Que sont les agents d'IA ?

Si vous êtes quelqu'un qui trouve l'IA fascinante mais nébuleuse, vous serez intrigué par les agents d'IA. Ces grands modèles de langage (LLM) dans lesquels les entreprises ont investi des milliards ? Ils obtiennent de vrais emplois en tant que cerveaux agissant en arrière-plan des agents d'IA. Et si les chatbots pouvaient comprendre vos politiques RH et avoir des discussions nuancées avec les collaborateurs à leur sujet ? Et si un système de détection des fraudes pouvait agir de manière autonome pour arrêter les mauvaises transactions au fur et à mesure qu'elles se produisent ? Et si vous pouviez donner un objectif à un système d'IA et qu'il ferait de manière autonome ce qu'il fallait pour y parvenir ?

Tous ces cas d'utilisation sont possibles avec les agents d'IA.

Vous pouvez même équiper les agents d'outils (algorithmes, entrées sensorielles, sources de données et même accès à d'autres agents) afin qu'ils puissent effectuer des tâches complexes à leur guise. Pensez à un robot d'entrepôt qui navigue dans les allées pour vérifier l'inventaire en combinant les informations d'une gamme de capteurs, de caméras et de scanners avec son logiciel de contrôle et un système de gestion des stocks ERP.

Ce que l'on appelle « l'IA agentique » se combine comme une opportunité passionnante pour toutes sortes d'organisations en rendant l'IA facile à utiliser et beaucoup plus utile.

Qu’est-ce que l’IA ?

L'IA, ou intelligence artificielle, fait référence à des systèmes informatiques formés à la simulation de l'intelligence humaine. La plupart des systèmes d'IA sont programmés pour apprendre et certains peuvent améliorer leurs performances en fonction des expériences et des nouvelles données, résoudre les problèmes à l'aide d'un large éventail d'entrées et poursuivre leurs objectifs de manière méthodique. Dans les progrès les plus récents, les systèmes d'IA générative peuvent prendre des décisions et lancer des actions de manière indépendante pour atteindre leurs objectifs. La GenAI est utilisée dans des applications aussi variées que les voitures autonomes, les moteurs de recommandation de médias et les outils tels que DALL-E et Midjourney qui créent des images basées sur des invites textuelles.

L'IA d'entreprise fait référence au travail continu d'application de la GenAI et des technologies associées aux workloads de l'entreprise, avec des systèmes augmentés des données de l'entreprise. Pensez au service client, au marketing personnalisé et aux assistants RH et financiers.

Que sont les agents d'IA ?

Les agents d'IA sont des entités logicielles qui peuvent être affectés à des tâches, examiner leur environnement, entreprendre les actions prescrites par leurs rôles et s'adapter en fonction de leurs expériences.

Les utilisateurs donnent aux agents d'IA des objectifs en fonction du rôle de l'agent et des besoins de l'entreprise. Une fois son objectif connu, l'agent peut faire des plans, effectuer des tâches et poursuivre l'objectif en fonction de son entraînement, de l'application dans laquelle il est intégré et de l'environnement plus large dans lequel il opère. Les agents apprennent et itèrent et peuvent assumer des rôles spécifiques, se connecter à des sources de données et prendre des décisions par eux-mêmes. Les agents avancés ont des tâches spécialisées qui peuvent impliquer l'exécution de processus en plusieurs étapes qui nécessitent un jugement, communiquent d'une façon qui imite les interactions humaines et coopèrent souvent avec d'autres agents. La nature modulaire des agents permet des workflows complexes. L'autonomie donnée aux agents est déterminée par les humains qui les invoquent. Tout comme dans l'embauche d'un nouvel assistant, une plus grande autonomie peut être donnée car la compétence est prouvée.

Les agents travaillent en combinant le traitement du langage naturel, les capacités de machine learning, la capacité de collecter des données en interrogeant d'autres outils et systèmes et l'apprentissage continu pour répondre aux questions et effectuer des tâches. Un bon exemple est un agent d'IA du service client. Lorsqu'un client s'enquiert d'une commande et demande « Où se trouve ma commande ?", l'agent répond en vérifiant le système de traitement des commandes, en interrogeant le système de suivi du transporteur via une API et en recueillant des informations sur les conditions météorologiques potentielles ou d'autres facteurs externes qui pourraient retarder la livraison.

Le terme IA agentique désigne des systèmes qui poursuivent activement des objectifs plutôt que d'effectuer une tâche simple ou de répondre à une requête. Les systèmes agentiques peuvent souvent entreprendre des actions, telles qu'une IA de service client envoyant de manière proactive une requête à un transporteur pour poser des questions sur les retards d'expédition.

Une façon de rendre les agents plus utiles est d'intégrer la génération augmentée par récupération, ou RAG, une technique qui permet aux grands modèles de langage d'utiliser des sources de données externes spécifiques à l'organisation ou au rôle d'agent. La RAG permet aux agents de trouver et d'intégrer dans leurs réponses des informations actualisées et pertinentes provenant de bases de données externes, de systèmes d'entreprise tels qu'un ERP ou de documents, ce qui les rend plus informatives, précises et pertinentes pour le public. Par exemple, un agent de support informatique pourrait envisager des interactions passées avec les clients avant de décider de la meilleure façon de résoudre le problème. Il peut inclure dans sa réponse des liens vers de la documentation utile ou décider d'ouvrir un ticket pour le compte du client si le problème doit être traité à un niveau supérieur.

Points à retenir

• Les agents d'IA sont des planificateurs proactifs : ils travaillent à identifier les étapes nécessaires pour atteindre l'objectif souhaité.
• Comme pour toute technologie d'IA, les agents d'IA peuvent offrir des avantages en fonction de leur entraînement et des données sur lesquelles ils peuvent s'appuyer et des limites fixées par les humains pour leur fonctionnement.
• Des objectifs clairement définis, réalisables, mesurables et quantifiables sont essentiels au succès des agents d'IA.
• Les étapes d'implémentation d'un agent sont similaires à tout déploiement d'IA et commencent par définir clairement les paramètres de tâche.

Présentation des agents d'IA

Un agent d'IA est une entité logicielle capable de percevoir son environnement, d'agir et d'apprendre de ses expériences. Considérez-le comme un assistant numérique ou un robot capable d'effectuer des tâches de manière autonome en suivant une direction humaine. Les agents d'IA ont des caractéristiques distinctives, notamment la capacité de fixer des objectifs, de recueillir des informations et d'utiliser une logique pour planifier des étapes pour atteindre leurs objectifs. Parce qu'ils sont étayés par des LLM qui fournissent l'intelligence pour comprendre l'intention derrière les requêtes, les agents d'IA ne dépendent pas de mots-clés, de scripts ou de sémantique préconfigurée. Ils peuvent plutôt s'appuyer sur les données conservées des tâches précédentes, combinées à des invites basées sur les discussions, pour trouver des solutions de manière dynamique.

Les agents d'IA apprennent également par tâtonnements. Le renforcement de l'apprentissage se réfère à un modèle d'IA qui affine son processus de prise de décision en fonction de réponses positives, neutres et négatives. Ils imitent l'ingéniosité humaine et peuvent utiliser des outils, notamment des applications et sources de données cloud et d'entreprise, des API et d'autres agents pour atteindre leurs objectifs. Ils peuvent également utiliser des systèmes supplémentaires basés sur l'IA et le machine learning pour analyser des données complexes, des outils de traitement du langage naturel pour traiter les entrées, RAG pour fournir un contenu à jour et adapté au contexte, et des services cloud pour les ressources de calcul nécessaires à l'exécution de leur travail.

Comment fonctionnent les agents d'IA ?

Les agents d'IA travaillent en combinant des techniques et des technologies, telles que celles que nous venons de souligner, pour atteindre les objectifs qui leur sont assignés. Par exemple, un agent de recommandation peut utiliser le machine learning en exploitant des jeux de données massifs pour identifier des modèles, le traitement du langage naturel pour comprendre les demandes et communiquer avec les utilisateurs, et les interfaces avec des outils d'entreprise, tels qu'un système ERP, une base de données ou des capteurs Internet des objets, ou des sources de données externes, y compris Internet, pour collecter des informations.

Les agents d'IA sont des planificateurs. Ils peuvent identifier les tâches et les étapes nécessaires pour atteindre l'objectif souhaité. Pour notre agent du service à la clientèle, la compréhension de l'emplacement d'une expédition donnée nécessite une série d'actions. Il accéderait d'abord aux bases de données avec des informations sur la commande spécifique, telles que l'ID d'expédition, le mode de livraison et la date de saisie. Ensuite, il utiliserait ces données pour interroger la base de données du transporteur à l'aide d'une interface de services Web afin de fournir un suivi en temps réel et une date de livraison estimée. L'agent pourrait également examiner où se trouve actuellement l'expédition et combien de temps elle a pris dans le passé pour effectuer la prochaine étape de son voyage. Si c'est dans un terminal de fret aérien à Boston et qu'un ouragan monte sur la côte Est, l'agent peut en déduire qu'un retard est probable et transmettre ces informations au client.

Avantages des agents d'IA

Les agents d'IA, comme toute technologie d'IA, peuvent apporter des avantages en fonction de leur entraînement et des données sur lesquelles ils doivent s'appuyer. Une caractéristique qui sépare les agents de leurs prédécesseurs plus statiques est qu'ils peuvent reconnaître quand ils ne disposent pas de suffisamment de données pour prendre une décision de qualité et prendre des mesures pour obtenir plus ou de meilleures données. La formulation d'agents dans les applications est une version hautement appliquée de l'IA. En tant que telles, les organisations constateront que pour réussir avec les agents, les gourous de l'IA ne sont pas aussi nécessaires que ceux qui comprennent les processus métier ou, éventuellement, les experts en qualité des données. Ces spécialistes peuvent aider à définir les objectifs des agents, à définir des paramètres et à évaluer si les objectifs commerciaux sont atteints en appelant le service informatique ou le fournisseur de logiciels uniquement s'ils pensent que l'IA elle-même ne fonctionne pas comme souhaité.

Les avantages spécifiques cités par les premiers adoptants des agents d'IA comprennent

• Disponibilité 24h/24 et 7j/7. Les agents d'IA peuvent fonctionner en continu, sans temps d'arrêt. Lorsqu'ils sont fournis à partir du cloud, les agents peuvent opérer où se trouvent les clients, les collaborateurs ou les autres utilisateurs prévus.
• Précision. Les agents d'IA peuvent réduire les erreurs humaines lors de l'exécution de tâches répétitives et les grandes quantités de données sur lesquelles ils peuvent s'appuyer pour prendre des décisions plus précises et mieux informées. Bien sûr, cela repose sur l'accès à des sources de données précises, à jour et complètes. Contrairement aux outils de GenAI de première génération, les agents peuvent mieux détecter lorsqu'ils ne disposent pas de suffisamment d'informations pour prendre une décision de qualité et rechercher plus de données si nécessaire.
• Cohérence. Les agents d'IA peuvent être amenés à suivre des processus et des procédures prescriptifs, ce qui permet de s'assurer que les tâches soient exécutées de la même manière à chaque fois. Les agents peuvent également minimiser les variations découlant de la fatigue humaine ou des différences dans la façon dont divers employés peuvent exécuter un processus.
• Économies de coûts. Bien que les agents d'IA puissent réduire les coûts opérationnels en automatisant les tâches répétitives une fois effectuées par les humains, ils peuvent également découvrir et suggérer des moyens d'optimiser les processus tout en réduisant les erreurs qui peuvent coûter de l'argent à l'entreprise.
• Analyse de données. Les agents d'IA peuvent traiter et interpréter des jeux de données massifs pour les activités d'analyse, y compris la planification à long terme, la détection des fraudes et la maintenance prédictive pour éviter les pannes d'équipement. Si l'agent ne peut pas analyser les données pour une raison quelconque, il peut appeler d'autres outils pour effectuer le travail.
• Efficacité. Les agents d'IA peuvent automatiser les tâches et les processus, ce qui permet aux collaborateurs humains de se concentrer sur des activités plus complexes et stratégiques. Et ils n'ont pas besoin de prendre des vacances.
• Personnalisation. Grâce aux campagnes marketing basées sur l'IA créées par les agents, les entreprises peuvent cibler efficacement des segments de clientèle spécifiques, ce qui entraîne souvent des taux de conversion plus élevés et des coûts marketing plus faibles. Au niveau macro, la personnalisation est une tendance pour une raison particulière : de nombreux consommateurs apprécient lorsque les entreprises se souviennent et utilisent leurs historiques d'achat, leurs préférences et leurs informations personnelles.
• Évolutivité. Bien que l'augmentation de l'utilisation des agents d'IA puisse prendre du temps, elle peut être plus facile et moins coûteuse que l'ajout de nouvelles ressources humaines. Développer le rôle des agents à un rythme délibéré, en évaluant la qualité du travail avec chaque nouvelle tâche qui leur est confiée. Examinez les données et autres ressources disponibles pour un agent et déterminez si elles sont suffisantes pour atteindre un nouvel objectif. Et n'oubliez pas la formation : les collaborateurs doivent être formés sur la façon de tirer le meilleur parti des agents qu'ils utiliseront.

Défis des agents d'IA

Les agents d'IA peuvent être difficiles à développer et à mettre en production, principalement parce qu'ils s'appuient sur des modèles complexes, une infrastructure de calcul puissante et de grandes quantités de données qui doivent être organisées et mises à jour. De plus, la supervision des talents informatiques est nécessaire pour confirmer que les agents peuvent interagir efficacement avec les humains et s'adapter à des situations inattendues. Les experts commerciaux et en données doivent aider à la configuration. Assurez-vous d'avoir une expertise dans le traitement du langage naturel et le machine learning et surveillez ces problèmes.

• Adaptabilité. Bien que les agents soient conçus pour apprendre et s'améliorer au fil du temps, ils sont confrontés à des défis lorsqu'ils sont exposés à un environnement en évolution rapide ou à des demandes ou des résultats inattendus. Un des principaux responsables est la suradaptation, un défi d'entraînement commun à l'IA où les modèles deviennent trop adaptés aux données sur lesquelles ils ont été formés, ce qui rend difficile l'intégration de nouvelles données. Les agents sont donc limités dans leur champ d'application. Ne jamais demander à un neurochirurgien de faire de la plomberie s'applique également aux agents.
• La complexité. Alors que les agents d'IA qui se concentrent sur des tâches spécifiques et assez complexes peuvent être relativement simples à utiliser car les tâches affectées deviennent plus sophistiquées et exigent un large éventail de fonctions, les agents peuvent devenir difficiles à concevoir, à implémenter et à maintenir. Comme pour toute nouvelle entreprise, il est préférable d'adopter des agents avec de petites étapes progressives.
• La dépendance aux données. Comme toute IA, les agents ont besoin de données de haute qualité pour bien fonctionner. Les agents d'IA qui sont intégrés à d'autres systèmes tels que la gestion du capital humain ou l'ERP ont un avantage car ces systèmes accumulent intrinsèquement des données de haute qualité mais ils peuvent avoir besoin d'être réglés pour gérer les interactions et l'échange de données. Les entreprises doivent s'assurer que les sources de données que les agents utilisent soient exactes, opportunes et disponibles.
• Interprétation. Les systèmes de GenAI de première génération fonctionnaient comme des « boîtes noires », ce qui rendait leur sortie difficile à analyser. Les agents sont conçus pour mieux expliquer comment les décisions sont prises et quelles données ont été prises en compte dans la prise de décision. Commencer par des tâches simples et passer à des tâches plus complexes uniquement lorsque les bases ont été maîtrisées peut aider les professionnels à comprendre comment l'agent fait son travail. De plus, lorsque les agents se trompent, ils peuvent tirer des leçons des corrections apportées par les experts commerciaux. Ces interactions contribuent à une meilleure compréhension de la façon dont ils font leur travail.
• Opérations gourmandes en ressources. Comme toute IA, les agents exigent une puissance de calcul et un stockage importants. Lorsque les agents font partie d'applications fournies à partir du cloud, c'est au fournisseur d'apporter les systèmes de ressources appropriés et des performances adéquates. Les applications on-premises auront besoin du service informatique pour garantir des ressources suffisantes.
• Risques pour la sécurité. Pour fournir le service dont les professionnels ont besoin, les agents doivent accéder aux informations appartenant à l'entreprise. De plus, comme les agents peuvent se souvenir au moins des résultats des transactions, il est important de s'assurer que les agents ne fournissent pas un accès indésirable aux données sensibles. Étant donné que la plupart des agents seront fournis dans les applications métier, il est important d'établir et de maintenir des contrôles pour éviter qu'ils ne divulguent des données propriétaires. Néanmoins, les agents représentent une nouvelle voie d'attaque pour les individus malveillants et un nouvel ensemble de compétences pour les équipes de sécurité d'entreprise qui doivent évaluer en permanence si la perte de données est possible.

Composants des agents d'IA

Les agents d'IA dépendent d'une gamme d'entrées pour effectuer leur travail avec la combinaison spécifique en fonction du type d'agent et du cas d'utilisation. Un agent du support client discutera avec les clients, consultera leur historique d'achat et de support et accédera aux bibliothèques de support pour répondre à leurs questions. Certains agents interagissent uniquement avec d'autres agents. Un agent de requêtes de bases de données peut créer des requêtes SQL pour extraire les informations demandées par d'autres agents. Les agents qui fonctionnent en tant qu'assistants virtuels mesurent le succès en fonction de la façon dont ils accomplissent les tâches, souvent en fonction des retours humains. Tous nécessitent un mélange unique de composants.

• Action. Les actionneurs ou les interfaces permettent aux agents d'interagir avec leurs environnements. Les actions peuvent être physiques, telles que tourner un bouton, piloter un véhicule autonome ou contrôler un bras robotique ; cognitif, comme par exemple décider entre plusieurs options pour un gambit d'ouverture ou créer une liste d'options possibles pour réaliser un échet et mat ; ou communicatif, comme par exemple la rédaction d'un e-mail, la transcription audio, ou la pose et réponse à des questions.
• Objectifs/utilité. Les objectifs et l'utilité sont liés. Les objectifs définissent le résultat souhaité pour l'agent, tel qu'un assistant RH qui élabore avec succès une description de poste avec la contribution d'un recruteur et d'un responsable du recrutement. L'utilité mesure comment l'agent atteint ses objectifs et peut être représenté par une valeur numérique. Un agent de jeu mesurera l'utilité par les matchs gagnés, tandis que l'utilité d'un véhicule autonome est largement basée sur son record de sécurité et les scores des pilotes.
• Formation. Les agents d'IA peuvent améliorer leurs résultats en intégrant les leçons tirées des tâches accomplies. L'apprentissage d'un LLM s'arrête lorsque son entraînement prend fin mais en observant quelles combinaisons de données propriétaires et de questions produisent les meilleurs résultats, un agent peut devenir meilleur dans les tâches au fil du temps. Les agents peuvent également acquérir de nouvelles connaissances grâce à un entraînement supplémentaire, qu'il soit supervisé, non supervisé ou par renforcement. Le recruteur peut noter l'agent sur la description de poste qu'il a produite, en ajoutant à son score d'utilité. L'agent utilise ensuite ces données pour guider la rédaction future.
• Mémoire. Il s'agit de la capacité de l'agent à stocker des informations provenant d'expériences passées et à les récupérer et à les utiliser pour prendre des décisions plus éclairées et s'adapter à l'évolution des circonstances. La mémoire est essentielle pour que les agents d'IA améliorent leurs performances au fil du temps.
• Perception. Les agents d'IA peuvent utiliser des capteurs ou d'autres mécanismes pour collecter et percevoir des informations issues de leurs environnements. Pensez à une caméra pour reconnaître les objets et détecter des motifs ou un microphone pour capturer et traiter les requêtes parlées. Les agents peuvent également utiliser des capteurs pour manipuler des objets ou naviguer dans leurs propres positions dans le monde physique.
• Raisonnement. La prise de décision logique basée sur les données, les règles, les probabilités et les modèles appris est fondamentale pour un agent d'IA. Le raisonnement est ce qui permet à un agent d'identifier plusieurs options différentes et de décider du plan d'action optimal en fonction des informations disponibles et des critères de résultats.

Types d'agent d'IA

1. Agents à réflexes simples. Ces agents fonctionnent sur la base d'un ensemble de règles de conditions/actions et réagissent aux informations entrantes sans tenir compte du contexte ou de l'historique plus large. Il s'agit par exemple d'un chatbot de base programmé pour répondre à des mots-clés ou des expressions prédéfinis sans comprendre le contexte ni engager de longue conversation.
2. Agents à réflexes basés sur un modèle. Ces agents ont des modèles internes de l'environnement pertinents pour leurs fonctions, leur permettant de prendre en compte la situation actuelle et les effets de diverses actions avant de décider quoi faire. Les voitures autonomes en sont un bon exemple. Leur « monde » est le chemin immédiat qui les entoure. Elles doivent suivre les mouvements de ce qui les entoure et prendre des décisions sur la vitesse à laquelle elles peuvent rouler ou si elles doivent freiner ou éviter les objets qui se déplacent vers elles.
3. Agents basés sur des objectifs. Ces agents s'appuient sur les capacités des agents réflexes en considérant les objectifs à long terme et en planifiant leurs actions en conséquence. Ils ont un processus décisionnel plus sophistiqué que les agents réflexes. Par exemple, un agent d'échecs ou de go doit regarder plusieurs mouvements à venir et avoir une stratégie pour gagner, ce qui peut supposer faire des sacrifices à court terme.
4. Agents basés sur l'utilité. Ces agents prennent des décisions en fonction de l'optimisation de l'utilité souhaitée, c'est-à-dire de la façon dont l'agent d'IA atteint ses objectifs avec le temps. Cela signifie qu'ils choisissent des actions plus stratégiques, en sélectionnant celles qui sont les plus susceptibles d'aboutir à des résultats positifs ou en minimisant les actions négatives à long terme. Ils visent à maximiser la satisfaction ou les avantages même lorsqu'ils sont confrontés à des objectifs concurrents en trouvant un équilibre. Lorsqu'un agent basé sur des objectifs peut chercher à gagner un jeu, un agent basé sur des services publics tentera d'optimiser en permanence pour un objectif continu, comme minimiser la consommation d'énergie ou maximiser les ventes d'un produit à marge élevée.
5. Agents d'entraînement. Ces agents améliorent leurs performances au fil du temps en ingérant de nouvelles données et en affinant leurs réponses en fonction des interactions avec les utilisateurs. Les moteurs de recommandations sont des agents d'apprentissage. La précision s'améliore avec le temps, que l'agent suggère des films et des émissions de télévision, de la musique ou des articles qu'un consommateur souhaite acheter.

Cas d'utilisation de l'agent d'IA

Les cas d'utilisation d'agents d'IA idéaux ont généralement des données et d'autres systèmes associés, tels qu'un CRM ou un ERP, sur lesquels les agents d'IA s'appuient. Ils sont également axés sur les tâches telles que répondre à la question d'un client ou conduire un passager du point A au point B. Recherchez des emplois qui tirent parti de la capacité des agents à améliorer leurs performances au fil du temps et à prendre des décisions en fonction de leur compréhension de leur environnement et des objectifs qui leur sont affectés.

Les cas d'utilisation courants incluent

• Véhicules autonomes. Les voitures autonomes naviguent et prennent des décisions en fonction de leur environnement.
• Recommandations de contenus. Les suggestions sur des plateformes comme Netflix ou YouTube peuvent augmenter l'engagement grâce à un contenu personnalisé.
• Service client. Les chatbots automatisés pour répondre aux demandes des clients qui peuvent aller au-delà des réponses préformées sont essentiels à la satisfaction des clients.
• Service financier. Les agents utilisés par les entreprises de services financiers comprennent des systèmes de négociation automatisés et la détection des fraudes.
• Jeux. Il existe par exemple des agents qui agissent en tant que PNJ, ou personnages non joueurs, avec un comportement adaptatif qui peut aider les développeurs de jeux vidéo à se concentrer davantage sur les intrigues principales.
• Santé. Les agents d'IA qui aident à diagnostiquer certaines conditions médicales ou à gérer les soins aux patients sont formés avec des dossiers de patients (généralement anonymisés) et des images médicales qui leur apprennent à identifier des modèles afin qu'ils puissent prédire les résultats et les facteurs de risques et suggérer des pistes d'actions possibles.
• Assistance personnalisée. Les assistants virtuels, tels que Siri ou Google Assistant, sont des exemples d'agents qui apprennent via les interactions avec les clients.
• Retail. Les options dans le commerce de détail sont presque infinies. Comme exemple, Neostar offre une plateforme pour l'achat, la vente et l'entretien de voitures d'occasion. Elle utilise un agent pour alimenter les communications personnalisées avec les clients en partageant des listes de produits recommandées pour mettre en évidence les suggestions de véhicules dans les messages électroniques qui réengagent les clients et les redirigent vers le site Web de Neostar.
• Robotique. Les robots pilotés par l'IA peuvent être contrôlés par des agents qui perçoivent leurs environnements, prennent des décisions et des mesures. Les robots utilisés dans les lignes de fabrication et d'assemblage, par exemple, s'appuient souvent sur des agents d'IA pour effectuer des tâches telles que le prélèvement, l'emballage et le contrôle de la qualité.
• Répertoires de base intelligents. La gestion des systèmes domotiques et la réponse aux questions verbales sont des tâches courantes pour les agents, tout comme l'alimentation des caméras de sécurité, des sonnettes et des alarmes qui utilisent l'IA pour détecter et répondre aux menaces potentielles.
• la gestion de la supply chain ;. L'optimisation de la logistique peut inclure l'utilisation d'agents pour analyser les données de stocks afin d'identifier les articles qui se vendent lentement, de détecter les changements dans les modèles de demande et d'ajuster les niveaux de stock en conséquence, ce qui peut réduire les coûts de maintien.

6 bonnes pratiques pour les agents d'IA

Comme pour tout investissement technologique, vous souhaitez que vos agents d'IA fournissent de manière rentable les fonctionnalités souhaitées, maintenant et à l'avenir. Pour les agents intégrés dans les applications, les bonnes pratiques sont similaires à celles que vous utilisiez pour un nouvel employé, telles que la surveillance attentive des premiers résultats et l'augmentation de la complexité du travail au fur et à mesure que le collaborateur progresse avec les tâches affectées.

Pour les organisations qui cherchent à créer leurs propres agents adaptés à leurs besoins uniques, le processus est plus impliqué. Examinez ces six exigences et recommandations pour y répondre.

1. Établir des objectifs clairs. Des objectifs clairement définis, réalisables, mesurables et quantifiés sont essentiels pour les agents d'IA. Comme pour un employé humain, si l'agent ne comprend pas les attentes, il est peu probable qu'il y réponde. Les clés du succès comprennent le maintien d'objectifs bien définis et spécifiques. Évitez les objectifs vagues ou ambigus et visez plutôt des objectifs réalisables compte tenu des capacités et des ressources de l'agent d'IA. Définissez des KPI pour mesurer la réussite et utilisez ces données pour améliorer le modèle.
2. Formation continue. Affiner en permanence un LLM au cœur d'un agent n'est pas pratique, mais affiner les données qu'il utilise pour prendre des décisions et effectuer des tâches l'est. Pour les agents intégrés dans les applications, il appartiendra à un fournisseur de décider quand il sera temps d'affiner l'entraînement des LLM qui alimentent leurs systèmes. Il appartiendra également au fournisseur d'affiner la façon dont les interactions avec l'agent sont stockées et rappelées pour faciliter la mémoire de l'agent du travail passé.
   
   Dans les agents sur mesure, l'affinage des techniques de mémoire et des données et autres entrées fournies peut se produire plus fréquemment que l'affinage des LLM eux-mêmes. Pour ceux qui construisent leurs propres agents, ces processus devront être élaborés avant que l'agent soit prêt à l'emploi et probablement modifié pour optimiser le fonctionnement de l'agent.
3. Documentation. La documentation est essentielle pour comprendre, maintenir et améliorer les agents d'IA. Il existe au moins deux principaux types de documentation à prendre en compte :
   • Les documents techniques peuvent inclure des diagrammes des composants, du flux de données et des processus de prise de décision de l'agent d'IA, ainsi que des enregistrements de tout nouveau code requis pour les fonctionnalités de l'agent d'IA, des algorithmes et des modèles utilisés et des données permettant d'exploiter l'agent d'IA.
   • La documentation opérationnelle comprend des manuels destinés aux utilisateurs sur la façon d'interagir avec l'agent d'IA, des directives destinées au service informatique pour la maintenance de l'agent d'IA, y compris le dépannage, et des instructions relatives à l'intégration des agents aux sources de données dont ils ont besoin pour fonctionner.
   En outre, suivez et partagez les KPI que vous utilisez pour mesurer les performances de l'agent d'IA et représenter graphiquement les résultats au fil du temps.
4. Surveillance humaine. Tout comme un nouvel employé, les agents auront besoin de temps pour en apprendre davantage sur votre organisation et ses pratiques. Vous aurez également envie d'aller lentement en ce qui concerne l'attribution de tâches aux agents et la surveillance des résultats. Assurez une supervision étendue jusqu'à ce que les membres de l'équipe soient convaincus que l'agent peut travailler de manière autonome. Assignez des rôles de supervision à des individus ou des équipes, opérant sous une structure de gouvernance, et assurez-vous que la personne humaine dans le système permette une intervention et que l'agent intègre et priorise les commentaires humains.
5. Tests fiables. Examinez attentivement l'agent dans divers scénarios, avant et après son déploiement, et concentrez-vous sur les tests de validation pour évaluer ses performances par rapport aux tests de performance ou aux résultats de processus réels. Testez tous les composants de l'agent individuellement, puis regardez comment ils interagissent, dans la mesure du possible. Assurez-vous également que l'agent extraie des données de systèmes externes pertinents, tels qu'un ERP ou une base de données, sans goulets d'étranglement. Enfin, faites des tests UX avec les utilisateurs réels du système.
6. Mesures de sécurité. Protégez l'agent contre les accès non autorisés et les attaques en chiffrant et, le cas échéant, en anonymisant les données utilisées par l'agent. Des contrôles d'accès robustes sont également essentiels. La sécurité de votre réseau et de votre infrastructure, le codage sécurisé, la surveillance et la réponse aux incidents, ainsi que les pratiques d'assurance doivent s'étendre à vos systèmes d'IA.

Implémentation des agents d'IA

Les étapes d'implémentation d'un agent sont similaires à tout déploiement d'IA. Tout d'abord, vous allez définir ce que vous voulez que l'agent fasse en étant aussi précis que possible en définissant les buts et les objectifs. Ensuite, identifiez le processus fonctionnel que l'agent suivra, les données auxquelles il aura besoin d'accéder, les experts commerciaux concernés, ainsi que les outils et autres agents auxquels il peut accéder dans le cadre de son travail.

Il est souvent préférable de commencer par affecter un petit groupe de beta testeurs, de surveiller étroitement l'utilisation et les résultats, de régler l'agent en fonction des résultats et d'augmenter l'autonomie en fonction de la réussite avérée. Le cas échéant, vous pouvez modéliser le processus lors du provisionnement d'un nouvel employé. Prenons l'exemple d'un agent de prévision de la demande en ligne pour aider un détaillant à planifier la rentrée scolaire.

1. Avoir une description de poste définie. L'agent d'IA devrait prévoir la demande de produits, notamment les sacs à dos, les ordinateurs portables et les vêtements pour enfants.
2. Décidez quelles données sont requises. Organisez les sources de données pour assurer la réussite de votre agent. Le prévisionniste de la demande aura besoin, au minimum, de chiffres des ventes antérieures pour les prévisions sur les produits, d'informations sur les tendances actuelles du marché et les indicateurs économiques, et des données démographiques des clients ainsi que de l'historique de leurs achats. L'ajout de données sur les modèles saisonniers susceptibles d'affecter la demande, comme les températures attendues supérieures à la normale et de détails historiques sur les promotions, les remises et les activités marketing réussies est susceptible d'aider à augmenter la précision.
3. Présentation des assistants. L'intégration de l'agent d'IA à d'autres systèmes, tels que la gestion des stocks, vos outils ERP et de planification de la supply chain, contribuera à améliorer son efficacité. Vous voudrez également identifier des experts humains dans les lignes de produits pertinentes qui peuvent fournir des informations précieuses et aider l'agent d'IA à faire des prévisions plus précises.
4. Fournir des commentaires. L'évaluation et l'ajustement réguliers sont un investissement de temps initial qui s'avère souvent utile. Rassemblez les commentaires des clients et de vos experts pour identifier les points à améliorer et collaborez avec le fournisseur de logiciels pour vous adapter si nécessaire.

Note : Vous devriez avoir suffisamment de ressources informatiques pour gérer l'agent d'IA. Des performances médiocres anéantiront l'enthousiasme avant que le projet ne décolle.

Exemples d'agent d'IA

Ce ne sont là que quelques-uns des agents d'IA actuellement disponibles. Les organisations devraient analyser leurs problèmes : quels postes avez-vous du mal à pourvoir ? Quelles sont les opportunités que vous avez identifiées mais qui manquent de ressources pour tester votre hypothèse ? Existe-t-il une plainte récurrente d'employé ou de client susceptible d'être traitée par l'IA ? Parlez également à vos fournisseurs d'applications cloud et d'entreprise pour connaître les agents qu'ils intègrent à leurs produits et services. Ces feuilles de route peuvent générer des idées.

Exemples d'agents d'IA :

• Les agents conversationnels interagissent avec le monde extérieur. Dans le cas des applications d'entreprise, les interactions se font généralement avec des humains mais elles peuvent se faire avec un autre programme logiciel. Dans les environnements industriels, par exemple, les agents conversationnels peuvent interagir avec des équipements de fabrication ou des appareils Internet des objets.
• Les agents fonctionnels, également appelés agents proxy utilisateur, sont associés à un persona ou un rôle organisationnel particulier. À l'aide d'un exemple concret, vous pouvez rencontrer plusieurs « agents fonctionnels » lorsque vous vous rendez à votre examen médical annuel : l'agent d'accueil vous enregistre et l'agent infirmier prend vos constantes de base, tels que votre poids et votre tension artérielle. Enfin, vous voyez le médecin qui effectue un examen plus détaillé, assisté par un agent qui résume la consultation. Chacun de ces agents effectue des sous-tâches spécifiques avec une expertise spécifique à l'aide de différents outils, tous communiquant entre eux si nécessaire pour accomplir une tâche.
  
  Exemples d'agents fonctionnels :
  • Agent du gestionnaire d'embauche. Effectue des tâches, notamment la consignation des critères requis (par exemple, les compétences et l'expérience des candidats) pour aider les responsables du recrutement à publier une offre.
  • Agent de service sur site. Fournit des informations aux techniciens, automatise des tâches telles que la planification, facilite les diagnostics et prend d'autres décisions pour des workflows de service sur le terrain plus efficaces.
  • Agent comptable clients. Rationalise le traitement des paiements, prend des mesures pour améliorer le flux de trésorerie telles que le lancement de procédures de relance et produit des rapports sur les performances des comptes clients.
  • Agent de support client. Augmente les fonctions de support client en fournissant des informations pertinentes aux agents de support humain ou aux clients.
• Les agents de supervision sont les chefs d'orchestre. Ces agents dirigent d'autres agents et pilotent la planification et le raisonnement nécessaires pour atteindre un objectif. Un exemple est un agent mandataire d'utilisateur qui décide d'agir au nom d'un être humain ou de se connecter à une personne pour obtenir un retour d'information de la part de l'être humain dans la boucle.
• Les agents utilitaires, également appelés agents basés sur des tâches, sont généralement associés à une fonction spécifique et sont appelés par d'autres agents à effectuer une tâche, telle que l'interrogation d'une base de données, l'envoi d'un e-mail, l'exécution d'un calcul ou l'extraction d'un document. Les agents utilitaires déployés dans le cadre d'un workflow complexe agissent généralement de manière autonome en raison de leurs fonctionnalités à faible risque. Voici quelques exemples
  • Agent de codage. Ecrit du code pour effectuer une tâche spécifique à l'aide de langages tels que HTML, Java ou Python.
  • Agent conversationnel. Reçoit les tâches des humains et communique les résultats des tâches de workflow de la manière la mieux adaptée au demandeur de la tâche.
  • Agent générateur de texte. Résume un corps de texte ou génère un exemple de texte à utiliser comme point de départ pour des communications plus longues.
  • Agent de requêtes de bases de données. Effectue des tâches liées à l'extraction de données, telles que l'exécution de requêtes SQL.
  • Agent RAG. Coordonne l'extraction des données spécifiques et à jour nécessaires à un LLM pour apporter une réponse appropriée à une invite ou effectuer une tâche.
  • Agent planificateur. Planifie des réunions avec les parties prenantes pour faire avancer un projet.
  • Agent de recherche. Détermine le type de recherche optimal (recherche Web ou document, par exemple) et appelle l'outil approprié pour effectuer la tâche.
  • Agent d'enrichissement des compétences. Utilise la documentation pour suggérer les compétences nécessaires à l'exécution des tâches, telles que la création d'une publication d'offre ou l'aide à la création d'un profil pour un employé.

Améliorez votre efficacité avec les agents OCI Generative AI

Les agents OCI Generative AI combinent la puissance des LLM et de la RAG afin que les collaborateurs, les partenaires et les clients puissent interroger directement diverses bases de savoirs enrichies avec vos données d'entreprise. Créez et intégrez rapidement des agents d'IA personnalisés dans vos processus et applications métiers.

Le service fournit des informations à jour via une interface en langage naturel et la possibilité d'agir directement dessus. Vous cherchez à essayer la technologie des agents d'IA ? L'agent RAG OCI Generative AI, le premier d'une série d'agents Oracle AI, est disponible pour tous.

La plupart d'entre nous ont posé une question à un chatbot et reçu une réponse qui n'a pas résolu le problème. Mettre fin à cette frustration est l'objectif ultime des agents d'IA intelligents. Donner aux gens des informations contextuellement précises et pertinentes leur sert autant qu'à votre organisation.

FAQ sur les agents d'IA

Quels sont les types d'agents d'IA ?

Les types d'agents d'IA comprennent les agents de réflexes simples, de réflexes basés sur un modèle, d'objectifs, d'utilité et d'apprentissage.

1. Les agents réflexes simples fonctionnent sur la base d'un ensemble de règles de condition/action et réagissent aux entrées sans tenir compte du contexte plus large.
2. Les agents réflexes basés sur des modèles ont un modèle interne de leur environnement pertinent pour leur fonction, ce qui leur permet de prendre en compte la situation actuelle et les effets de diverses actions avant de décider quoi faire.
3. Les agents basés sur des objectifs s'appuient sur les capacités des agents réflexes en tenant compte des objectifs à long terme et en planifiant leurs actions en conséquence.
4. Les agents basés sur les utilitaires sont associés à une fonction spécifique et appelés par d'autres agents à effectuer une tâche, telle que l'interrogation d'une base de données, l'envoi d'un e-mail, l'exécution d'un calcul ou l'extraction d'un document.
5. Les agents d'apprentissage améliorent leurs performances au fil du temps en ingérant de nouvelles données et en affinant leurs réponses en fonction des interactions avec les utilisateurs.

Quels sont les exemples réels d'agents dans l'IA ?

Les premiers exemples réels d'agents d'IA sont Alexa, Google Assistant et Siri, des assistants virtuels capables d'effectuer des tâches telles que le réglage d'alarmes, l'envoi de messages et la recherche d'informations. Pour les entreprises, Oracle Digital Assistant est une plateforme d'IA conversationnelle qui permet aux entreprises de créer des chatbots et des assistants virtuels pour le service client et d'autres applications ; en somme, un agent d'IA qui aide les entreprises à créer leurs propres agents.