Les Agents comme des interpreteurs Scheme : Specification dynamique par la communication

Agents as Scheme Interpreters: Enabling Dynamic Specification by Communicating

Clement Jonquet

Stefano A. Cerri

LIRMM - Université Montpellier II 161, rue Ada 34392 Montpellier Cedex 5 - France

{cerri, jonquet}@lirmm.fr

Résumé Nous avons proposé dans de précédents papiers une extension et une implémentation du modèle STROBE, qui considère les Agents comme des interpréteurs Scheme. Ces Agents sont capables d’interpréter des messages dans des environnements donnés incluant un interpréteur qui apprend de la conversation et donc qui représente l’évolution de sa connaissance au niveau méta. Quand ces interpréteurs sont non déterministes, le dialogue consiste à raffiner les spécifications d’un problème par des ensembles de contraintes. Ce papier présente un exemple de génération dynamique de service – tels qu’ils sont nécessaires sur le GRID – exploitant des Agents STROBE équipés d’un interpréteur non déterministe. Il montre comment réaliser la spécification dynamique d’un problème. Puis il illustre comment ces principes peuvent être intéressants pour d’autres applications. Les détails de l’implémentation ne sont pas fournis ici mais sont disponibles. Mots Clef Communication Agent, interprétation dynamique de message, évaluation non déterministe, STROBE, spécification dynamique, contraintes, dialogue. Abstract We proposed in previous papers an extension and an implementation of the STROBE model, which regards the Agents as Scheme interpreters. These Agents are able to interpret messages in a dedicated environment including an interpreter that learns from the current conversation therefore representing evolving meta-level Agent knowledge. When the Agent interpreter is a nondeterministic one, the dialogues may consist of subsequent refinements of specifications in the form of constraint sets. The paper presents a worked out example of dynamic service generation – such as necessary on Grid – by exploiting STROBE Agents equipped with a nondeterministic interpreter. It shows how enabling dynamic specification of a problem. Then, it illustrates how these principles could be effective for other applications. Details of the implementation are not provided here, but are available. Keywords Agent communication, message dynamic interpretation, nondeterministic interpretation, STROBE model, ACL, dynamic specification, constraints, dialogue.

1. Introduction La transmission du savoir est quelque chose d’essentiel pour toutes les sociétés humaines c’est elle qui assure l’évolution et l’adaptation des ces sociétés à travers le temps. Nous ne pouvons imaginer où en serait l’homme s’il réapprenait à chaque génération à tailler des silex ou à contrôler le feu. Mais le problème ne se pose pas car les êtres humains possèdent une faculté d’apprentissage et d’adaptation qui n’est ni prévisible ni mesurable. Il n’en est pas de même pour les entités informatiques. En effet, assurer la transmission du savoir, l’apprentissage et l’adaptabilité des sociétés d’Agents est un véritable sujet qui promet encore de longues années de recherche. Nous tentons d’amener, ici, une petite pierre à cet énorme édifice en proposant un modèle d’apprentissage de connaissances basé sur la communication. Notre travail

2 est le résultat de la mise en commun de deux domaines : l’interprétation des langages et la communication Agent. Notre idée est de profiter de l’apprentissage comme effet secondaire de la communication. En effet, le but de l’éducation est de faire changer d’état son interlocuteur. Ce changement se fait après l’évaluation (1er domaine) des nouveaux éléments apportés par la communication (2ème domaine). Nous proposons dans cet article un modèle permettant de réaliser ce changement. Plus précisément, notre travail est basé sur le modèle STROBE [4], qui considère les Agents comme des interpréteurs Scheme. Ces Agents sont capables d’interpréter les messages d’une conversation dans un environnement donné, incluant un interpréteur, dédié à la conversation courante. Nous allons montrer comment, grâce à la communication, les variables stockées dans ces environnements, et en particulier les interpréteurs, peuvent être modifiés dynamiquement. Ainsi, considérant les environnements d’un Agent comme sa connaissance, nous montrerons comment il apprend plus qu’une simple information, en modifiant, sa façon de voir ces informations et en devenant capable d’en intégrer de nouvelles. Nous illustrerons ce que nous appelons apprentissage au méta-niveau par une expérimentation de dialogue de type « professeur-élève ». Nous pensons que considérer les Agents comme des interpréteurs est un point de vue très intéressant et nous montrerons comment cela peut être effectif pour des domaines tels que le Web, le GRID, la génération de servic

…(Full text truncated)…