Que sont les agents d’IA ?

Un agent d'intelligence artificielle (IA) est un logiciel capable d'interagir avec son environnement, de collecter des données et d'utiliser ces données pour effectuer des tâches autogérées qui répondent à des objectifs prédéterminés. Les humains fixent des objectifs, mais un agent d'IA choisit indépendamment les meilleures actions à effectuer pour atteindre ces objectifs. Prenons l'exemple d'un agent IA d'un centre d'appels qui souhaite résoudre les questions des clients. L'agent posera automatiquement différentes questions au client, recherchera des informations dans des documents internes et répondra en proposant une solution. Sur la base des réponses des clients, il détermine s'il peut résoudre lui-même la requête ou la transmettre à un humain.

Plusieurs agents d'IA peuvent collaborer pour automatiser des flux de travail complexes et peuvent également être utilisés dans des systèmes d'IA agentiques. Ils échangent des données entre eux, ce qui permet à l'ensemble du système de travailler ensemble pour atteindre des objectifs communs. Les agents IA individuels peuvent être spécialisés pour effectuer des sous-tâches spécifiques avec précision. Un agent d'orchestration coordonne les activités de différents agents spécialisés pour effectuer des tâches plus importantes et plus complexes.

En savoir plus sur ce qu'est l'intelligence artificielle (IA)

Tous les logiciels exécutent de manière autonome diverses tâches de routine spécifiées par le développeur du logiciel. Alors, qu'est-ce qui rend les agents IA spéciaux ?

Autonomie

Les agents de l'IA agissent de manière autonome, sans intervention humaine constante. Alors que les logiciels traditionnels suivent des instructions codées en dur, les agents d'IA identifient la prochaine action appropriée en fonction des données passées et l'exécutent sans supervision humaine continue.

Par exemple, un agent comptable signale et demande automatiquement les données de facturation manquantes pour les achats.

Comportement axé sur les objectifs

Les agents d'IA sont guidés par des objectifs. Leurs actions visent à maximiser le succès, tel que défini par une fonction d'utilité ou un indicateur de performance. Contrairement aux programmes traditionnels qui ne font que réaliser des tâches, les agents intelligents poursuivent des objectifs et évaluent les conséquences de leurs actions par rapport à ces objectifs.

Par exemple, un système logistique basé sur l'IA optimise les itinéraires de livraison pour équilibrer simultanément la vitesse, les coûts et la consommation de carburant, équilibrant ainsi plusieurs objectifs.

Perception

Les agents d'IA interagissent avec leur environnement en collectant des données via des capteurs ou des entrées numériques. Ils peuvent collecter des données à partir de systèmes et d'outils externes via des API. Ces données leur permettent de percevoir le monde qui les entoure, de reconnaître les changements et de mettre à jour leur état interne en conséquence.

Par exemple, les agents de cybersécurité collectent des données à partir de bases de données tierces pour rester au courant des derniers incidents de sécurité.

Rationalité

Les agents d'IA sont des entités rationnelles dotées de capacités de raisonnement. Ils combinent les données de leur environnement avec les connaissances du domaine et le contexte passé pour prendre des décisions éclairées et obtenir des performances et des résultats optimaux.

Par exemple, un agent robotique collecte les données des capteurs et un chatbot utilise les requêtes des clients comme entrée. L'agent IA applique les données pour prendre une décision éclairée. Il analyse les données collectées pour prédire les meilleurs résultats qui soutiennent des objectifs prédéterminés. L'agent utilise également les résultats pour formuler la prochaine action à entreprendre. Par exemple, les voitures autonomes contournent les obstacles sur la route en fonction des données provenant de plusieurs capteurs.

Proactivité

Les agents d'IA peuvent prendre des initiatives sur la base de prévisions et de modèles d'états futurs. Au lieu de simplement réagir aux entrées, ils anticipent les événements et se préparent en conséquence.

Par exemple, un agent du service client basé sur l'IA peut contacter un utilisateur dont le comportement suggère de la frustration, en lui proposant de l'aide avant qu'un ticket d'assistance ne soit déposé. Les robots d'entrepôt autonomes peuvent se repositionner en prévision des prochaines opérations à fort trafic.

L’apprentissage en continu

Les agents d'IA s'améliorent au fil du temps en tirant les leçons des interactions passées. Ils identifient des modèles, des commentaires et des résultats pour affiner leur comportement et leur prise de décision. Cela les différencie des programmes statiques qui se comportent toujours de la même manière quelles que soient les nouvelles entrées.

Par exemple, les agents de maintenance prédictive tirent les leçons des défaillances passées des équipements pour mieux prévoir les problèmes futurs.

Adaptabilité

Les agents d'IA ajustent leurs stratégies en fonction des nouvelles circonstances. Cette flexibilité leur permet de gérer l'incertitude, les situations inédites et les informations incomplètes.

Par exemple, un robot de négociation d'actions adapte sa stratégie lors d'un krach boursier, tandis qu'un agent de jeu comme AlphaZero découvre de nouvelles tactiques grâce au jeu personnel, même sans stratégies humaines préalables.

Collaboration

Les agents d'IA peuvent travailler avec d'autres agents ou des agents humains pour atteindre des objectifs communs. Ils sont capables de communiquer, de coordonner et de coopérer pour effectuer des tâches ensemble. Leur comportement collaboratif implique souvent la négociation, le partage d'informations, l'attribution de tâches et l'adaptation aux actions des autres.

Par exemple, les systèmes multi-agents du secteur de la santé peuvent avoir des agents spécialisés dans des tâches spécifiques telles que le diagnostic, les soins préventifs, la planification des médicaments, etc., pour une automatisation globale des soins aux patients.

Les agents d'IA peuvent améliorer les opérations de votre entreprise et l'expérience de vos clients.

Amélioration de la productivité

Les équipes commerciales sont plus productives lorsqu'elles délèguent des tâches répétitives à des agents d'IA. De cette façon, elles peuvent centrer leur attention vers des activités critiques ou créatives, ajoutant ainsi plus de valeur à leur entreprise.

Réduction des coûts

Les entreprises peuvent utiliser des agents intelligents pour minimiser les coûts inutiles résultant de l'inefficacité des processus, des erreurs humaines et des processus manuels. Ils peuvent s'attaquer à des tâches complexes en toute confiance, car les agents autonomes suivent un modèle cohérent qui s'adapte à l'évolution des environnements. La technologie des agents qui automatise les processus métier peut permettre de réaliser d'importantes économies de coûts.

La prise de décision informée

Les agents intelligents avancés ont des capacités prédictives et peuvent collecter et traiter d'énormes quantités de données en temps réel. Cela permet aux chefs d'entreprise de faire des prévisions plus éclairées et plus rapidement lorsqu'ils élaborent leur prochaine stratégie. Par exemple, vous pouvez utiliser des agents d'IA pour analyser les demandes de produits dans différents segments de marché lorsque vous lancez une campagne publicitaire.

Expérience client améliorée

Les clients recherchent des expériences attrayantes et personnalisées lorsqu'ils interagissent avec les entreprises. L'intégration d'agents d'IA permet aux entreprises de personnaliser les recommandations de produits, de fournir des réponses rapides et d'innover pour améliorer l'engagement, la conversion et la fidélité des clients. Les agents d'IA peuvent fournir des réponses détaillées aux questions complexes des clients et résoudre les problèmes de manière plus efficace.

L'architecture d'un agent d'IA contient les composants clés suivants.

Modèle de fondation

Au cœur de tout agent d'IA se trouve une base ou un grand modèle de langage (LLM) tel que GPT ou Claude. Il permet à l'agent d'interpréter les entrées en langage naturel, de générer des réponses semblables à celles d'un humain et de raisonner sur des instructions complexes. Le LLM agit comme le moteur de raisonnement de l'agent, traitant les invites et les transformant en actions, décisions ou requêtes adressées à d'autres composants (par exemple, la mémoire ou les outils). Par défaut, il conserve une partie de la mémoire entre les sessions et peut être couplé à des systèmes externes pour simuler la continuité et la prise en compte du contexte.

Module de planification

Le module de planification permet à l'agent de décomposer les objectifs en étapes plus petites et gérables et de les séquencer de manière logique. Ce module utilise un raisonnement symbolique, des arbres de décision ou des stratégies algorithmiques pour déterminer l'approche la plus efficace pour atteindre le résultat souhaité. Il peut être mis en œuvre sous la forme d'une décomposition de tâches rapide ou d'approches plus formalisées, telles que des réseaux de tâches hiérarchiques (HTN) ou des algorithmes de planification classiques. La planification permet à l'agent d'opérer sur des horizons temporels plus longs, en tenant compte des dépendances et des imprévus entre les tâches.

Module de mémoire

Le module de mémoire permet à l'agent de conserver des informations au fil des interactions, des sessions ou des tâches. Cela inclut à la fois la mémoire à court terme, telle que l'historique des discussions ou les entrées récentes du capteur, et la mémoire à long terme, y compris les données des clients, les actions précédentes ou les connaissances accumulées. La mémoire améliore la personnalisation, la cohérence et la conscience du contexte de l'agent. Lors de la création d'agents d'IA, les développeurs utilisent des bases de données vectorielles ou des graphes de connaissances pour stocker et récupérer du contenu sémantiquement significatif.

Intégration d'outils

Les agents d'IA étendent souvent leurs capacités en se connectant à des logiciels, des API ou des appareils externes. Cela leur permet d'agir au-delà du langage naturel, en effectuant des tâches réelles telles que la récupération de données, l'envoi d'e-mails, l'exécution de code, l'interrogation de bases de données ou le contrôle du matériel. L'agent identifie quand une tâche nécessite un outil, puis délègue l'opération en conséquence. L'utilisation des outils est généralement guidée par le LLM à travers des modules de planification et d'analyse qui formatent l'appel de l'outil et interprètent sa sortie.

Apprentissage et réflexion

La réflexion peut prendre de multiples formes :

• L'agent évalue la qualité de ses propres résultats (par exemple, a-t-il résolu le problème correctement ?).
• Des utilisateurs humains ou des systèmes automatisés fournissent des corrections.
• L'agent sélectionne des exemples incertains ou informatifs pour améliorer son apprentissage.

L'apprentissage par renforcement (RL) est un paradigme d'apprentissage clé. L'agent interagit avec un environnement, reçoit des commentaires sous forme de récompenses ou de pénalités et apprend une politique qui associe les états aux actions pour une récompense cumulée maximale. La RL est particulièrement utile dans les environnements où les données d'entraînement explicites sont rares, comme la robotique, les jeux ou le trading financier. L'agent équilibre l'exploration (essayer de nouvelles actions) et l'exploitation (utiliser les meilleures actions connues) afin d'améliorer sa stratégie au fil du temps.

Les agents d'IA fonctionnent en simplifiant et en automatisant les tâches complexes. La plupart des agents autonomes suivent un flux de travail spécifique lorsqu'ils exécutent les tâches qui leur sont assignées.

Déterminer les objectifs

L'agent d’IA reçoit une instruction ou un objectif spécifique de la part de l'utilisateur. Il utilise l'objectif pour planifier des tâches qui rendent le résultat final pertinent et utile pour l'utilisateur. Ensuite, l'agent divise l'objectif en plusieurs tâches plus petites et réalisables. Pour atteindre cet objectif, l'agent exécute ces tâches en fonction d'ordres ou de conditions spécifiques.

Acquérir des informations

Les agents d'IA ont besoin d'informations pour exécuter les tâches qu'ils ont planifiées avec succès. Par exemple, l'agent doit extraire les journaux de conversation pour analyser les sentiments des clients. Ainsi, les agents d'IA peuvent accéder à Internet pour rechercher et récupérer les informations dont ils ont besoin. Dans certaines applications, un agent intelligent peut interagir avec d'autres agents ou des modèles de machine learning pour accéder à des informations ou les échanger.

Mettre en œuvre des tâches

Avec suffisamment de données, l'agent d’IA met en œuvre méthodiquement la tâche à accomplir. Une fois qu'il a accompli une tâche, l'agent la supprime de la liste et passe à la suivante. Entre les tâches terminées, l'agent évalue s'il a atteint l'objectif fixé en sollicitant des commentaires externes et en inspectant ses propres journaux. Au cours de ce processus, l'agent peut créer et exécuter des tâches supplémentaires pour atteindre le résultat final. 

Les organisations créent et déploient des agents d'IA pour une variété de types et de tâches. Nous en donnons quelques exemples ci-dessous.

Agents réflexes simples

Un simple agent réflexe agit strictement sur la base de règles prédéfinies et de ses données immédiates. Il ne répondra pas aux situations au-delà d'un événement, d'une condition et d'une règle d'action donnés. Par conséquent, ces agents sont adaptés à des tâches simples qui ne nécessitent pas d’entraînement approfondi. Par exemple, vous pouvez utiliser un agent réflexe simple pour réinitialiser les mots de passe en détectant des mots clés spécifiques dans la conversation d'un utilisateur.

Agents réflexes basés sur des modèles

Un agent basé sur un modèle est similaire à de simples agents réflexes, sauf qu'il possède un mécanisme de prise de décision plus avancé. Plutôt que de simplement suivre une règle spécifique, un agent basé sur un modèle évalue les résultats et les conséquences probables avant de prendre une décision. À l'aide de données complémentaires, il construit un modèle interne du monde qu'il perçoit et utilise ces données pour étayer ses décisions.

Agents basés sur des objectifs

Les agents basés sur des objectifs, également appelés agents basés sur des règles, sont des agents d'IA dotés de capacités de raisonnement plus robustes. Outre l'évaluation des données environnementales, l'agent compare différentes approches pour l'aider à atteindre le résultat souhaité. Les agents axés sur les objectifs choisissent toujours la voie la plus efficace. Ils sont adaptés à l'exécution de tâches complexes, telles que le traitement du langage naturel (NLP) et les applications robotiques.

Agents basés sur des utilitaires

Un agent utilitaire utilise un algorithme de raisonnement complexe pour aider les utilisateurs à optimiser les résultats qu'ils souhaitent. Ils comparent différents scénarios et leurs valeurs d'utilité ou avantages respectifs. Ensuite, il sélectionne celui qui offre le plus de récompenses aux utilisateurs. Par exemple, les clients peuvent faire appel à un agent utilitaire pour rechercher des billets d'avion avec la durée de trajet minimale, quel que soit le prix.

Agents d'apprentissage

Un agent d'apprentissage apprend continuellement de ses expériences passées pour améliorer ses performances. À l'aide de mécanismes d'entrée sensorielle et de rétroaction, l'agent adapte son élément d'apprentissage au fil du temps pour répondre à des normes spécifiques. De plus, il utilise un générateur de problèmes pour concevoir de nouvelles tâches qui s'entraînent lui-même à l'aide des données collectées et des résultats antérieurs.

Agents hiérarchiques

Les agents hiérarchiques sont un groupe organisé d'agents intelligents organisés en niveaux. Les agents de niveau supérieur décomposent les tâches complexes en tâches plus petites et les attribuent à des agents de niveau inférieur. Chaque agent fonctionne de manière indépendante et soumet un rapport d'avancement à son agent superviseur. L'agent de niveau supérieur collecte les résultats et coordonne les agents subordonnés pour s'assurer qu'ils atteignent collectivement les objectifs.

Systèmes multi-agents

Un système multi-agents (MAS) est composé de plusieurs agents qui interagissent les uns avec les autres pour résoudre des problèmes ou atteindre des objectifs communs. Ces agents peuvent être homogènes (conception similaire) ou hétérogènes (structure ou fonction différentes) et peuvent collaborer, se coordonner ou même entrer en compétition selon le contexte. Les MAS sont particulièrement efficaces dans les environnements complexes et distribués où le contrôle centralisé n'est pas pratique.

Par exemple, dans les flottes de véhicules autonomes, chaque véhicule agit en tant qu'agent indépendant mais collabore avec d'autres pour éviter les embouteillages et prévenir les collisions, ce qui permet de fluidifier le trafic.

Les agents d'IA sont des technologies logicielles utiles qui automatisent les flux de travail des entreprises pour obtenir de meilleurs résultats. Cela dit, les entreprises doivent répondre aux préoccupations suivantes lorsqu'elles déploient des agents d'IA autonomes pour des cas d'utilisation professionnels.

Problèmes liés à la confidentialité des données

Le développement et l'exploitation d'agents d'IA avancés nécessitent l'acquisition, le stockage et le transfert d'énormes volumes de données. Les organisations doivent être conscientes des exigences en matière de confidentialité des données et prendre les mesures nécessaires pour améliorer leur position en matière de sécurité des données.

Défis éthiques

Dans certaines circonstances, les modèles d'IA peuvent produire des résultats biaisés ou inexacts. L'application de mesures de protection, telles que des évaluations humaines, permet de garantir que les clients reçoivent des réponses utiles et équitables de la part des agents déployés.

Complexités techniques

La mise en œuvre d'agents d'IA avancés nécessite une expérience et une connaissance spécialisées des technologies de machine learning. Les développeurs doivent être en mesure d'intégrer des bibliothèques de machine learning aux applications logicielles et de former l'agent à l'aide de données spécifiques à l'entreprise.

Ressources de calcul limitées

La formation et le déploiement d'agents d'intelligence artificielle basés sur le deep learning nécessitent des ressources informatiques importantes. Lorsque les entreprises mettent en œuvre ces agents sur site, elles doivent investir dans une infrastructure coûteuse qui n'est pas facilement évolutive et en assurer la maintenance.

Amazon Bedrock est un service entièrement géré qui permet d'accéder facilement à des modèles d'IA générative de pointe, tels que Claude, Llama 2 et Amazon Titan, ainsi qu'à un large éventail de fonctionnalités nécessaires pour créer des applications d'IA générative.

Les agents Amazon Bedrock utilisent le raisonnement des FM, des API et des données pour ventiler les demandes des utilisateurs, collecter des informations pertinentes et effectuer des tâches efficacement. La création d’un agent est simple et rapide et la configuration se résume à quelques étapes. Amazon Bedrock prend en charge :

• Rétention de la mémoire pour une continuité des tâches fluide
• Collaboration multi-agents pour créer plusieurs agents spécialisés sous la coordination d'un agent superviseur
• Amazon Bedrock Guardrails pour une sécurité et une fiabilité intégrées.

AWS a introduit une boîte à outils open source contenant un catalogue croissant d'agents de démarrage spécialement conçus pour les cas d'utilisation dans les domaines de la santé et des sciences de la vie.

AWS Transform est le premier service d’IA agentique destiné à transformer les charges de travail .NET, mainframe et VMware. S’appuyant sur 19 ans d’expérience en matière de migration, il déploie des agents d’IA spécialisés pour automatiser des tâches complexes telles que les évaluations, l’analyse du code, la refactorisation, la décomposition, la cartographie des dépendances, la validation et la planification de la transformation. Il aide les entreprises à moderniser simultanément des centaines d’applications tout en maintenant la qualité et le contrôle.

Amazon Q Business est un assistant génératif basé sur l'IA conçu pour vous aider à trouver des informations, à obtenir des informations et à prendre des mesures au travail. Il met le pouvoir de création d'agents d'IA entre les mains de chaque employé. Tout le monde peut l’utiliser pour créer des applications d’IA agentique légères qui interagissent avec les logiciels d’entreprise courants et automatisent les tâches répétitives.

Commencez à utiliser les agents IA sur AWS en créant un compte gratuit dès aujourd'hui.