1.6 Gestion des compétences et SMAs
Il existe effectivement des publications et des ouvrages de référence concernant la gestion des compétences via l’utilisation d’agents logiciels dans un SMA. Cependant, dans de nombreuses publications, les compétences sont simplement considérées en tant que comportements implémentés et mis en œuvre par les agents.
Le concept de « skill agent », tel que nous le définissons dans nos travaux, a cependant déjà été proposé dans la littérature : « A Computational Model for a Cooperating Agent System » (Deen, 1999). Dans cette publication, les auteurs proposent un framework opérationnel de gestion distribuée d’hétérarchies de tâches par l’intermédiaire de « skill agents ». Une hétérarchie (Mc Culloch, 1945) de tâches se distingue d’une hiérarchie par le fait qu’elle propose de mettre en avant la coopération entre les membres. Ici, une tâche globale est composée d’une hétérarchie de tâches « élémentaire » ou de plus « bas niveau ». Plutôt que d’enchainer ces dernières de manière statique pour réaliser la tâche globale, l’exécution d’une tâche élémentaire ou d’une autre se fait en fonction des évolutions de l’environnement des agents, i.e. des situations. Ainsi, les liens de précédence entre tâches élémentaires exécutées par les agents se chevauchent et s’entrecroisent. L’ascendance d’une tâche élémentaire par rapport à une autre devient alors moins évidente à déterminer, ce qui confère au système global un certain dynamisme. Synthétiquement, les « skill agents » dont il est question dans cette publication gèrent des tâches mais ne sont pas eux-mêmes des compétences au sens où nous l’entendons dans nos travaux.
Dans l’article « Dynamic Skills Learning : a Support to Agent Evolution » (Routier, 2002), Routier, Mathieu et Secq proposent qu’un agent soit tout d’abord construit sur une base élémentaire appelée « agent atomique ». Un agent atomique possède uniquement 2 compétences : l’une pour dialoguer avec les autres agents, l’autre pour acquérir des compétences. Une fois créé, ce nouvel agent pourra alors jouer des rôles différents au sein du SMA en fonction de l’apprentissage dynamique de compétences qu’il acquiert.
L’acquisition de ces compétences s’effectue de 2 manières, soit par paramétrage au démarrage du système, soit dynamiquement suite à transfert ou délégation de compétence depuis les autres agents. Cette publication met ainsi en avant la capacité des agents à changer de rôle au cours de leur vie, en fonction des compétences acquises. Il s’agit finalement de favoriser l’évolutivité, la réutilisabilité et la modularité des agents tout au long de leur existence dans le SMA. Pour les auteurs, d’un point de vue théorique, une compétence est un ensemble cohérent de capacités pouvant être exploitées par un agent. D’un point de vue implémentation
44
informatique concrète, une compétence est considérée comme un composant logiciel dont l'interface publique (au sens programmation objet du terme) constitue une capacité d'un agent. Cette proposition a été implémentée concrètement dans un SMA spécifique, développé par les auteurs, et appelé MAGIQUE. Ce SMA est basé sur un modèle récursif d’agents où ces derniers sont construits dynamiquement (Mezura, 1999). Dans le schéma proposé figure 5, la vision d’un tel SMA peut être qualifiée de hiérarchique (partie gauche) ou de « Agent constitué récursivement d’agents » (partie droite).
A1 A3 A2 A5 A4 A1 A2 A3 A4 A5
Figure 5 MAGIQUE : un SMA récursif
Dans « Integrating Skills into Multi-Agent Systems » (Holger, 1998), Holger, Rogalla, et Dillmann proposent une représentation encapsulée des compétences des agents au sein d’opérations élémentaires (Elementary Operations ou EOs). Le domaine d’activité professionnelle est celui de la robotique, les agents du SMA étant assimilés à des robots. L’objectif recherché est de rationnaliser l’utilisation des compétences exercées par les agents « robots » et d’en adapter l’utilisation en fonction des évolutions de l’environnement dans lequel ils évoluent. Il s’agit également, via les EOs, d’optimiser la gestion (enchainement, planning, etc.) des compétences des robots pour les aider à atteindre un but donné.
Dans « An Ontology-based approach to Student Skills in Multi-Agent E-Learning systems » (Gladun, 2007), Gladun et Rogushina proposent de construire des ontologies optimales, par domaine de compétence, destinées à améliorer l’efficacité d’un système d’E-Learning (URAN) mis à disposition d’étudiants. Il s’agit finalement d’aider les étudiants à adapter leurs méthodes d’apprentissage en comparant leur propre ontologie avec un « étalon » proposé par un tuteur. Voir figure 6.
45
Figure 6 Architecture d’un SMA de E-Learning
Dans leur article « Distributed planning using a framework for Devolution » (Núñez, 1997), Núñez Suárez, Winstanley, et Griffiths proposent une solution permettant de résoudre les problèmes de planification en se basant sur les technologies multi-agents. Les agents sont capables de traiter des problèmes dans des domaines particuliers et de se fédérer entre eux pour résoudre un problème plus global. Pour ce faire, ils rejoignent des groupes de négociation dans lesquels ils expriment leurs intentions, échangent leurs buts respectifs et conditions de réalisation. Il y a alors comparaison des différentes propositions des agents avec dégagement d’un consensus et constitution d’un planning d’enchainement de ces propositions. L’article introduit un framework de développement, un protocole de communication inter-agents dédié et une méthode d’élaboration d’un planning cible à partir des propositions négociées. La négociation est inspirée des travaux de Jin & Koyama dans « Multiagent
planning through expectation based negotiation » (Jin, 1990). Un agent ne joint le groupe de
négociation que si les échanges dont il est question ont un effet sur ses intérêts et si les pré-conditions permettant l’atteinte de son but sont réunies. Voir figure 7.
46
Figure 7 Vue du réseau de transitions d’un planning négocié