvent ainsi proposer ou prendre des décisions dans le cadre d’un processus. Citons quelques exemples:
    – automobile : identifier les objets fixes comme mobiles de l’environnement pour permettre la conduite assistée,
    – industrie: estimer en temps réel la fiabilité d’équipements et permettre une maintenance prédictive et l’optimisation des opérations de réparation,
    – logistique : prédire toutes les demandes dans une supply chain,
    – industrie 4.0 : optimiser les processus de production ,
    -finance: évaluer les comportements pour mieux manager les risques, dans différents types d’applications.

    Il s’agit in fine de classer des données ou événements dans des catégories, décrites de manière qualitative ou quantitative.
    Si ces catégories sont prédéfinies, l’apprentissage est dit supervisé; si elles ne le sont pas l’apprentissage est dit non supervisé. Lorsque la description des catégories évolue au fil de l’apprentissage, par rétroaction, on parle d’apprentissage à renforcement.

    L’apprentissage non supervisé, aussi qualifié de prédictif, le plus ambitieux au plan scientifique, est perçu comme un facteur majeur des transformations à venir dans de nombreuses activités.