Intelligence Collective.

Pour fonctionner, l’intelligence collective requiert néanmoins un certain nombre de prérequis :

• Le groupe doit présenter une certaine diversité d’opinions
• Ses membres doivent émettre des jugements indépendants
• Le tout doit être regroupé au sein d’un système d’agrégation objectif afin qu’en ressorte la décision « supercollective »

Si ces conditions préalables venaient à manquer, l’intelligence collective recherchée risquerait de se transformer en conformisme !

Le concept est en réalité très ancien puisque dans l’Antiquité déjà, Aristote évoquait dans son ouvrage « La Politique » que ‘la majorité, dont chaque membre pris à part n’est pas un homme remarquable, est cependant au-dessus des hommes supérieurs’. Diverses formalisations théoriques ont été apportées au fil des années : par Nicolas de Condorcet au 18ème siècle via son « Théorème du Jury » ou plus récemment, par l’américain Scott Page et son « Théorème de la Diversité ». Néanmoins, c’est dans ses applications empiriques que le phénomène d’intelligence collective est généralement le plus frappant.

A titre d’illustration, de nombreuses expériences visant à réaliser des estimations (poids d’un animal ; quantité de confiseries dans un bocal…) ont été menées ces dernières décennies – notamment par le financier Michael Mauboussin ou l’économiste Jack Treynor – et systématiquement, l’appréciation moyenne du groupe surpassait largement l’estimation individuelle.

Des exemples plus récents d’applications de la sagesse des foules existent dans des domaines variés : c’est en effet sur ce concept que repose Wikipédia ou encore l’algorithme de référencement de Google. 

Les débouchés sont donc multiples, de la résolution de problèmes simples (estimation d’une quantité), jusqu’à la racine du fonctionnement de nos démocraties modernes et dans notre cas, la recherche d’un portefeuille optimal.

L’idée de demander un deuxième avis (ou un troisième, ou un quatrième, …) sur des questions importantes semble naturelle. En effet, dans le domaine médical par exemple, il est rassurant d’obtenir plusieurs avis, plusieurs diagnostics. Prenons l’exemple d’un patient qui essaie de choisir entre différentes options de traitement et décide d’aller voir plusieurs experts médicaux. Si tous ces experts sont unanimes sur le diagnostic et le traitement recommandé, le patient sera quasiment assuré d’avoir les bonnes recommandations. 

Il est possible de généraliser ce principe en stipulant que les systèmes « multi-experts » sont plus robustes que les systèmes « mono-expert » à deux niveaux : en termes de résultats donc, mais également à l’échelle de la confiance à l’égard de ce résultat.

Les mathématiques, en particulier les lois de probabilités, fournissent une explication claire à ce principe. La combinaison d’avis d’experts se traduit par des résultats plus justes (moins de biais) et moins variables (moins de bruit).

Pour illustrer ces notions, prenons l’exemple de jeux de fléchettes tels que représentés dans la figure ci-dessous.

Le biais conduit le joueur à tirer d’un côté de la cible tel qu’illustré sur la figure B. Bien que ne visant pas juste, il est possible de savoir où le joueur tirera. Le bruit va entraîner un aléa important, une forte variabilité et les flèches vont ainsi être dispersées sur toute la cible (figure C). Il est impossible de prévoir où le joueur visera. Si un joueur présente un biais et du bruit alors il ne visera pas juste et avec une telle variabilité qu’il sera impossible de prévoir où la flèche arrive (figure D).

L’exemple de la cible peut paraître trivial mais dans tout jugement il y a du biais et du bruit.

Toutefois il est possible de les gommer en agrégeant des jugements provenant de plusieurs experts ayant chacun leurs propres biais. Nous obtenons ainsi des jugements plus justes et plus fiables.