Domaine: Sciences et technologies de l'information et de la communication (STIC)

Transcription

1 Agents Délibératifs pour un Système Autonomique. Application à la négociation, l évaluation et l adaptation d une micro grille intelligente («micro smart grid») Proposé par: JEAN LOUIS DESSALLES Directeur de thèse: ADA DIACONESCU & JEAN LOUIS DESSALLES Unité de recherche: Telecom ParisTech UMR 5141 Laboratoire Traitement et Communication de l'information Domaine: Sciences et technologies de l'information et de la communication (STIC) Secteur: Département Informatique et Réseaux 1. Projet Sommaire La thèse proposée aura comme objectif principal d insérer une couche de raisonnement symbolique (ou délibératif) au sein d un système autonomique (plutôt réactif). Le domaine d application ciblé consiste d une micro grille intelligente («micro smart grid») connectée à plusieurs maisons intelligentes («smart homes»). L objectif à long terme est de rendre ce système capable de s autogérer, tout en permettant à l humain de spécifier ses objectifs de haut niveau et de suivre le comportement du système. Un premier prototype de ce système a été implanté au sein de l équipe d accueil ( you are.com/research.html#mistigrid). Il consiste en une couche logicielle d autogestion capable de gérer les ressources du système, tels que les équipements électriques et les nœuds de la grille. Deux plates formes de test sont également disponibles : une virtuelle permettant la simulation, et une maquette de maison permettant de testes réels. Les défis principaux de la thèse porteront sur le développement de la couche délibérative et sur son intégration aux différentes couches d autogestion. Les principes de base du système délibératif sont circonscrits. Ils reposent sur la procédure CAN (conflit abduction négation) qui modélise le mode d argumentation utilisé dans les conversations spontanées (

2 1.1. Contexte Scientifique L Informatique Autonomique L Informatique Autonomique («Autonomic Computing») se propose de rendre les systèmes informatiques capables de s autogérer, de façon à minimiser le besoin d intervention humaine [1] [6]. Cette initiative a été lancée par IBM au début des années 2000 [1] [3]. L approche est motivée notamment par la complexité croissante des systèmes informatiques modernes ; par leurs coûts de maintenance («total ownership cost») ; et leur importance croissante dans notre société qui en devient dépendante. La complexité des systèmes informatiques provient notamment de la multitude de leurs contraintes fonctionnelles et non fonctionnelles, du nombre important des composants logiciels et matériels mis en jeu, de la haute hétérogénéité et du caractère distribué de ces composants, et des changements fréquents et potentiellement imprévisibles qui interviennent tout au long du cycle de vie du système. Quelques exemples notables de systèmes informatiques complexes incluent les systèmes d entreprise, les plates formes de type «cloud», les grilles de calcul, les systèmes pervasifs et ubiquitaires et les systèmes pour la collecte, la transmission et le traitement massif de données. Le changement dynamique (à l exécution) d un système soulève les défis d administration les plus significatifs, car c est à ce moment là que la sécurité, la sûreté et la disponibilité du système, et indirectement sa rentabilité, sont exposés au risque. La gestion manuelle de tels changements requiert des interventions rapides par des administrateurs experts, impliquant des coûts et des risques importants. Dans ce contexte, l Informatique Autonomique cherche à automatiser la plupart des tâches administratives de façon à éviter les interventions manuelles. Cette automatisation implique des tâches d auto surveillance, auto analyse, auto planification et auto adaptation du système. Ainsi, une boucle de contrôle réactive («feedback control loop») se trouve au cœur de toute architecture de système autonomique. Elle est classiquement constituée de fonctions de surveillance, d analyse, de planification et d exécution [7]. Par ailleurs, le système autonomique a besoins d obtenir et de maintenir une base de connaissances, sur lui même et son environnement d exécution. Ces connaissances sont partagées par les différentes fonctions de la boucle de rétroaction. Dans cette vision, l administrateur humain intervient seulement pour spécifier les objectifs de haut niveau du système («business goals»), qui guideront par la suite les processus d autogestion. Pour spécifier ces objectifs, l administrateur humain peut utiliser des langages spécifiques au domaine plutôt que de devoir traduire en permanence les concepts du domaine dans des concepts techniques de bas niveau, tels que des paramètres de configuration. Les défis que l Informatique Autonomique doit surmonter pour introduire dans les systèmes informatiques des capacités automatisés d analyse, de prise de décision, de planification et de gestion de connaissances sont très similaires à ceux que le domaine de l Intelligence Artificielle [8] cible depuis longtemps. Par ailleurs, des branches spécifiques de l Intelligence Artificielle s intéressent à la mise en place de modèles et d algorithmes permettant l interaction humainmachine par des moyens plus intuitifs, par exemple via des langages proches des langues naturelles. Par conséquent, l Informatique Autonomique peut s inspirer de plusieurs branches de l Intelligence Artificielle pour faciliter sa progression et accélérer sa réussite.

3 D autres domaines de recherche sont à la fois pertinents et à la fois similaires à l Informatique Autonomique : l Informatique Organique [9] («Organic Computing»), l Informatique Amorphe [10] («Amorphous Computing») et les systèmes informatiques auto adaptables. L Intelligence Artificielle Depuis l apparition du domaine de l Intelligence Artificielle [8] dans les années 1950, plusieurs communautés se sont développées au sein de ce domaine ; elles se différencient surtout par leur manière de modéliser et de développer l intelligence. Nous mentionnons ici deux de ces approches que nous considérons comme les plus significatives dans notre contexte. La première approche est basée sur la manipulation logique des symboles appartenant au domaine du problème. Cette approche, dite symbolique, poursuit une approche descendante («top down»), afin d imaginer, de modéliser et de mettre en place un processus capable de résoudre des problèmes d un certain type. Quelques exemples d applications basées sur cette approche incluent les systèmes à base de connaissances, les systèmes capables de jouer à des jeux ou bien d interpréter le langage naturel. Une deuxième approche, dite subsymbolique, utilise des systèmes dynamiques ou statistiques comme les réseaux de neurones artificiels. Elle adopte une approche ascendante («bottom up») pour produire des comportements intelligents. Elle se base sur des éléments relativement simples et essaye de les interconnecter et de les combiner progressivement de façon à obtenir des capacités plus élaborées. Quelques exemples adoptant cette approche incluent la reconnaissance d image, la prise de décision et la classification heuristique et certaines capacités d analyse et de prédiction liées aux langages naturels. Ces deux approches symbolique et subsymbolique sont chacune caractérisées par plusieurs avantages et désavantages spécifiques [10], [11]. Les approches symboliques facilitent une expressivité plus riche, l utilisation des représentations de connaissance complexes, des architectures explicites et des procédures polyvalentes. Ces capacités les rendent plus adaptés pour des raisonnements orientés verts un objectif, pour l analyse causale et pour la gestion des hiérarchies d objectifs. Par ailleurs, la représentation explicite des connaissances et de l architecture du système intelligent permettent la réutilisation, la recombinaison et la modification indépendante des leurs diverses parties, et surtout la production de raisonnements intelligibles pour un utilisateur humain. En revanche, l inconvénient principal des approches symboliques est lié à leur sensibilité vis à vis des données incomplètes ou imprécises. Ceci peut significativement dégrader leur performance. Inversement, les approches subsymboliques peuvent, de façon inhérente, utiliser des données floues, partielles ou bruitées. De ce fait, elles sont mieux adaptées pour traiter des problèmes définis moins précisément et pour prendre en considération des faits faiblement couplés. Ces approches sont souvent conçues via systèmes d apprentissage à base de statistiques, comme les réseaux de neurones. Du fait de la structure souvent rigide de ce type de réseau, il est toutefois difficile, voire impossible, d isoler et de réutiliser une partie du raisonnement ; d exprimer, d extraire et de réutiliser les connaissances acquises ; de résoudre des problèmes complexes par décomposition et intégration de solutions plus simples. Les deux aspects de l Intelligence Artificielle, symbolique et subsymbolique, sont pertinents pour l Informatique Autonomique. Ainsi, tout système autonomique complexe aura intérêt à intégrer

4 plusieurs composants intelligents hétérogènes, capables de gérer différents types de connaissances et de raisonner de différents façons Positionnement du travail Le système autonomique existant Les travaux en cours à Télécom ParisTech dans le domaine de l Informatique Autonomique se concentrent surtout sur la conception de systèmes d autogestion répartis, à large échelle, dynamiques, ouverts et évolutifs. Le cas d étude poursuivi en priorité à présent porte sur une micro grille intelligente («micro smart grid») intégrant des nombreux consommateurs et producteurs au sein d un quartier [13] [16]. Le système autonomique ciblé doit être capable de poursuivre simultanément plusieurs objectifs éventuellement conflictuels (ex : température ambiante et économie en consommation électrique), de s adapter aux changements de son contexte d exécution (ex : refroidissement météorologique ou pic de charge sur la grille), et d intégrer des équipements qui joignent le réseau dynamiquement (ex : l ajout d un radiateur, d une batterie de voiture électrique ou d un panneau solaire). Un premier prototype de ce type de système a été développé, en se concentrant principalement sur l architecture qui doit être adoptée [13], [14]. Le prototype existant utilise l intégration de plusieurs boucles de rétroaction, chacune gérant un certain objectif sur un équipement ou nœud du réseau électrique. Chaque boucle consiste d une suite de fonctions de gestion inter liées, telles que la surveillance (M monitoring), l analyse (A), la planification (P) et l exécution (E) ; avec une base de connaissances partagée (K Knowledge). Ceci correspond à une architecture logique plutôt classique dite MAPE K [3] [6] bien qu en pratique elle peut être plus compliquée [13], [14]. Le prototype repose sur des technologies telles que Java, OSGi ( ipojo ( et Akka middleware ( Les travaux effectués incluent une plate forme de simulation de plusieurs maisons intelligentes liés à une micro grille électrique ( you are.com/research.html#mistigrid). Une maquette de maison a été réalisée afin de calibrer la simulation ( La logique d autogestion développée jusqu à présent pour contrôler et adapter la micro grille est principalement réactive, prenant en compte les changements de contexte, d objectif et de ressources internes pour adapter le système géré. Les fonctionnalités manquantes Une fonctionnalité essentielle d un système autonomique est de pouvoir offrir à l humain, à tout moment, la possibilité d exprimer ses objectifs ; de consulter une évaluation de l état du système par rapport aux objectifs ; et de comprendre le comportement d autogestion et les causes des résultats perçus. Ces interactions doivent être effectuées via un langage de haut niveau, intuitif pour l utilisateur. Les utilisateurs des systèmes autonomiques s attendent à ce que ces systèmes soient capables de prendre en compte des ordres explicites et d expliquer leurs comportements. L utilisateur peut ainsi exprimer ses besoins et ses préférences, d évaluer l «état de santé» du système décisionnel et d intervenir si nécessaire pour corriger les éventuels écarts. Notamment, dans le contexte des

5 systèmes autonomiques ouverts et évolutifs, l évaluation et la validation statique, exhaustive et à long terme du système est très difficile, voire impossible. Ainsi, l administrateur doit être capable de suivre l état et le comportement du système autonomique et de l adapter manuellement au besoin (ex : changement d objectif, mise à jour des connaissances, ou ajout de ressources). Bien entendu, les échelles de temps des réactions humaines et automatiques ne seront pas les mêmes. De même, les échelles de temps de réponse de la partie délibérative et de la partie réactive du système autonomique seront également différentes. Ceci constituera un problème à part à prendre en compte éventuellement. D autre part, rendre le système autonomique observable et compréhensible à l utilisateur permettra à celui ci de suivre l évolution du système et d intervenir si nécessaire. Cette caractéristique donnera à l utilisateur plus de confiance vis à vis du système. Ceci est d autant plus important dans le contexte de la maison intelligente où la confiance de l utilisateur est essentielle pour l adoption du système autonomique. Vue générale du problème La thèse proposée aura comme objectif principal d ajouter une couche de raisonnement symbolique (ou délibératif) au système existant. Cet objectif se révèle essentiel à la fois pour faire la liaison entre l humain et la couche technique du système autonomique (qui implante une logique d autogestion plutôt basique et réactive), et à la fois pour observer et adapter dynamiquement cette couche réactive de façon à assurer la réalisation de ses objectifs. Pour mener à bien ces responsabilités, la nouvelle couche délibérative utilisera une base de connaissances explicites structurée, qui pourra être mise à jour au fur et à mesure, soit via des interventions extérieures (ex : par l humain) ou bien via un processus interne automatique (ex : apprentissage). Cette nouvelle couche délibérative sera partagée entre tous les gestionnaires autonomiques présents dans le système. L interaction et/ou l influence entre les différents agents délibératifs ainsi obtenus constituera un autre aspect intéressant à poursuivre éventuellement. Dans le contexte du système autonomique, le rôle du raisonnement intelligent sera non pas de prendre des décisions pour gérer les ressources du système, mais plutôt d observer, de comprendre et éventuellement d adapter le comportement issu de la logique d autogestion, qui elle, est responsable de changer le système. Par ailleurs, cette couche délibérative sera chargée d argumenter avec l humain de façon à obtenir un ensemble d objectifs le plus cohérent possible avant de les transmettre à la couche d autogestion réactive. Ainsi, la couche de raisonnement représentera une interface entre l humain et la logique d autogestion de base. Ici, le raisonnement délibératif s applique parfaitement, son l objectif étant d amener la machine à analyser et à produire des raisonnements pertinents à l utilisateur. L existant par rapport au rationnement délibératif Afin de répondre à ces préoccupations, le raisonnement symbolique, ou délibératif semble constituer le meilleur choix, car il offre la forme la plus accessible à l introspection. Il a pour caractéristique d être séquentiel, lent, mais également de pouvoir être rendu explicite. Ainsi, la modélisation du raisonnement délibératif représente un enjeu considérable, car il s agit de la seule forme de raisonnement communicable. Elle permettra au système autonomique d argumenter sa prise de

6 décision de façon à l approcher le plus possible de ce que l humain aurait décidé avec la même connaissance et les ressources pour la traiter. Les techniques actuelles de l Intelligence Artificielle pour répondre aux besoins identifiés précédemment reposent pour l essentiel, soit sur des méthodes de planification (pour l aspect raisonnement), soit sur des techniques d appariement («pattern matching») pour l aspect dialogue. Ces techniques, mises ensembles, produisent au mieux des dialogues finalisés (orientés vers des tâches et des objectifs spécifiés à l avance). Cela revient à produire des arguments pertinents du point de vue de la machine. Une telle limitation conduit par exemple les concepteurs de systèmes d aide à se contenter de sélectionner les interventions de la machine dans une liste de messages possibles prévus à l avance. L approche délibérative proposée repose sur la procédure CAN (conflit abduction négation). Un conflit cognitif est constaté dans une situation où des affirmations successives se contredisent, c està dire si une proposition et sa négation se voient attribuer des affirmations de même signe. L abduction est comprise ici comme production de cause. La négation consiste à renverser la perspective de résolution : si la remontée aux causes d un problème (phase diagnostique) se révèle infructueuse, le renversement de perspective consiste à rechercher de possibles causes pour produire la négation du problème (phase créative). Cette procédure Conflit Abduction Négation a déjà donné lieu à une implémentation de type «laboratoire». Ce programme est capable, pourvu qu on lui fournisse une connaissance sous forme symbolique (règles causales), de produire les mêmes arguments que ceux qui sont observés dans des dialogues réels, en utilisant un nombre réduit d étapes. L un des atouts majeurs de la procédure Conflit Abduction Négation est sa plausibilité cognitive. Celle ci est essentielle d une part pour permettre l analyse des arguments de l utilisateur et d autre part pour la production d arguments humainement acceptables, autrement dit pertinents Problématique et Sujet de la thèse Problématique Afin de répondre aux besoins du système autonomique mentionnés auparavant, un des objectifs principaux de la thèse sera de développer un modèle génératif du raisonnement délibératif qui permettra un authentique calcul de chaque élément du raisonnement, de telle manière que chaque étape puisse apparaître comme cognitivement pertinente en regard du contexte. Les éléments théoriques d un tel modèle sont déjà disponibles. Il s agit, dans le cadre de cette thèse, de les améliorer puis de les implanter en situation réelle, dans le contexte spécifique du système autonomique développé à Télécom ParisTech pour contrôler la micro grille électrique. Ainsi, la thèse étendra ce système de façon à pouvoir évaluer et adapter la logique autonomique existante, aussi bien que d offrir une fonction d assistance et d aide contextuelles à l utilisateur. Les progrès récents en matière de reconnaissance vocale sur les terminaux mobiles ouvrent des perspectives intéressantes quant à l interaction de l humain avec les systèmes autonomiques. Ces progrès rendent l absence de capacité de raisonnement délibératif automatique d autant plus flagrante. Cette thèse pourrait contribuer à relancer les recherches dans ce domaine. En vue de ce positionnement général, la thèse se propose à répondre aux questions suivantes :

7 Comment concevoir un raisonnement délibératif capable d utiliser une base de connaissances évolutive? Comment construire et intégrer plusieurs bases de connaissances adaptées à l interaction avec l humain et avec la logique base d autogestion? Comment intégrer le raisonnement délibératif (symbolique) avec un système décisionnel d autogestion réactif (ou subsymbolique)? L objectif ici sera, sur la base d observations et de connaissances, de «comprendre», d adapter et d expliquer à l utilisateur le comportement du gestionnaire réactif. Comment faire la traduction entre le langage et le style de raisonnement spécifiques à l humain et les spécifications formelles nécessaires au style de traitement propre au système technique d autogestion? Comment décliner les préoccupations ci dessus aux différents niveaux du système d autogestion (ex : niveau d autogestion d un seul équipement, d une maison entière ou de toute la grille) et comment intégrer les raisonnements obtenus dans un tout cohérent? Sujet Cette thèse se concentrera sur le développement et l insertion d une couche délibérative au sein d un système autonomique. L objectif principal sera d offrir une interface adaptée entre l humain et la logique d autogestion, et de gérer le comportement de la couche d autogestion. Ceci impliquera la conception d un modèle génératif cognitif associé à un raisonnement délibératif minimal. Ce type de raisonnement pourra opérer sur une base de connaissances non exhaustive et évolutive. Il sera également capable de résoudre les conflits d objectif et de les mettre à jour selon les interactions avec l utilisateur et/ou avec d autres gestionnaires autonomiques. Le champ d application de cette contribution se situera dans le cadre de la micro grille intelligente déjà développé à Télécom ParisTech. L évaluation des travaux s appuiera sur des scénarios réalistes dans ce contexte. Plusieurs scénarios ont déjà été identifiés dans ce sens à Télécom ParisTech [15], [16]; et pourront être étendus selon les besoins de la contribution concrète proposée. En même temps, la contribution fournie devra rester générale et pertinente pour plusieurs autres domaines d application (pas seulement pour la grille intelligente). Le développement de la thèse suivra une approche itérative, incrémentant progressivement les capacités du système délibératif et ainsi du système autonomique global (voir les défis scientifiques ci dessous) Références [1] P. Horn, Autonomic Computing: IBM s Perspective on the State of Information Technology, IBM T.J. Watson Labs, NY, October 2001 ( [2] J. O. Kephart and D. M. Chess, The vision of Autonomic Computing, IEEE Computer, Jan. 2003, pp [3] A. G. Ganek and T. A. Corbi, The dawning of the autonomic computing era, IBM Systems Journal, Vol. 42, No. 1, 2003, pp 5 18 [4] M. G. Hinchey and R. Sterritt, Self managing software, Computer, 39 (2), 2006, pp

8 [5] Philippe Lalanda, Julie A. McCann and Ada Diaconescu, "Autonomic Computing Principles, Design and Implementation", Undergraduate Topics in Computer Science Series, Springer, due: May 31, 2013 (ISBN ), texbook (298 pages) [6] An architectural blueprint for autonomic computing, IBM Whitepaper, June 2005, Third edition [7] M. Parashar and S. Hariri, Autonomic Computing: Concepts, Infrastructure, and Applications, CRC Press, Taylor and Francis Group, 2007 [8] S. Russell and P. Norvig, Artificial Intelligence: A Modern Approach, Prentice Hall, 3rd edition, December 2009, ISBN 10: , ISBN 13: [9] H. Schmeck, C. Müller Schloer, E. Çakar, M. Mnif and U. Richter, Adaptivity and Selforganisation in Organic Computing Systems, (pp. 5 37) in Organic Computing A Paradigm Shift for Complex Systems, C. Müller Schloer, H. Schmeck, T. Ungerer (Editors), Springer Basel AG, 2011, ISBN , e ISBN [10] H. Abelson, D. Allen, D. Coore, C. Hanson, G. Homsy, T. F. Knight, Jr., R. Nagpal, E. Rauch, G. J. Sussman, and R. Weiss, Amorphous computing. Communications of the ACM Vol. 43, Issue 5, May 2000, pp , (DOI= / ), ( [11] T. van Gelder, The dynamical hypothesis in cognitive science, Behavioral and Brain Sciences, 21 (5), 1998, pp ( ) [12] M. Minsky, Logical vs. Analogical, or Symbolic vs. Connectionist, or Neat vs. Scruffy, Artificial Intelligence at MIT, Expanding Frontiers, Patrick H. Winston (Ed.), Vol.1, MIT Press, Reprinted in AI Magazine, 1991, ( [13] Sylvain Frey, Ada Diaconescu, David Menga and Isabelle Demeure, "Towards a reference model for multi goal, highly distributed and dynamic autonomic systems", 10th International Conference on Autonomic Computing (ICAC), Self aware Internet of Things (Self IoT) track, San Jose, Ca, USA, Juin 2013 [14] S. Frey, A. Diaconescu and I. Demeure, "Architectural Integration Patterns for Autonomic Management Systems", 9th IEEE International Conference and Workshops on the Engineering of Autonomic and Autonomous Systems (EASe 2012), Novi Sad, Serbia, April 2012, (10 pages) [15] Sylvain Frey, Francois Huguet, Cedric Mivielle, David Menga, Ada Diaconescu and Isabelle Demeure "Scenarios for an Autonomic Micro Smart Grid", 1st International Conference on Smart Grids and Green IT Systems (Smart Greens2012), Porto, Portugal, April 2012, (4 pages) [16] S. Frey, H. Francois, I. Demeure, A. Diaconescu, D. Menga et C. Mivielle, "Scenarios pour un Micro Smart Grid Autonomique", 7es journees francophones Mobilite et Ubiquite (Ubimob 2011), Toulouse, France, Juin Défis Scientifiques La contribution attendue pourra se décliner selon plusieurs axes, incluant :

9 Spécifier un langage adapté permettant à l humain d interagir avec le système autonomique de façon plus intuitive ; et traduire ce langage vers des concepts techniques manipulés par la couche base d autogestion. Rendre la couche délibérative capable d argumenter auprès de l utilisateur afin de lui indiquer des éventuels incohérences au niveau des objectifs spécifiés ; prendre en compte les actions de l utilisateur ex : la manipulation directe d équipements pour mettre à jour les objectifs spécifiés (à court, moyen ou à long terme). Rendre la couche délibérative capable d offrir à l humain une vision compréhensible de l état du système par rapport aux objectifs, ainsi que de lui expliquer les décisions d autogestion qui ont conduit à cette situation. Etendre la fonctionnalité précédente avec la capacité de suggérer à l humain des actions possibles pour remédier à des situations problématiques et augmenter les chances de réussite du système autonomique. Rendre la couche délibérative capable d observer et d adapter dynamiquement le comportement de la couche base d autogestion. L adaptation peut être déclenchée après une mauvaise évaluation de performance de la logique d autogestion existante, ou bien suite à une erreur de prédiction lors d un changement de contexte. Etendre la fonctionnalité précédente de façon à pouvoir prédire les changements (ex : le comportement de l utilisateur, la fluctuation journalière de la charge sur la grille, ou le comportement d autre gestionnaires autonomiques actifs sur le même réseau) et réagir en amont de façon à résoudre les problèmes avant qu ils aient le temps de se manifester. Etendre le système autonomique de façon à pouvoir prendre en compte des objectifs de nouveaux types, en les comprenant et en mettant en place une couche d autogestion adaptée. Par exemple, en plus des objectifs initiaux pour lesquels le système a été conçu confort et économie de consommation l utilisateur définit dynamiquement un nouvel objectif détection de l intrusion. Dans ce cas, la couche symbolique doit trouver les bonnes ressources d autogestion et les intégrer de façon à répondre à ce nouveau besoin. Une ou plusieurs des problématiques décrites ci dessus pourront être traitées en priorité selon les affinités et les compétences du doctorant (/de la doctorante). 3. Ouverture à l'international Participation à des conférences internationales. Les conférences visées sont celles des communautés de l Intelligence Artificielle et de l Informatique Autonomique comme IJCAI, ECAI, AIA pour l IA et ICAC, SASO, EASE ou SEAMS pour l Autogestion. Opportunités éventuelles de participer à des projets de recherche Européens. 4. Remarques additionnelles La thèse se déroulera dans les locaux du LTCI/INFRES sous la codirection de Ada Diaconescu ( you are.com), spécialiste en Informatique Autonomique, et de Jean

10 Louis Dessalles ( expert en Intelligence Artificielle. Les travaux pourront amener le doctorant/la doctorante à interagir avec plusieurs acteurs industriels tel qu EDF ou Orange Labs. Cette thèse s appuiera sur un système autonomique et une plate forme de test déjà existants au sein de Télécom ParisTech. Ceux ci incluent un simulateur virtuel de maison et grille intelligente ( you are.com/research.html#mistigrid) et une maquette de maison intelligente (