LMi-MAG28 Dec - Flipbook - Page 47
4
Les multi-agents IA s’emparent
des tâches complexes
E
n connectant et coordonnant les actions d’agents
IA entre eux, les entreprises peuvent espérer
accélérer et optimiser leurs différents processus
métiers. Les avantages sont nombreux tout
comme les risques associés. Si les systèmes multi-agents
(SMA) existent dans la littérature scientifique depuis les
années 1980, trente-cinq ans plus tard ils décollent audelà du concept dans le domaine de l’informatique et de
l’IA. Un SMA en contexte IA s’articule autour d’agents
situés dans un environnement partagé. Ces derniers
collaborent, se coordonnent ou parfois même se font
concurrence pour atteindre des objectifs individuels ou
collectifs. Contrairement aux applications traditionnelles
à contrôle centralisé, les systèmes multi-agents se
caractérisent souvent par un contrôle et une prise de
décision distribués.
Ces ensembles d’agents autonomes sont spécialisés dans
des tâches spécifiques coordonnées via un orchestrateur.
Dans un SMA, chaque agent s’appuie sur un LLM ou un
SLM, un ensemble d’outils spécifiques (API, graphes de
connaissances, données propriétaires), ainsi que des
capacités mémoire à court et à long terme pour affiner
leurs actions au fil du temps. Les charges de travail sont
alors réparties entre plusieurs agents spécialisés, chacun
se concentrant sur un domaine ou une fonction spécifique,
5
tandis que l’agent orchestrateur assure la coordination du
système et la prise en compte du contexte.
Des débouchés variés
Les systèmes multi-agents peuvent trouver des débouchés
variés : industrie (analyse des processus existants,
évolution de la demande pour commander/recommander
du matériel, acheter des composants au meilleur coût...),
service client (identifier et régler un problème, éditer
une facture, réaliser un remboursement...), supply chain
(gérer les stocks, affecter les ressources..), détection de
fraude (détection d’activités frauduleuses, évaluation des
risques pour réduire les menaces...).
Parmi les avantages des SMA : le fait de s’adapter à
différents environnements en ajoutant, en supprimant
ou en adaptant des agents, de résoudre des problèmes et
des tâches plus complexes que les systèmes mono-agents,
de répartir l’expertise spécifique de chaque agent à un
domaine métier et de connaissances. Mais il existe aussi
plusieurs risques à considérer : exposition à l’exploitation
de failles de sécurité, comportements contradictoires ou
imprévisibles dans des réseaux décentralisés, finesse,
précision et justesse de la coordination et de la capacité
de négociation des agents entre eux.
Domain-Speci昀椀c Language Models (DSLM) :
la spécialisation avant tout
C
ontrairement aux traditionnels modèles de
langage, les Domain-Specific Language Models
répondent à des besoins IA plus ciblés avec de
réels bénéfices en matière de précision, de
coûts et de conformité.
Le Gartner est formel : d’ici à trois ans plus de la moitié
des modèles de GenAI utilisés par les entreprises ne
seront pas génériques mais ciblés. Cette dernière
génération porte un nom : DSLM pour Domain-Specific
Language Models. Par rapport aux modèles généralistes,
ces derniers ont plusieurs caractéristiques à même
d’intéresser les entreprises : à savoir être formés ou
affinés à partir de données spécifiques à un domaine,
secteur, fonction ou processus. En étant spécialisé dans
un domaine, un tel modèle est donc à même d’effectuer
des tâches spécifiques avec un niveau plus élevé de
précision et d’efficacité qu’un LLM généraliste.
Les DSLM peuvent être développés selon deux approches :
ils peuvent être formés à partir de zéro sur des données
spécifiques à un domaine ou bien être constitués à partir
d’un ou plusieurs modèles existants. Un DSLM est doté de
connaissances spécifiques à un domaine pour lequel un
travail de formation et d’affinage a été effectué en utilisant
différentes techniques (ingénierie de prompts, génération
augmentée de récupération (RAG), fine tuning...). Ces
modèles peuvent être entraînés à partir d’ensembles de
données spécifiques à un domaine particulier, tels que
des documents juridiques, des dossiers médicaux, des
rapports financiers ou de la documentation technique.
Cette formation spécialisée leur permet de développer
une compréhension approfondie du langage, de la
terminologie et du contexte propres à ce domaine. Ils
fournissent ainsi des informations et des résultats plus
précis. Ces modèles apparaissent donc plus pertinents
pour générer des contenus et des réponses davantage
47
