Apprentissage par renforcement social pour soutenir la transition agroécologique

L'agriculture connaît aujourd'hui une transition profonde vers des systèmes de production plus durables et plus résilients. L'agroécologie [Gliessman, 2014] constitue une voie prometteuse pour garantir la sécurité alimentaire [Bruinsma, 2017], réduire les impacts environnementaux [Mendenhall et al., 2014] et favoriser l'adaptation au changement climatique [UN-Water, 2009]. Toutefois, malgré son potentiel, l'adoption des pratiques agroécologiques demeure limitée, car elle implique pour les agriculteurs une transformation fondamentale de leurs modes de production : passer de systèmes standardisés et fortement dépendants des intrants à une gestion adaptative d'agroécosystèmes complexes [Ghali et al., 2022 ; Gaba et al., 2020]. Dans ce contexte, comprendre les processus d'apprentissage qui sous-tendent les décisions des agriculteurs est essentiel pour expliquer et accompagner l'adoption de pratiques agroécologiques. Par ailleurs, ces décisions ne reposent pas uniquement sur l'expérience individuelle, mais sont également façonnées par les mécanismes d'apprentissage social [Boyd et al., 2011]. Les agriculteurs observent continuellement leurs pairs, imitent certaines pratiques et échangent des connaissances avant d'adopter de nouvelles stratégies [Ghali et al., 2022 ; Gaba et al., 2020]. Concevoir des politiques publiques capables de tirer parti de ces dynamiques sociales afin d'accélérer la transition agroécologique constitue donc un défi majeur. Les jumeaux numériques fondés sur l'intelligence artificielle offrent un outil puissant pour relever ce défi, en permettant de simuler les processus de décision des agriculteurs et d'évaluer l'impact d'interventions publiques avant leur mise en œuvre. Des travaux récents ont montré que des jumeaux numériques intégrant des agents d'apprentissage par renforcement peuvent efficacement modéliser les décisions séquentielles des agriculteurs et contribuer à la conception de politiques agricoles [Gautron et al., 2022 ; Vinyals et al., 2023]. L'apprentissage par renforcement [Sutton et Barto, 2018] permet à des agents artificiels d'apprendre en interagissant avec leur environnement. Cette approche a connu des succès remarquables dans la reproduction — voire le dépassement — des capacités humaines d'apprentissage dans des tâches complexes de prise de décision [Perolat et al., 2022 ; Schrittwieser et al., 2020]. Cependant, malgré ces avancées, les agents actuels d'apprentissage par renforcement apprennent principalement à partir de leur propre expérience directe et prennent encore peu en compte les mécanismes d'apprentissage social. Afin de répondre à cette limite, cette thèse vise à développer des agents avancés d'apprentissage par renforcement social, capables d'apprendre non seulement à partir de leur propre expérience (expérience directe), mais également à partir de l'observation et de l'interaction avec d'autres agents (expérience sociale). Ces agents constitueront les briques fondamentales de jumeaux numériques d'agriculteurs, permettant de simuler et d'analyser les dynamiques sociales complexes qui sous-tendent l'adoption des pratiques agroécologiques. Les agents d'apprentissage par renforcement social permettront ainsi de mieux comprendre les facteurs sociaux, économiques et environnementaux qui influencent les décisions des agriculteurs, et de produire des connaissances opérationnelles pour soutenir la conception de politiques publiques plus efficaces en faveur de la transition agroécologique. École doctorale : EDMITT - Ecole Doctorale Mathématiques, Informatique et Télécommunications de Toulouse Direction : Meritxell VINYALS Financement : MSCA COFUND BEST