Quand les tâches s’entraident : l’algorithme MONET réinvente l’optimisation à grande échelle

Imaginez un chercheur qui doit régler simultanément les paramètres de 5 000 configurations d’un bras robotique, ou de 2 000 pas d’une patte d’hexapode. Chaque tâche est une variation subtile d’un paramètre : un angle, une longueur, une fréquence. Résoudre ces problèmes un par un prendrait des semaines de calcul. C’est exactement le goulot d’étranglement que deux équipes de recherche tentent de briser, et leur solution vient de paraître sur arXiv sous un nom inspirant : MONET, pour Multi-Task Optimization over Networks of Tasks.

Le problème que personne ne voulait vraiment résoudre

L’optimisation multi-tâches, c’est la discipline qui consiste à trouver, en parallèle, la meilleure solution pour un ensemble de problèmes apparentés. Sur le papier, c’est élégant. Dans la pratique, deux écueils dominent. Les méthodes basées sur des populations d’agents — où chaque agent explore un espace — peinent dès que le nombre de tâches dépasse quelques dizaines. Et les algorithmes qui scalent au-delà d’un millier de tâches, principalement des dérivés de MAP-Elites, s’appuient sur un « archivage » figé : une grille discrète qui découpe l’espace des tâches en cases. Cette grille ignore une information précieuse : la manière dont les tâches se ressemblent entre elles, leur voisinage naturel, leur topologie.

Autrement dit, on traitait chaque tâche comme une île isolée, alors qu’elles forment en réalité un continuum. C’est là que MONET opère sa bascule conceptuelle.

Un graphe à la place de la grille

L’idée centrale de MONET est d’une sobriété presque trompeuse : représenter l’espace des tâches comme un graphe. Chaque tâche est un nœud. Les arêtes relient des tâches dont les paramètres sont proches dans l’espace continu. Finie la grille rigide. À la place, un maillage organique qui reflète la véritable géométrie du problème.

Sur ce graphe, deux mécanismes d’apprentissage coopèrent :

• L’apprentissage social : deux nœuds voisins croisent leurs solutions (un « crossover ») pour générer un candidat commun qui hérite du meilleur des deux mondes.
• L’apprentissage individuel : chaque nœud affine sa propre solution par mutation, sans dépendre de ses voisins.

Le résultat est un algorithme qui transfère du savoir d’une tâche à l’autre tout en restant suffisamment local pour ne pas noyer les particularités de chaque problème. Et parce que la représentation en graphe évite l’explosion combinatoire de la grille, MONET reste maniable même en très haute dimension.

Quatre domaines, 17 000 tâches, une démonstration nette

Les auteurs ont évalué MONET sur quatre bancs d’essai classiques de la robotique et de la génétique : un problème de tir à l’arc, la contrôle d’un bras articulé, la stabilisation d’un « cartpole » (un chariot avec une tige à maintenir droite), et la locomotion d’un hexapode. Au total, plus de 17 000 tâches optimisées en parallèle. Sur les quatre domaines, MONET égale ou dépasse les meilleures variantes de MAP-Elites publiées à ce jour, sans surcoût computationnel disproportionné.

Le signal est clair : exploiter la topologie de l’espace des tâches, plutôt que de l’ignorer derrière une discretisation arbitraire, change la donne dès que le nombre de problèmes à résoudre croît.

Et l’Afrique dans cette équation ?

Les applications concrètes de ce type d’algorithme touchent des secteurs où l’Afrique investit massivement en recherche locale. L’optimisation de robots agricoles capables de s’adapter à des dizaines de configurations de sol, de climat et de culture — du millet au café, de la savane au delta — relèvent exactement du paradigme multi-tâches. Un laboratoire à Nairobi ou à Abidjan qui conçoit un prototype de robot de récolte multi-cultures devra régler simultanément des centaines de paramètres mécaniques et sensoriels ; MONET et ses successeurs offrent un cadre pour aborder ce problème sans multiplier les essais unitaires.

Dans le domaine des données, l’optimisation de pipelines d’apprentissage automatique pour des contextes à faible bande passante — un modèle de diagnostic médical déployé sur 5 000 variantes de données régionales (Kivu, Delta du Niger, Rift Valley) — s’inscrit dans la même logique. Chacune des 5 000 tâches est légèrement différente, mais le graphe des tâches permet de transférer les réglages d’une région à l’autre.

Reste que la disponibilité des outils de calcul et l’accès à des jeux de données représentatifs demeurent les freins structurels. L’algorithme, lui, est open source sur arXiv. Le verrou, comme souvent en Afrique francophone, est ailleurs : infrastructure, financement, et écosystème de talent.

Une question qui reste ouverte

MONET ouvre une porte vers une nouvelle manière de penser l’optimisation : non plus comme un problème unitaire répété, mais comme un paysage connecté où chaque sommet éclaire ses voisins. La prochaine étape, pour les auteurs comme pour la communauté, est de pousser l’échelle — des dizaines de milliers de tâches, des graphes dynamiques, des hétérogénéités entre nœuds — et de montrer que ce paradigme graphique surpasse durablement les approches par archive fixe. Pour les équipes africaines qui conçoivent des systèmes robotiques ou des modèles adaptatifs multi-contextes, la lection est immédiate : la géométrie de vos tâches est une ressource, pas un détail d’implémentation. Et la vraie question n’est plus « comment résoudre 5 000 problèmes ? », mais « comment faire en sorte que le 4 999e éclaire le 5 000e ? »

Sources

• arXiv – Multi-Task Optimization over Networks of Tasks