Comprendre les cas d'utilisation de l'IA agentique

L'IA agentique tire parti des grands modèles de langage (LLM) et de la puissance de l'IA générative. Elle se connecte à des sources externes et communique avec elles pour prendre des décisions, mais aussi détecter et orchestrer des tâches entièrement automatisées dans un but précis. 

Pour mettre en application cette approche, il faut créer un système qui offre au LLM un accès à des outils externes et à une logique donnant au système agentique des instructions pour utiliser ces outils. Un système agentique est une couche qui pilote et exploite d'autres outils logiciels. 

L'IA agentique peut prendre la forme d'une structure physique, d'un programme logiciel ou d'une association des deux. Par exemple, dans un système robotique, les agents IA peuvent utiliser les caméras, les capteurs et les moniteurs pour recueillir des données sur leur environnement, puis exploiter ces informations en parallèle de logiciels afin de déterminer les prochaines étapes à réaliser. Ce processus s'appelle la fusion de capteurs. 

Dans une configuration logicielle, les agents IA recueillent des données à partir d'autres sources (API, recherches en ligne, instructions génératives, bases de données, etc.), qui leur permettent de se forger une perception et un contexte.

Découvrir Red Hat AI

IA agentique et agents IA

Le terme « agent IA » est un nom (« Je crée trois agents »). Il s'agit d'une entité logicielle qui fonctionne et remplit un rôle au sein d'un système agentique.

Le terme « IA agentique » est descriptif et se rapporte aux caractéristiques comportementales d'un système (« Nous devons rendre nos logiciels plus agentiques »). Ce système est doté de capacités de planification, de prise de décision et d'action, et peut atteindre des objectifs avec un minimum d'intervention humaine. 

Bref historique (du bref historique) des agents IA

Les premières itérations des agents IA impliquaient l'appel de fonctions d'API de base. Les agents IA ont alors commencé à créer des ensembles d'instructions pour les systèmes. 

Les frameworks ont ensuite transformé un même appel d'outil en une boucle : raisonner, agir, observer et répéter. 

Le protocole MCP (Model Context Protocol) a permis de standardiser la communication entre les applications et les services. L'exposition et la découverte d'outils, de ressources et d'instructions génératives par un client MCP (le composant qui demande l'accès à des données ou ressources externes) ont plus que jamais été facilitées. 

Nous disposons aujourd'hui d'agents de codage autonomes et de systèmes multi-agents, où un agent planifie les tâches et les délègue à des sous-agents qu'il crée à la volée. Après avoir fait partie de la boucle, l'humain est désormais informé par cette boucle.

Si un agent peut agir sur de vrais systèmes avec de vraies informations d'identification sur de longues périodes, l'élément qui l'empêche de faire de mauvais se résume en un mot.

AgentOps. 

L'AgentOps (Agent Operations, ou exploitation des agents) fait référence à un ensemble d'outils qui permettent de surveiller le raisonnement des systèmes d'IA en temps réel, pendant la prise de décision. 

Les actions des agents sont non déterministes, c'est-à-dire qu'elles résultent de processus probabilistes. Il est donc impossible de les prévoir avec précision. Si les workflows agentiques peuvent proposer des solutions créatives aux problèmes, ils doivent toutefois être bien gérés pour éviter toute dérive.

L'AgentOps couvre la couche de production et renforce ainsi la fiabilité des logiciels. En voici les avantages :

• Suivi des ressources matérielles
• Surveillance des taux d'hallucination
• Chiffrement des données
• Création d'un journal auditable des actions effectuées par l'agent
• Arrêt de processus en cas de violation d'une politique

Dans les entreprises, le modèle AgentOps est essentiel pour les workflows agentiques. Cette technologie fournit des systèmes d'IA assemblés sur l'infrastructure d'une entreprise, entraînés sur ses données, et conformes à ses valeurs et à ses règles. 

En savoir plus sur l'AgentOps

La génération augmentée de récupération ou RAG (Retrieval-Augmented Generation) est une méthode qui permet d'obtenir de meilleures réponses de la part d'une application d'IA générative grâce à l'association de ressources externes à un LLM. Dans la même logique, la RAG agentique va plus loin en donnant au LLM la possibilité de faire des recherches activement, au lieu de simplement récupérer des informations.

Si la RAG peut récupérer des réponses et fournir du contexte sur la base de la documentation et des ensembles de données auxquels elle a accès, elle reste dépendante de l'ingénierie d'instruction générative. La RAG classique a également une compréhension limitée du contexte. Elle exploite uniquement la demande initiale pour récupérer les informations pertinentes.

De son côté, la RAG agentique est plus évoluée et dynamique. Elle peut formuler elle-même des questions, créer du contexte en exploitant sa mémoire et accomplir des tâches supplémentaires sans que l'utilisateur le lui demande explicitement. Ce mode de fonctionnement lui confère la capacité de prendre des décisions plus éclairées, sans intervention externe.

En savoir plus sur les actions des modèles

L'IA agentique peut servir à de nombreuses fins. Voici les utilisations possibles dans différents secteurs.

L'IA agentique dans la finance

Les équipes financières supervisent des millions de transactions, ce qui rend la détection manuelle des fraudes et l'application des politiques impossibles à suivre en temps réel. 

Les agents financiers autonomes peuvent surveiller en continu les opérations quotidiennes et signaler les fraudes ou les violations de politiques avant qu'elles s'aggravent. Ils sont capables d'ingérer des données en direct, de les comparer à des règles internes et de signaler des anomalies. Les réviseurs humains interviennent ensuite pour analyser l'activité suspecte et déterminer les mesures à prendre.

L'IA agentique dans l'ingénierie informatique et logicielle

Les équipes de développement passent de nombreuses heures à reproduire des bogues et à rédiger des correctifs au lieu de créer et d'améliorer des fonctions. Les agents IA peuvent faciliter le processus de triage en reproduisant les bogues dans un sandbox, en proposant des correctifs et en exécutant des tests pour vérifier leur fonctionnement. Une fois la solution validée, un développeur humain examine le code et approuve le déploiement en production.

L'IA agentique dans la gestion de la chaîne d'approvisionnement

Des facteurs externes tels que les intempéries, les grèves et la congestion des ports sont susceptibles de perturber les chaînes d'approvisionnement et d'entraîner des retards ainsi que des pertes financières. Les agents peuvent suivre l'actualité, surveiller la météo et alerter les équipes en cas de retard potentiel. Ils pourraient même calculer les conséquences financières d'un nouveau routage. Les responsables de la chaîne d'approvisionnement examinent ensuite les analyses coût-bénéfices de l'agent et décident de la stratégie à suivre.

L'IA agentique pour les véhicules autonomes

Les véhicules autonomes doivent se déplacer dans des environnements réels complexes, ce qui implique d'interpréter d'énormes flux de données scientifiques conflictuelles. Un système agentique de fusion de capteurs fusionne des données d'entrée disparates (issues de caméras et de radars) dans un modèle cohérent qui reproduit en temps réel l'environnement du véhicule. Le système agentique traite, organise et filtre les données de chaque capteur de véhicule pour détecter les ambiguïtés visuelles et prédire les risques de collision en quelques millisecondes. Des conducteurs humains chargés de la sécurité ou des opérateurs à distance sont là pour surveiller les exceptions liées aux cas d'edge computing, vérifier la fiabilité de ces systèmes et prendre le contrôle manuellement si nécessaire.

L'IA agentique dans les communications et les relations publiques

Le monde virtuel évolue trop rapidement pour permettre à une équipe de communication humaine de suivre le rythme. Les informations sont diffusées 24 h/24, 7 j/7, l'opinion publique peut basculer en un rien de temps et une simple information peut vite engendrer une crise.

Les agents peuvent suivre jour et nuit les mentions de la marque, dans le monde entier et sur toutes les plateformes, et créer un résumé pour évaluer l'opinion publique. Ils peuvent également analyser l'actualité, les articles scientifiques récemment publiés et les tendances sociales afin de compiler des synthèses quotidiennes. Ils peuvent ensuite résumer ces informations pour aider les équipes à anticiper l'évolution du secteur. À partir de ces résumés, les professionnels de la communication peuvent rédiger des messages à enjeux élevés et élaborer une stratégie de réponse aux incidents signalés.

L'IA agentique dans les ressources humaines

L'intégration des nouveaux employés implique des tâches administratives répétitives, une planification et un flux constant de questions susceptibles d'épuiser les ressources. Afin de faciliter l'intégration, un agent d'intégration dédié peut expliquer la documentation, la configuration informatique et les formations aux nouveaux membres d'équipe. Il peut répondre à leurs questions et organiser des réunions de présentation en fonction de leur poste et de leur service. Les responsables des ressources humaines et d'équipe peuvent alors consacrer davantage leur attention à l'intégration culturelle, à l'accompagnement et à la création de liens avec leurs nouveaux collègues. 

L'IA agentique dans le domaine juridique et la conformité

Les lois commerciales et les réglementations environnementales évoluent constamment, ce qui expose les entreprises internationales à des situations où la conformité n'est pas garantie. Les agents peuvent suivre en permanence les mises à jour réglementaires à travers le monde et analyser l'effet de l'évolution des cadres juridiques sur les workflows d'exploitation. Cette approche permet aux entreprises d'anticiper les risques juridiques sans examen manuel des politiques. Une fois qu'un agent signale un domaine spécifique qui pourrait nécessiter une adaptation interne, un conseiller juridique peut interpréter les résultats et proposer une mise à jour des politiques d'entreprise si nécessaire. 

L'IA agentique dans le marketing et la vente

Dans un marché concurrentiel, la tarification statique peut entraîner une perte de chiffre d'affaires. Les agents surveillent les tarifs de la concurrence et la demande du marché en temps réel. Ils proposent des ajustements de prix afin de conserver un avantage tout en assurant les marges bénéficiaires. Les responsables marketing et commerciaux doivent ensuite définir les limites des stratégies de tarification, vérifier les recommandations automatisées et approuver les campagnes promotionnelles. 

L'IA agentique dans le secteur de la santé

Le personnel soignant est submergé par les données administratives, ce qui peut entraîner leur épuisement et des négligences dans les soins du patient. Un assistant médical peut aider à organiser les données des patients, à signaler les résultats manquants de laboratoire et à alerter l'équipe en cas d'interactions médicamenteuses ou de problèmes de dosage. Les médecins et les équipes cliniques considèrent l'agent comme un filet de sécurité. Ils peuvent examiner les alertes signalées et passer plus de temps à prodiguer des soins directement aux patients. 

Découvrir les cas d'utilisation agentiques avec Red Hat

La gamme Red Hat® AI met en œuvre l'ensemble du cycle de vie d'un agent au moyen d'un plan de contrôle AgentOps dédié. Ce mécanisme garantit que chaque déploiement est observable, efficace et sécurisé dans tout l'environnement de cloud hybride. 

Cette plateforme fournit un niveau de gouvernance adapté aux entreprises grâce à des mesures de sécurité intégrées. Basée sur vLLM et llm‑d, son infrastructure sous-jacente favorise la haute efficacité de l'inférence distribuée, ce qui permet de mettre à l'échelle les workflows qui utilisent beaucoup de ressources, et ce, du datacenter sur site jusqu'à la périphérie du réseau.

La gamme Red Hat AI offre des fonctionnalités d'inférence rapides, flexibles et efficaces au moyen d'un serveur basé sur vLLM. Elle relie de manière fiable les modèles aux données pour unifier la personnalisation et le développement d'agents spécialisés sur une seule et même plateforme. Conçus sur une base Open Source, nos produits d'IA donnent un contrôle total sur les workflows d'IA, de bout en bout et à toutes les échelles.