Portrait de Mohammad Hamdaqa

Mohammad Hamdaqa

Membre académique associé
Professeur agrégé, Polytechnique Montréal
Sujets de recherche
Agent basé sur un LLM
Blockchain
Cybersécurité
Graphes de connaissances
IA digne de confiance
IA et durabilité
IA pour l'ingénierie logicielle
Ingénierie pilotée par les modèles
Raisonnement
Sécurité de l'IA
Systèmes distribués
Systèmes multi-agents

Biographie

Mohammad Hamdaqa, ing., Ph. D., est professeur agrégé au Département de génie informatique et génie logiciel de Polytechnique Montréal, où il dirige le laboratoire SæT (Software and Emerging Technologies). Il est également membre académique associé de Mila, chercheur à IVADO, membre de l'Institut multidisciplinaire en cybersécurité et cyberrésilience (IMC2) et cofondateur du Centre de technologies financières de l'Université de Reykjavik.

Inspirées par la devise du laboratoire SæT, « In Software We Trust », ses recherches visent à renforcer la confiance et la fiabilité éprouvée des logiciels et des systèmes intégrant l'IA. Il conjugue abstraction basée sur des modèles, automatisation, analyse de programmes et génie logiciel empirique afin d'améliorer la sécurité, la fiabilité, la sûreté de fonctionnement et la durabilité des logiciels. Au cœur de ses travaux se trouve une vision du génie logiciel guidé par l'intention (intent-driven software engineering), visant à combler le fossé entre l'intention humaine et le comportement effectif du logiciel, tout en démocratisant l'accès aux techniques avancées de développement et d'assurance de la qualité logicielle.

Ses axes de recherche couvrent l'IA digne de confiance, la sécurité de l'IA agentique et les agents auto-adaptatifs, avec des retombées directes dans l'assurance de la qualité du code généré par l'IA, la modélisation et les tests logiciels pilotés par des LLM, l'audit de contrats intelligents (smart contracts), la durabilité logicielle et les systèmes autonomes. Ses travaux ont notamment été primés par le prix du meilleur article aux conférences EASE 2026 et ICST 2026.

Très actif au sein de la communauté internationale de recherche en génie logiciel, Hamdaqa siège au comité directeur de la conférence SANER, dont il a été coprésident général en 2025. Il participe régulièrement aux comités de programme de conférences phares du domaine, telles qu'ICSE, ESEC/FSE, ASE, MSR, MODELS, ICSME et ISSTA. Il est également affilié à la communauté de recherche SEMLA (Software Engineering for Machine Learning Applications) et est membre de l'IEEE Computer Society ainsi que de l'ACM.

Étudiants actuels

Doctorat - Polytechnique
Co-superviseur⋅e :

Publications

Revisiting the Impact of Anti-patterns on Fault-Proneness: A Differentiated Replication
Aurel Ikama
Vincent Du
Philippe Belias
Biruk Asmare Muse
Anti-patterns manifesting on software code through code smells have been investigated in terms of their prevalence, detection, refactoring, … (voir plus)and impact on software quality attributes. In particular, leveraging heuristics to identify fault-fixing commits, Khomh et al. have found that anti-patterns and code smells have an impact on the fault-proneness of a software system. Similarly, Saboury et al. found a relationship between anti-pattern occurrences and fault-proneness, using heuristic to identify fault-fixing commits and fault-inducing changes. However, recent studies question the accuracy of heuristics, and thus the validity of empirical studies that leverage it. Hence, in this work, we would like to investigate to what extent the results of empirical studies using heuristics to identify bug fix commits are affected by the limitations of the heuristics based approach using manually validated bug fix commits as a ground truth. In particular, we conduct a differentiated replication of the work by Khomh et al. We particularly focused on the impact of anti-patterns on fault-proneness as it is the only dependent variable that may be affected by noise in the collected faults data. In our differentiated replication study, (1) we expanded the number of subject systems from 5 to 38, (2) utilized a manually validated dataset of bug-fixing commits from the work of Herbold et al., and (3) answered research questions from Khomh et al., that are related to the relationship between anti-pattern occurrences and fault-proneness. (4) We added an additional research question to investigate if combining results from several heuristic-based approaches could help reduce the impact of noise. Our findings show that the impact of the noise generated by the automatic algorithm heuristic based is negligible for the studied subject systems; meaning that the reported relation observed on noisy data still holds on the clean data. However, we also observed that combining results from several heuristic based approaches do not reduce this noise, quite the contrary.