J'ai créé une équipe d'agents IA qui travaille à ma place

Les systèmes d’IA ont révolutionné le traitement du langage naturel. Mais leur véritable potentiel se libère lorsqu’ils sont combinés à l’agentivité, c’est-à-dire la capacité à raisonner, planifier et agir de façon autonome. C’est là que les agents LLM entrent en jeu, marquant un changement de paradigme dans la manière dont nous interagissons avec l’IA.

Et avant de passer à l’histoire des agents IA, voici ma vidéo YouTube explicative dont tu auras forcément besoin :

PS : Like, commente et partage si ça t’a été utile et pour me soutenir !

1. Des LLMs aux agents IA

L’évolution de la forme des applications basées sur les LLMs est l’un des développements les plus rapides de l’histoire moderne des technologies.

1.1 Des chatbots traditionnels aux chatbots LLM

Les chatbots ne sont pas nouveaux : tu as sûrement déjà interagi avec un chatbot sur un site web avant l’ère de l’IA générative.

Voici en quoi les anciens chatbots différaient :

• Réponses heuristiques : basés sur des règles "si-alors", ils ne pouvaient pas gérer des requêtes complexes.

• Réponses pré-enregistrées : déclenchées par mots-clés, sans profondeur de conversation.

• Transfert vers humain : les questions complexes étaient toujours redirigées vers un conseiller.

1.2 Lancement des chatbots propulsés par LLM

• ChatGPT, lancé par OpenAI le 30 novembre 2022 (basé sur GPT-3.5), fut la première application LLM grand public.

• Il repose sur l’architecture Transformer (Google, 2017), qui utilise un mécanisme d’auto-attention pour comprendre le contexte.

• Capacités des LLMs : génération de texte fluide, pertinent et original — création de contenu, génération de code, service client, etc.

Limites :

• Personnalisation : difficile à maintenir sur de longues conversations.

• Hallucinations : peut produire des réponses fausses mais cohérentes.

Solutions :

• RAG (Retrieval-Augmented Generation) : permet de baser les réponses sur des données fiables externes.

1.3 Des chatbots LLM à RAG et agents IA

• Chatbots RAG : combinent les capacités de LLMs avec des sources de données externes pour des réponses précises.

• Connaissance non-paramétrique : données en temps réel (web, bases de données).

• Connaissance paramétrique : issue de l’entraînement du modèle.

• Prompt engineering : techniques comme in-context learning, Chain-of-Thought (CoT), ReAct pour guider les réponses.

2. Qu’est-ce qu’un agent IA ?

Un agent IA est un système capable de percevoir son environnement (via des capteurs), de traiter l’information, puis d’agir (via des actionneurs) pour atteindre un objectif.

Il repose sur l’idée de comportement rationnel : l’agent doit maximiser ses chances de succès.

2.1 Caractéristiques :

• Autonome

• Réactif et proactif

• Adaptable

• Orienté objectif

• Interactif

• Persistant

3. Composants essentiels

• Perception (capteurs)

• Raisonnement (processeur)

• Action (actionneurs)

• Base de connaissances

• Apprentissage

• Interface de communication

3.1 Perception

Entrée de données (physiques ou numériques).

3.2 Raisonnement

Traitement de l’information et prise de décision (règles, réseaux de neurones, etc.).

3.3 Action

Effets sur l’environnement (robots, bases de données, etc.).

3.4 Base de connaissances

Informations pré-programmées ou apprises.

3.5 Apprentissage

Amélioration continue par apprentissage supervisé, non supervisé ou par renforcement.

3.6 Interface de communication

Interaction avec d’autres systèmes ou humains.

4. Interaction avec l’environnement

Cycle "percevoir - planifier - agir" :

L'agent reçoit des entrées par l'intermédiaire de ses capteurs

L'information est traitée et interprétée

L'état actuel est mis à jour en fonction des nouvelles informations

Exemple : voiture autonome

1. Perception : capteurs → analyse → mise à jour de l’état.

2. Décision : évaluer les options en fonction des objectifs.

3. Action : exécution → observation des résultats → nouveau cycle.

Comparaison avec un thermostat :

Programme simple :

if temperature > desired_temperature: turn_on_cooling()

Programme réactif :

if temperature > desired_temperature: if time_of_day == "peak_hours": turn_on_cooling_eco_mode()

Agent IA : Classe avec fonctions perceive(), think(), act() prenant en compte la température, le prix de l’électricité, les préférences de l’utilisateur, etc.

Responsive program if temperature > desired_temperature: if time_of_day == "peak_hours": turn_on_cooling_eco_mode() else: turn_on_cooling_normal()

5. Comment fonctionnent les agents IA ?

Exemple : ton frigo ne se contente pas de commander du lait — il te propose du lait d’amande selon tes recherches. C’est ça un agent IA.

Différence avec l’automatisation simple :

Deux capacités clés :

• Utilisation d’outils

• Planification

Exemple : multiplier 85 x 65 → l’agent peut utiliser une calculatrice.

5.1 Couche d’orchestration (centre de contrôle)

Reçoit la requête ("Je veux organiser un webinaire").

Rôles :

• Mémoire

• État

• Raisonnement

• Planification

5.2 Modèles (le cerveau)

Décident quoi faire en utilisant :

• ReAct : raisonner puis agir

• Chain-of-Thought

• Tree-of-Thoughts

5.3 Outils (les mains)

APIs, bases de données, recherches web, etc.

6. ✅ Quand utiliser des agents / ⛔ Quand les éviter

Les agents sont utiles lorsque vous avez besoin d'un LLM pour déterminer le flux de travail d'une application.

Mais ils sont souvent exagérés. La question est la suivante : ai-je vraiment besoin de flexibilité dans le flux de travail pour résoudre efficacement la tâche à accomplir ?

Si le flux de travail prédéterminé échoue trop souvent, cela signifie que vous avez besoin de plus de flexibilité.

Prenons un exemple : disons que vous faites une application qui traite les demandes des clients sur un site Web de voyage de surf.

Vous pouvez savoir à l'avance que les demandes appartiendront à l'un des 2 compartiments (en fonction du choix de l'utilisateur), et vous avez un flux de travail prédéfini pour chacun de ces 2 cas.

Vous voulez des connaissances sur les voyages ? ⇒ donnez-leur accès à une barre de recherche pour rechercher votre base de connaissances

Voulez-vous parler aux ventes ? ⇒ laissez-les taper un formulaire de contact.

Si ce flux de travail déterministe correspond à toutes les requêtes, il suffit de tout coder ! Cela vous donnera un système fiable à 100 % sans risque d'erreur introduit en laissant les LLM imprévisibles s'immiscer dans votre flux de travail. Pour des raisons de simplicité et de robustesse, il est conseillé de régulariser pour ne pas utiliser de comportement agent.

Mais que se passe-t-il si le flux de travail ne peut pas être déterminé aussi bien à l'avance ?

Par exemple, un utilisateur veut demander : "Je peux venir lundi, mais j'ai oublié mon passeport, donc je risque d'être retardé à mercredi, est-il possible de m'emmener, moi et mes affaires, surfer mardi matin, avec une assurance annulation ?" Cette question dépend de nombreux facteurs, et probablement aucun des critères prédéterminés ci-dessus ne suffira pour cette demande.

Si le flux de travail prédéterminé échoue trop souvent, cela signifie que vous avez besoin de plus de flexibilité.

C'est là qu'une configuration agentique aide.

Dans l'exemple ci-dessus, vous pouvez simplement créer un agent en plusieurs étapes qui a accès à une API météorologique pour les prévisions météorologiques, à l'API Google Maps pour calculer la distance de déplacement, à un tableau de bord de disponibilité des employés et à un système RAG sur votre base de connaissances.

Jusqu'à récemment, les programmes informatiques étaient limités à des flux de travail prédéterminés, essayant de gérer la complexité en empilant les commutateurs if/else. Ils se sont concentrés sur des tâches extrêmement étroites, comme "calculer la somme de ces nombres" ou "trouver le chemin le plus court dans ce graphique". Mais en fait, la plupart des tâches de la vie réelle, comme notre exemple de voyage ci-dessus, ne correspondent pas à des flux de travail prédéterminés. Les systèmes d'agents ouvrent le vaste monde des tâches du monde réel aux programmes !

7. Domaines d’application

• Assistants virtuels

• Véhicules autonomes

• Soins de santé

• Automatisation intelligente

• Analyse financière

• Robotique

8. Conclusion

Les agents IA changent notre manière d’utiliser la technologie. De plus en plus autonomes, intelligents et adaptatifs, ils permettent de résoudre des problèmes complexes. Mais leur conception soulève des défis : éthique, dépendance aux données, passage à l’échelle.

Résumé :

• Un agent IA perçoit, raisonne et agit pour atteindre un objectif.

• Composants clés : capteurs, actionneurs, moteur décisionnel, apprentissage.

• Exemples : assistant vocal, robot aspirateur, bot de trading.

En maîtrisant ces bases, on peut exploiter le potentiel des agents IA pour innover et construire un avenir technologique plus efficace.