Université de Reims Champagne-Ardenne
| Centre de Recherche en STIC
+33.(0)3.26.91.33.89
Zahia Guessoum : Maître de Conférences HDR à l'Université de Reims Champagne-Ardenne depuis septembre 1998 et bénéficiaire de la PEDR depuis septembre 2001. Déléguée CNRS au LIP6 de 2002 à 2004.
Ses projets de recherche portent sur les agents et systèmes multi-agents adaptatifs. Ses principales contributions sont dans les domaines des SMA adaptatifs, des SMA tolérants aux fautes, dee la simulation de systèmes complexes et des mécanismes de coordination. Elle est auteurs de plus de 150 papiers dans des journaux et conférences tels que JAMMAS (meilleur journal dans le domaine des SMA), AI in Medicine ou la conférence AAMAS.
Elle a animé pendant 10 ans le thème SMA du GdR I3. Elle était membre du comité consultatif de la communauté SMA de 2009 à 2015 et elle participe aux comités de programme de la majorité des conférences dans le domaine des SMA (AAMAS, JFSMA ….). Elle était présidente de la conférence nationale en 2009 (JFSMA’09) et de plusieurs workshops (ALAMAS’04, MMAS’09…).
Elle a de nombreuses coopérations nationales (Univ. Valenciennes, IFSTTAR…) et internationales (Université de Sao Paulo, Université de Urbana Champagne, Université de Constantine 2, Université de Sousse ….).
Responsable de l'équipe MODECO (IA) du CReSTIC.
Elue à la commission recherche de 2016 à 2020
Membre du CAC de 2016 à 2020
Elue au conseil de l'IUT depuis 2019
Responsable de l'équipe MODECO du CReSTIC
- Meilleur papier aux journées Francophones sur les Systèmes multi-agents : Cédric Buron, Zahia Guessoum, Sylvain Ductor, Olivier Roussel. MoCaNA, un agent de négociation automatique utilisant la recherche arborescente de Monte-Carlo. Vingt-sixièmes Journées Francophones sur les Systèmes Multi-Agents 2018.
- Nomination for Best Paper Award of PRIMA (https://prima2019.di.unito.it/) : Cédric L. R. Buron, Zahia Guessoum, Sylvain Ductor. MCTS-Based Automated Negotiation Agent. PRIMA 2019: 186-201
- Cours Conception et programmation objet avancées, 2ème année, département Informatique, IUT RCC.
- Cours Méthodologie de la production d’applications, 2ème année, département Informatique, IUT RCC.
- Cours Approches agiles, FC, département Informatique, IUT RCC.
- Cours Fusion de données, Master 1 IA, Département MMI, UFR Sciences Exactes et Naturelles
- Cours Inititation à l'IA, Master 1 IA, Département MMI, UFR Sciences Exactes et Naturelles
- Cours Approches bio-inspirées, Master 2 IA, Département MMI, UFR Sciences Exactes et Naturelles
- Cours Systèmes Multi-agents, Master 2 IA, Département MMI, UFR Sciences Exactes et Naturelles
Plusieurs domaines d'application émergents (la biologie, l'intelligence ambiante, l’imagerie médicale…) sont très complexes. Les concepts de base des systèmes multi-agents (proactivité, auto-organisation, adaptation) sont très utiles pour comprendre, expliquer et contrôler ces systèmes complexes. L'objectif principal des nombreux travaux sur les systèmes multi-agents est de proposer des solutions pour modéliser des systèmes hétérogènes, complexes, non linéaires et évolutifs. Ces modèles montrent une intelligence et des capacités qui sont supérieures à celles des agents qui les composent. Elles émergent de la coexistence et de la coopération d’agents plus ou moins autonomes.
Néanmoins, les modèles et les outils multi-agents existants ne satisfont que de manière partielle les besoins des applications émergentes qui sont souvent caractérisées par : un très grand nombre d'agents, des comportements d'agents adaptatifs, des structures organisationnelles dynamiques ainsi que des environnements dynamiques.
La complexité croissante de ces applications impose ainsi l'élaboration de nouveaux modèles et de nouvelles architectures de systèmes ouverts et adaptatifs. Les systèmes complexes ne peuvent pas être contrôlés par un observateur externe ; les phénomènes émergents doivent être détectés par le système lui-même. Le système doit en effet avoir la capacité de s'auto-observer, il doit être autonome. L'auto-observation est un mécanisme très important dont les avantages ont été bien définis par Jacques Pitrat qui souligne "an intelligent system must have the ability to observe its own behavior". Ce mécanisme consiste à faire observer à un système son propre comportement en le dotant d'un méta niveau. Les informations récoltées à ce méta niveau sont utilisées pour améliorer ou expliquer son comportement.
Les travaux que nous proposons de développer s'inscrivent dans les thèmes des systèmes multi-agents adaptatifs. Ils visent :
- à court terme : l'élaboration de modèles et de frameworks pour la modélisation et le contrôle de systèmes complexes,
- à moyen/long terme : l'élaboration de méthodologies pour le développement de systèmes multi-agents adaptatifs.
Ces modèles, ces frameworks et ces méthodologies seront validés sur différents terrains d’expérimentation tels que le traitement d’images, la modélisation des mécanismes du système visuel humain et l’étude de la dynamique des plantes.