L'IA agentique, qu'est-ce que c'est ?

L'IA agentique est un système logiciel conçu pour interagir avec les données et les outils d'une manière qui nécessite une intervention humaine minimale. Les agents d'IA, autre terme équivalent à l'IA agentique, privilégient un comportement orienté sur les objectifs et accomplissent des tâches en établissant les étapes nécessaires et en les suivant de façon autonome.

L'IA agentique peut être considérée comme une manière d'associer l'automatisation aux capacités de création d'un grand modèle de langage (LLM). Afin de mettre en application l'IA agentique, il faut créer un système qui fournit au LLM un accès à des outils externes, ainsi que les algorithmes qui donnent aux agents d'IA des instructions pour utiliser ces outils.

La façon dont les agents communiquent avec les outils nécessite un processus d'orchestration, basé sur des flux ou des graphiques selon le framework utilisé. Cette approche permet au LLM de « raisonner » et de déterminer la meilleure option pour répondre à une question, par exemple en utilisant une information déjà disponible ou en effectuant une recherche externe.

Découvrir Red Hat AI

Un agent d'IA est comme une entité qui repose sur d'autres outils logiciels et qui les exploite. L'IA agentique peut prendre la forme d'une structure physique, d'un programme logiciel ou bien d'une association des deux.

Dans un système robotique, les agents d'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 d'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 de comprendre le contexte.

Voyons plus en détail quelques caractéristiques spécialisées de l'IA agentique.

L'IA agentique est modulable et dynamique

L'IA agentique apprend des précédents schémas et des précédentes données. Elle peut ainsi modifier sa stratégie en fonction des informations nouvelles ou mises à jour qu'elle reçoit, et ce en temps réel. Alors que les workflows traditionnels ne progressent que dans un sens, les workflows d'IA agentique peuvent avancer comme reculer, avec la capacité de revenir en arrière et de réparer les erreurs au fur et à mesure. Autrement dit, l'IA agentique anticipe les besoins de façon proactive et examine son propre travail.

Par exemple, un véhicule autonome peut utiliser l'IA agentique pour améliorer sa capacité à différencier un déchet d'un écureuil sur la route. Alors qu'il surveille et analyse en continu son propre comportement, il améliore les résultats de ses actions.

L'IA agentique gère et effectue des tâches en toute indépendance

L'IA agentique est parfois considérée comme une IA autonome, car elle est capable de communiquer et collaborer avec d'autres systèmes d'IA et infrastructures numériques, pour le compte d'un utilisateur humain ou d'un autre agent d'IA.

Par exemple, un utilisateur peut indiquer à un agent d'IA qu'il souhaite cuisiner des spaghettis pour le dîner. L'agent d'IA se charge alors des étapes nécessaires pour trouver une recette, établir une liste d'ingrédients, commander ces ingrédients dans un supermarché local et les faire livrer chez l'utilisateur.

L'IA agentique a une capacité d'« enchaînement »

En d'autres termes, le système d'IA peut effectuer une séquence d'actions en réponse à une demande unique. Par exemple, si un utilisateur demande à un agent d'IA de « créer un site web », celui-ci va effectuer toutes les étapes nécessaires afin de mener à bien cette tâche. À partir d'une seule instruction générative, l'agent d'IA peut donc écrire le code de la structure du site, remplir les pages avec du contenu, concevoir les éléments visuels et tester la réactivité.

L'IA agentique est particulièrement adaptée aux tâches qui nécessitent une surveillance permanente ou une prise de décision rapide. Voici quelques-uns des avantages de cette technologie :

Productivité plus élevée : la délégation de tâches à un agent d'IA permet aux entreprises de concentrer leurs efforts sur des projets à plus forte valeur. On pourrait comparer cet outil à un stagiaire qui travaillerait 24 heures sur 24, 7 jours sur 7.

Coûts réduits : l'IA agentique réduit le risque d'erreurs humaines et de négligences, ce qui permet d'éviter les coûts associés à leur correction et à un manque d'efficacité.

Prise de décisions éclairée : l'IA agentique utilise l'apprentissage automatique pour filtrer et traiter des quantités de données en temps réel bien plus importantes que celles dont un être humain pourrait s'occuper. Les informations tirées des grands ensembles de données de qualité permettent d'améliorer les prédictions et les stratégies.

Expérience utilisateur améliorée : la création d'un workflow automatisé nécessite des connaissances en ingénierie et en codage. Avec l'IA agentique, les utilisateurs peuvent interagir directement avec l'outil en langage naturel, de la même manière que sur des plateformes comme ChatGPT.

Grâce à ces fonctions uniques, l'IA agentique peut être utilisée dans de nombreuses situations. Voici à quoi cette technologie peut servir dans divers secteurs d'activité :

• Les équipes d'exploitation métier peuvent utiliser un agent d'IA pour gérer les chaînes d'approvisionnement, optimiser l'inventaire, prévoir la demande et anticiper les besoins logistiques.
• Dans le domaine de la santé, un agent d'IA peut interagir avec les patients, suivre les besoins, gérer des traitements et fournir une assistance personnalisée.
• Dans le cadre du développement de logiciels, un agent d'IA peut aider les équipes à gagner en efficacité en générant automatiquement du code de débogage, en gérant le cycle de développement et en concevant une architecture système.
• Les équipes d'exploitation informatique peuvent utiliser l'IA agentique pour exploiter de façon autonome des réseaux et d'autres services ou infrastructures.
• Dans le domaine de la cybersécurité, un agent d'IA peut surveiller le trafic réseau, identifier les problèmes et réagir aux menaces en temps réel.
• Parce qu'ils travaillent bien plus vite qu'un humain ou même qu'un groupe de chercheurs, les agents d'IA peuvent permettre aux équipes de recherche de préparer et mener des expériences, d'analyser des données, de formuler des hypothèses et d'innover plus rapidement.
• Les entreprises spécialisées dans la finance peuvent tirer parti de l'IA agentique pour analyser en permanence les tendances du marché, prendre des décisions sur les marchés boursiers et adapter leur stratégie sur la base de données disponibles en temps réel.

Découvrir des cas d'utilisation de l'IA générative
Découvrir des cas d'utilisation de l'IA prédictive

L'IA agentique est une évolution supplémentaire vers la création de systèmes intelligents capables de fonctionner de façon indépendante, de collaborer de manière efficace et d'apprendre de leurs interactions avec les données. Les performances de l'IA agentique reposent sur un processus connu sous le nom de workflow agentique.

Un workflow agentique est une série structurée d'actions gérées et accomplies par des agents d'IA. Lorsqu'un objectif à atteindre est donné à ces agents, ceux-ci commencent par diviser la tâche en plusieurs étapes, puis effectuent les différentes actions requises.

Pour accomplir ces actions, l'agent d'IA active plusieurs versions de lui-même afin de créer un système multi-agent (SMA). Dans ce workflow, l'agent principal (aussi connu sous le nom d'agent méta, d'orchestrateur ou de superviseur) délègue des tâches à d'autres agents. Pour ce faire, il assigne des valeurs et interagit avec la mémoire dans une boucle de rétroaction. Ensemble, les agents travaillent en parallèle jusqu'à ce que l'objectif initial soit atteint.

Au sein du SMA, chaque agent est composé d'une structure interne qui lui permet de fonctionner à la fois indépendamment et en collaboration avec le reste du système. Cette collaboration repose sur des magasins de mémoire partagés, qui fournissent du contexte sur les connaissances individuelles, les expériences passées et les états des croyances.

Si l'IA générative se concentre sur la création de contenus, l'IA agentique est elle axée sur l'action. L'IA générative crée des contenus à l'aide de la modélisation prédictive et de la régression linéaire. L'IA agentique utilise des systèmes mathématiques pour prendre des décisions sur la base de la modélisation prédictive, mais elle va plus loin en accomplissant une action (ou une série d'actions) à la place de l'utilisateur.

L'IA générative génère des résultats sur la base des instructions que l'utilisateur lui donne. Contrairement à l'IA classique, l'IA agentique peut agir directement. Par exemple, un agent d'IA peut créer ses propres instructions génératives supplémentaires et ses propres résultats en exploitant les informations auxquelles il a accès.

La génération augmentée de récupération (RAG) est une méthode qui permet d'obtenir de meilleures réponses de la part d'une application d'IA générative en liant un LLM à une autre instruction ou à une ressource externe. 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 manuelle. 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.

Par exemple, avec la RAG classique, on peut demander à un dialogueur d'afficher la politique de retour d'une entreprise. Avec la RAG agentique, le dialogueur va afficher la politique, puis proposer une option pour commencer une procédure de retour. Les agents d'IA peuvent alors prendre le relais et préremplir le formulaire de retour avec le numéro de commande, vérifier les informations bancaires pour le remboursement, ainsi que valider la transaction sans intervention de l'utilisateur.

L'IA agentique ouvre la voie à l'innovation et à l'amélioration de nombreux systèmes. Elle s'accompagne toutefois de problèmes sur le plan éthique et technique qui n'ont pas encore été résolus. Par exemple, comment s'assurer que les systèmes agentiques respectent nos valeurs ? En cas d'erreur, qui est responsable ? Dans certains cas, la question de la transparence entre en jeu : nous ne pouvons pas savoir précisément comment un agent est parvenu au résultat qu'il propose (c'est le problème de la « boîte noire »).

Concernant la sécurité et la confidentialité, la prudence s'impose pour tout modèle d'IA. Il est essentiel de s'assurer que l'architecture comprend des paramètres de sécurité afin de protéger le flux de données.

De plus, l'IA agentique mobilise beaucoup de ressources de calcul, notamment pour le stockage et la puissance de traitement. Son impact environnemental est donc à prendre en compte.

Enfin, étant donné qu'il s'agit d'une technologie émergente, la courbe d'apprentissage ne doit pas être négligée. La mise en œuvre et la gestion des workflows agentiques basés sur des LLM requièrent des compétences spécialisées, surtout au sein des entreprises.

En savoir plus sur les cas d'utilisation de l'IA/AA

Pour les entreprises qui découvrent le fonctionnement et les avantages de l'IA générative, les agents d'IA peuvent être la clé d'une véritable valeur métier. Grâce à notre gamme de produits Red Hat® AI et aux solutions de notre écosystème de partenaires pour l'IA, les entreprises peuvent mettre en place la structure nécessaire à la création de workflows agentiques et à la mise à l'échelle d'agents d'IA.

La solution Red Hat Enterprise Linux® AI permet l'orchestration basée sur des agents d'InstructLab. Elle peut être utilisée pour le réglage fin des LLM et SLM utilisés par les workflows agentiques.

Red Hat OpenShift® AI fournit une plateforme unifiée qui facilite la création de systèmes multi-agents. De plus, les fonctionnalités MLOps d'OpenShift permettent de contrôler les processus adaptatifs d'apprentissage et de raisonnement qu'utilisent les agents d'IA.

Découvrir Red Hat OpenShift AI