Un système multi-agents pour une place de marché de facture

A multiagent system for an invoice marketplace

• Auteur / Autrice : Cédric Buron
• Direction : Zahia Guessoum, Sylvain Ductor
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 17/05/2018
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Informatique, télécommunications et électronique de Paris (1992-...)
• Partenaire(s) de recherche : Laboratoire : LIP6 (1997-....)
• Jury : Président / Présidente : Vincent Chevrier
• Jury : Examinateurs / Examinatrices : Olivier Roussel, Amal El Fallah Seghrouchni
• Jury : Rapporteurs / Rapporteuses : Maroua Bouzid, René Mandiau

Mots clés

Mots clés contrôlés

Finances

Gestion d'entreprise

Processus gaussiens

Théorie des jeux

Monte-Carlo, Méthode de

Intelligence artificielle répartie

Mots clés libres

Systèmes multi-agents

Négociation automatique

Mechanism design

Monte-Carlo Tree Search

Opponent modeling

Curiosité

Multi-Agent Systems

Automated negotiation

Mechanism design

Monte-Carlo Tree Search

Opponent modeling

Curiosity

Résumé

Dans les entreprises, l’écart entre la date où les entreprises engagent leurs dépenses et la date où elles sont payées entraîne un besoin en fonds de roulement à l’origine de problèmes dont la sévérité va de la perte de contrat au dépôt de bilan. Dans le contexte actuel, le recours à l’emprunt pour éviter ces situations est hélas complexe pour les PME, les banques refusant de prêter lorsqu’elles estiment que le risque est trop important. Une possibilité est alors de recourir au factoring, et de faire financer ses créances. Dans cette thèse, nous proposons une place de marché de factoring intelligente, basée sur des travaux de négociation automatique et de mechanism design: nous proposons d’analyser théoriquement et expérimentalement les problématiques liées aux agents curieux cherchant à inférer les informations privées des autres agents, entraînant des surcoûts de leur point vue comme de celui de la plate-forme. Nous proposons également de concevoir un protocole de négociation qui s’oppose à de tels comportements, donnant aux agents une incitation à ne négocier que lorsqu’ils souhaitent vraiment obtenir un bien. Nous proposons ensuite un agent de négociation automatique. Pour la conception de la stratégie de notre agent, nous proposons d’exploiter les méthodes de Monte Carlo Tree Search, qui ont récemment fait leur preuve dans l’IA pour les jeux. Notre agent est capable d’apprendre de son partenaire bien que ce ne soit pas son objectif premier, afin de trouver un accord qui lui soit favorable. Il s’appuie pour cela sur des technique de modélisation d’adversaire impliquant des méthodes d’apprentissage tels que l’apprentissage bayésien et la régression de processus gaussiens.

For most companies, the time gap between the moment when they begin to spend money and the moment when they receive payment from their customer generates a working capital requirement. The latter may create issues such as contract lost or bankruptcy. In the current context, getting credits from banks may be either costly or even impossible for Small and Medium Enterprises. Indeed, many banks refuse to lend money for small companies or when they estimate that there is a risk. It is then possible to rely on other solutions as factoring and get immediate credit from the invoices. In this thesis, we propose a factoring marketplace based on related to curious agents that try to infer private information from their partners. This kind of behavior is harmful both for the agents and for the platform more generally. We thus propose to design a negotiation protocol resistant to such behavior by endowing the agents with an incentive to negotiate only when they really try to get a good. We then propose an automated negotiation agent which relies on Monte Carlo Tree Search techniques. Those techniques have proved to be quite efficient in AI for games. Our agent is able to learn information from its partner, though it is not its main objective in order to get to a beneficial agreement. For this purpose, it relies on opponent modeling techniques and machine learning such as Bayesian Learning and Gaussian Process Regression.