Les agents IA sont construits à partir d’un ensemble de composants fondamentaux qui fonctionnent ensemble pour permettre un comportement intelligent.

Architecture d’un agent

Bien que tous les agents partagent généralement les composants suivants, leur mise en œuvre et leur importance varient selon le but et la complexité de l’agent.

• Modèle fondamental (LLM) : Le grand modèle de langage (LLM) fournit les capacités de génération et de raisonnement. Il permet la compréhension du langage naturel, sa génération et la prise en compte du contexte.
• Orchestrateur : L’orchestrateur coordonne le comportement de l’agent, décidant quand récupérer des connaissances, invoquer des compétences ou faire appel à un humain. Il gère les flux de travail, la mémoire et la logique décisionnelle.
• Connaissances : Il s’agit des informations qu’un agent utilise pour comprendre son environnement et prendre des décisions. Cela inclut les instructions définies pour l’agent et les données de référence auxquelles il a accès, comme les données structurées, le contenu non structuré, les documents, les bases de données et les entrées en temps réel. Les agents utilisent ces connaissances pour fournir des réponses et des actions pertinentes selon le contexte.
• Compétences et outils : Ce sont les actions, capacités et flux de travail que l’agent peut utiliser pour agir, comme envoyer des messages, interroger des bases de données ou déclencher des processus automatisés. Cela peut inclure l’envoi d’e-mails, la récupération de données, la mise à jour de dossiers ou le déclenchement d’un processus automatisé. Les compétences sont souvent liées à des API, des services ou des outils d’automatisation que l’agent peut utiliser pour accomplir des tâches.
• Autonomie : C’est la logique qui guide la manière dont un agent interprète les informations et choisit ses actions. Elle inclut des cadres de prise de décision, une logique basée sur des règles, des déclencheurs pour des capacités autonomes, et de plus en plus, des modèles d’apprentissage automatique qui permettent aux agents de s’adapter et de s’améliorer avec le temps.

Réflexion :

Pensez à un processus ou une tâche que vous aimeriez automatiser. Quels composants personnalisés (connaissances, compétences, raisonnement) seraient les plus importants pour permettre à un agent de gérer ce processus avec succès ?

LLM vs agents IA : Quelle est la différence ?

Les grands modèles de langage (LLM) sont le moteur central de l’IA générative. Ils permettent aux agents de comprendre et de générer un langage humain, de résumer du contenu, de traduire du texte, etc.

Cependant, les LLM seuls ne sont pas des agents.

Les agents IA étendent la puissance des LLM en intégrant des composants supplémentaires :

• Mémoire pour conserver le contexte entre les interactions
• Compétences pour effectuer des actions dans le monde réel
• Raisonnement et orchestration pour gérer des flux de travail complexes
• Interfaces pour interagir avec les utilisateurs et les systèmes

En résumé : les LLM génèrent de l’intelligence. Les agents appliquent cette intelligence pour atteindre des objectifs.

Comment fonctionnent les agents IA ?

Voici comment un agent IA typique fonctionne :

1. Entrée : Un utilisateur pose une question ou initie une tâche.
2. Compréhension : Le LLM interprète l’entrée, détermine l’intention et extrait les informations pertinentes.
3. Planification : L’orchestrateur, souvent avec l’aide du LLM, décide des étapes à suivre, comme récupérer des connaissances, appeler une compétence ou demander des précisions.
4. Action : L’agent exécute les actions requises en utilisant ses compétences ou outils, guidé par le plan.
5. Génération de réponse : Le LLM génère une réponse en langage naturel basée sur les résultats des actions et le contexte actuel.
6. Communication : L’agent transmet la réponse à l’utilisateur via l’interface choisie.
7. Apprentissage : L’agent stocke le contexte ou les retours pertinents pour améliorer les interactions futures.

Exemple :

Un employé demande à un agent :

« Quelle est la politique de voyage de notre entreprise, et peux-tu réserver un vol pour Seattle la semaine prochaine ? »

• L’agent récupère la dernière politique de voyage de l’entreprise à partir de la documentation interne ou d’une base de connaissances, en tenant compte des directives organisationnelles et du rôle de l’employé.
• Il appelle ensuite une API externe de réservation de vols pour rechercher des vols disponibles vers Seattle qui respectent la politique de voyage de l’entreprise (ex. : compagnies aériennes préférées, limites budgétaires, exigences d’approbation).
• L’agent répond à l’employé avec un résumé de la politique de voyage pertinente, des options de vol proposées et une confirmation que la demande de réservation a été initiée ou complétée — le tout en langage naturel.

Agents autonomes

Les agents autonomes fonctionnent avec une plus grande indépendance, poursuivant souvent des objectifs sur plusieurs étapes ou sessions avec une intervention humaine minimale. Un élément clé des agents autonomes est leur capacité à répondre à des déclencheurs — événements ou changements dans les données — qui incitent l’agent à agir sans intervention directe de l’utilisateur. Les déclencheurs peuvent inclure des horaires planifiés, des mises à jour de données, des événements de systèmes externes ou des changements dans le contexte utilisateur.

Leur flux de travail ressemble généralement à ceci :

• Définition d’objectif : L’agent reçoit un objectif de haut niveau (d’un utilisateur ou d’un système).
• Surveillance des déclencheurs : L’agent surveille en continu les déclencheurs pertinents tels que les échéances, les changements de données ou les événements externes nécessitant une action.
• Auto-planification : Lorsqu’un déclencheur est détecté ou qu’un objectif est reçu, l’agent décompose de manière autonome l’objectif en sous-tâches et crée un plan, souvent en le raffinant de manière itérative.
• Action itérative : L’agent exécute des actions, surveille les résultats et adapte son plan si nécessaire, bouclant potentiellement plusieurs fois entre planification et action. Ces actions peuvent inclure le déclenchement de flux de travail, combinant le comportement autonome avec des flux déterministes automatisés.
• Auto-évaluation : L’agent évalue les progrès vers l’objectif, décidant de continuer, d’ajuster son approche ou de déclarer l’objectif atteint.
• Rapport/communication : L’agent résume les résultats ou demande une intervention uniquement si nécessaire.
• Apprentissage continu : L’agent met à jour sa mémoire et ses stratégies en fonction des résultats pour améliorer son autonomie future.

Les agents autonomes mettent l’accent sur la planification autonome, l’exécution déclenchée et une dépendance minimale à l’entrée utilisateur étape par étape, leur permettant de gérer des tâches complexes et multi-étapes.

Exemple :

Une organisation financière utilise un agent de correction fiscale construit avec les flux d’agents de Copilot Studio.

• L’agent surveille en continu les données financières pour détecter des anomalies pouvant indiquer la nécessité d’un audit.
• Lorsqu’une anomalie est détectée, il déclenche de manière autonome un flux d’audit structuré, collecte les documents nécessaires et résume les principales conclusions.
• L’agent transmet ensuite les résultats de l’audit aux réviseurs humains appropriés pour approbation, garantissant conformité et transparence.
• Tout au long du processus, l’agent adapte ses actions en fonction des nouvelles données ou des retours, combinant prise de décision autonome et flux de travail déterministes pour maintenir flexibilité et conformité réglementaire.

Ce cycle basé sur les déclencheurs permet aux agents d’opérer dans des environnements dynamiques, de s’adapter aux besoins des utilisateurs et de fournir des résultats de plus en plus personnalisés et efficaces.

Création d’agents IA

La création d’agents IA peut nécessiter une combinaison de technologies fondamentales, d’infrastructure et d’outils de développement.

• Modèles fondamentaux (LLMs) : Pour la compréhension du langage naturel, le raisonnement et la génération.
• Couche d’orchestration : Pour gérer la planification, la prise de décision et la coordination des actions.
• Compétences et outils : Une bibliothèque d’API, de plugins et de services que l’agent peut invoquer pour accomplir des tâches.
• Mémoire et stockage de contexte : Pour conserver la mémoire à court et long terme, permettant la personnalisation et la continuité.
• Infrastructure de données : Accès sécurisé et évolutif aux sources de données structurées et non structurées.
• Sécurité et gouvernance : Gestion des identités, contrôle d’accès et surveillance de la conformité.
• Environnement de déploiement : Infrastructure cloud-native (ex. Azure Kubernetes Service, Azure Functions) pour héberger et faire évoluer l’agent.

Cependant, le niveau de développement requis sur ces couches de la pile IA peut varier considérablement selon le but et la complexité de l’agent. Pour les scénarios d’agents de récupération ou basés sur des tâches, il peut suffire d’ajouter des connaissances, des compétences et des instructions tout en utilisant l’infrastructure existante (par exemple, créer un agent qui étend Microsoft 365 Copilot). Pour des scénarios plus avancés et complexes, vous pouvez personnaliser entièrement votre solution, y compris les modèles, l’orchestration, la logique, les actions, la sécurité et la gouvernance.

Solutions d’agents IA de Microsoft

Microsoft propose une gamme d’outils et de solutions pour accompagner votre parcours de transformation par l’IA, que vous souhaitiez créer une solution avec une pile IA entièrement personnalisée ou tirer parti de composants existants avec vos données d’entreprise, API et logique métier.

Adopter :

Microsoft 365 Copilot, Copilot Chat et une gamme d’agents propriétaires offrent des capacités puissantes pour soutenir la productivité alimentée par l’IA dès le départ, avec des contrôles de sécurité et de gouvernance intégrés.

Étendre :

Microsoft 365 Copilot peut être étendu avec des agents qui exploitent le modèle, l’orchestrateur et l’interface utilisateur de Copilot, mais qui sont adaptés à une logique métier, des données et des systèmes personnalisés pour l’automatisation des processus métier.

Créer :

Une gamme d’outils et de services Microsoft, dont Copilot Studio, Microsoft 365 Agents Toolkit, Azure AI Foundry, et bien d’autres, peuvent être utilisés pour créer des agents personnalisés et des applications commerciales d’IA générative pour des scénarios plus avancés ou complexes.

Microsoft propose les meilleures solutions pour les agents IA utilisables tout au long de ce spectre, notamment :

• Microsoft 365 Copilot et Agent Builder : Les utilisateurs métier peuvent créer des agents IA en utilisant le langage naturel dans une interface sans code.
• Copilot Studio : Les créateurs peuvent utiliser une interface low-code pour créer des agents IA personnalisés et étendre Microsoft 365 Copilot.
• Visual Studio / GitHub / Azure AI Foundry : Les développeurs peuvent utiliser ces outils pro-code avec des SDK et des services comme Semantic Kernel, Azure AI Agent Service et Microsoft 365 Agents Toolkit pour concevoir, créer, personnaliser, publier et gérer des solutions d’agents IA de niveau entreprise.

Unité suivante : Évaluation du module