Le développement croissant des services numériques et de l’intelligence artificielle repose sur des volumes de données toujours plus importants. Les marchés de données constituent un cadre prometteur pour permettre à des acteurs décentralisés de partager, échanger et exploiter des données, tout en créant des incitations économiques à leur production et à leur partage. Cependant, les systèmes actuels fondés sur les données reposent souvent sur une collecte, des communications, du stockage et des traitements intensifs, soulevant des questions importantes quant à leur empreinte environnementale.
La conception de marchés de données frugaux nécessite donc d’aller au-delà des objectifs classiques d’efficacité et d’utilité individuelle. Les agents doivent pouvoir décider stratégiquement quelles données collecter, partager, acquérir ou traiter, tout en prenant en compte les coûts économiques et environnementaux associés. Ces décisions sont intrinsèquement interdépendantes : la valeur d'une information dépend de ce que les autres agents savent et font, tandis que les décisions individuelles affectent à la fois l’information disponible pour le système et sa consommation globale de ressources.
Cette thèse étudiera ainsi les interactions entre information stratégique, apprentissage, formation des équilibres et frugalité dans des marchés de données décentralisés. En s’appuyant sur la théorie des jeux et l’apprentissage multi-agent, l’objectif sera de développer des modèles et des méthodes permettant de comprendre et de contrôler la manière dont des agents stratégiques apprennent et interagissent sur des marchés de données, ainsi que la manière dont leur comportement collectif peut être orienté vers des équilibres conciliant valeur économique, qualité de l’information et consommation de ressources.
Cette thèse s’inscrit dans le cadre du PEPR NumEco, dédié au développement d’un numérique plus sobre et soutenable.
