Lorsque les gens pensent à l’IA générative, beaucoup l’imaginent fonctionner dans le cadre d’un « système d’engagement » — un agent du service client, un outil de gestion de la chaîne d’approvisionnement ou un moyen d’interagir intelligemment avec les PDF et autres données propriétaires d’une organisation et de les rechercher.  C'est une vision précise : pour les deux prochaines années, les applications qui créent intelligemment du contenu en  restera une priorité majeure de l’IA pour les entreprises.   Exploiter les grands modèles linguistiques (LLM)  Mais réfléchissez à ceci : la plupart du code écrit dans les entreprises se trouve dans les processus métiers, c'est-à-dire dans des systèmes comme la planification des stocks, qui se situent entre la couche d'engagement et les systèmes d'enregistrement plus rigides (données d'une organisation, etc.). Comment GenAI va-t-il bénéficier à cette couche ? Comment une organisation peut-elle améliorer ses processus métiers grâce à cette technologie omniprésente ?   L'IA agentique est la solution. Bien que les agents IA soient conçus pour effectuer des tâches spécifiques ou automatiser des tâches spécifiques, souvent répétitives (comme la mise à jour de votre calendrier), ils nécessitent généralement une intervention humaine. L'IA agentique est axée sur l'autonomie (pensez aux voitures autonomes), utilisant un système d'agents pour s'adapter en permanence aux environnements dynamiques et créer, exécuter et optimiser les résultats de manière indépendante.  Lorsque l’IA agentique est appliquée aux flux de travail des processus métier, elle peut remplacer les processus métier fragiles et statiques par des systèmes d’automatisation dynamiques et sensibles au contexte.  Voyons pourquoi l’intégration d’agents d’IA dans les architectures d’entreprise marque une avancée transformatrice dans la manière dont les organisations abordent l’automatisation et les processus métier, et quel type de plate-forme est nécessaire pour prendre en charge ces systèmes d’automatisation.  Ce que font les agents maintenant  Lorsque vous fournissez un contexte à un agent, celui-ci transmet ensuite ce contexte à un LLM et lui demande de le compléter et d'y répondre. Les agents IA peuvent également utiliser des fonctionnalités pour effectuer des tâches au nom des utilisateurs. Ces agents IA peuvent exécuter plusieurs fonctions clés guidées par des instructions et des informations dérivées du contexte :  Utilisation des outils : l'agent utilise des fonctions externes, des API ou des outils pour étendre ses capacités et effectuer des tâches spécifiques. Cela peut inclure l'appel de fonctions prédéfinies ou l'interfaçage avec des services externes (comme l'exécution de requêtes Web à l'aide de cURL ou l'accès à des API RESTful) pour obtenir du contexte ou exécuter des actions au-delà de ses fonctionnalités inhérentes.    L'agent évalue les informations disponibles et sélectionne l'action la plus appropriée pour atteindre ses objectifs. Cela implique d'analyser le contexte, d'évaluer les résultats possibles et de choisir un plan d'action qui correspond aux objectifs souhaités. Prise de décision —    L’agent formule une séquence d’actions ou de stratégies pour atteindre un objectif spécifique. Planification —    L’agent analyse le contexte disponible, tire des conclusions, prédit les résultats des actions et prend des décisions éclairées sur les étapes optimales à suivre pour atteindre le résultat souhaité. Raisonnement —  Ces derniers types de fonctions – prise de décision, planification et raisonnement – impliquent souvent que plusieurs agents travaillent ensemble vers un objectif. Les agents peuvent chercher à affiner le code généré pour en vérifier l’exactitude, à débattre du caractère biaisé d’une décision d’agent ou à planifier l’utilisation d’autres capacités d’agent pour accomplir une tâche.  Orchestrer un réseau d'agents  Les modèles qui alimentent les réseaux d'agents sont essentiellement des fonctions sans état qui prennent le contexte comme entrée et produisent une réponse, donc une sorte de cadre est nécessaire pour les orchestrer. Une partie de cette orchestration pourrait consister en de simples améliorations (le modèle demande plus d'informations). Cela peut sembler analogue à  – et cela devrait être le cas, car RAG est essentiellement une forme simplifiée d’architecture d’agent : il fournit au modèle un outil unique qui lui permet d’obtenir des informations supplémentaires, souvent à partir d’une base de données vectorielle.   Génération augmentée par récupération (RAG)  Mais les cadres de modèles multi-agents vont plus loin ; ils négocient des demandes d'informations supplémentaires ou fournissent une réponse conçue pour être transmise à un autre agent pour des améliorations.   Un agent pourrait, par exemple, écrire du code Python, pendant qu'un autre le réviserait. Ou bien un agent pourrait exprimer un objectif ou une idée, puis le travail d'un deuxième agent pourrait consister à le décomposer en un ensemble de tâches ou à réviser l'idée pour trouver des problèmes que le premier agent pourrait examiner, puis affiner l'idée. Vos résultats commencent à s'améliorer de plus en plus.  OK, mais comment puis-je créer une IA agentique ?  Dans un avenir proche, de nombreux ingénieurs logiciels deviendront des auteurs de processus d'agents. Ils construiront ces processus en mélangeant et en associant des composants : modèles, saisies utilisateur, objectifs et services métier critiques.  Un exemple de ces composants est le stock dans un système de gestion des stocks. Et si vous connectiez ce système à un agent qui pourrait vous aider à optimiser les niveaux de stock pendant la période des fêtes ? Avec l'aide d'un autre agent qui a effectué une analyse historique des niveaux de stock, vous pourriez vous assurer qu'il y a juste assez de stock pour répondre à la demande saisonnière tout en laissant peu de stock après la période de pointe des fêtes.  Cela pourrait décevoir les fervents acheteurs des soldes d’après Noël, mais cela contribuerait également à empêcher les détaillants de vendre leurs marchandises à perte.  Mais comment les développeurs construiront-ils ces systèmes ?  Les processus agentiques peuvent bien sûr être exprimés à l'aide de code, mais il est également utile de les visualiser sous forme de « flux agentiques » : la sortie d'un agent devient l'entrée d'un autre agent, et ainsi de suite. Les outils disponibles aujourd'hui apportent déjà beaucoup de valeur dans cet effort de simplification de la création de systèmes agentiques. L'une de ces solutions est  , un générateur visuel à faible code permettant de créer des applications d'IA agentiques et des flux de travail d'IA complexes en faisant glisser et en déposant différents composants, sans avoir besoin de beaucoup de codage.    Langflow  Langflow permet aux développeurs de définir n'importe quel élément comme outil, y compris des composants tels qu'une invite, une source de données, un modèle, des API, des outils ou tout autre agent. Nous avons récemment constaté une demande importante pour la création de « flux » avec des agents, car les développeurs créent de nombreuses applications qui incluent plusieurs fonctionnalités multi-agents : les agents sont le type de composant le plus populaire que les développeurs insèrent dans les flux avec Langflow.  Conclusion : du copilote au pilote  Les workflows d'agents rassemblent les données d'entreprise, l'IA et les API, formant ainsi des systèmes d'automatisation qui permettent aux experts du domaine d'étendre leurs capacités et d'améliorer le fonctionnement des entreprises grâce à l'IA. L'intégration d'agents d'IA dans les architectures d'entreprise marque un grand pas en avant dans la manière dont les organisations abordent l'automatisation et les processus métier.  Ces agents, renforcés par des LLM et des cadres d'agents, transcendent les frontières traditionnelles en fonctionnant de manière transparente à travers les processus, les flux de travail et le code.   L’adoption de workflows agentiques promet d’améliorer l’efficacité, l’évolutivité et la réactivité des opérations commerciales. Ils géreront des workflows entiers, traiteront des tâches complexes avec une plus grande adaptabilité et amélioreront l’expérience client en offrant des interactions plus personnalisées et plus rapides. À mesure que l’automatisation s’intègre aux systèmes d’entreprise, les copilotes de l’IA deviendront des pilotes et les organisations qui utilisent l’IA agentique seront mieux placées pour innover, rivaliser et créer de la valeur.   Pour plus de détails sur l'IA agentique, lisez le livre blanc gratuit, «  " Et regardez    .   Systèmes d’automatisation : l’avenir de l’architecture d’entreprise est agentique.   cette page pour en savoir plus sur Langflow   Rédigé par Ed Anuff, directeur des produits chez DataStax

The is an opinion piece based on the author’s POV and does not necessarily reflect the views of HackerNoon.

DataStax Astra DB is the vector database for getting GenAI apps into production, fast. Try it for free today!

DataStax

Cet audio est produit dans la langue originale de l'histoire !

Agents IA : comment ils se préparent à faire exploser la couche des processus métier

About Author

COMMENTAIRES

ÉTIQUETTES

CET ARTICLE A ÉTÉ PARU DANS

Related Stories

Des forums aux flux : comment les algorithmes des réseaux sociaux façonnent l'interaction numérique

Le modèle Bitcoin UTXO, alimentant un écosystème unique

Le guide complet pour réussir une migration vers le cloud : stratégies et bonnes pratiques

Vous voulez gagner un concours d’écriture HackerNoon ? Voici ce que recommandent les gagnants du concours #crypto-api

Des forums aux flux : comment les algorithmes des réseaux sociaux façonnent l'interaction numérique

Le modèle Bitcoin UTXO, alimentant un écosystème unique

Le guide complet pour réussir une migration vers le cloud : stratégies et bonnes pratiques

Vous voulez gagner un concours d’écriture HackerNoon ? Voici ce que recommandent les gagnants du concours #crypto-api

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps