Automatisation avec des agents d’IA

Face à tant d’enthousiasme autour de l’IA générative axée sur les chatbots comme ChatGPT et les outils de création d’images tels que Midjourney ou Grok2, il est facile de passer à côté des opportunités d’automatisation plus larges que présentent les grands modèles de langage (LLM).

Alors que les chatbots d’IA peuvent considérablement renforcer la productivité individuelle, débloquer la productivité à l’échelle de l’entreprise nécessite une approche différente qui va au-delà du chatbot. En règle générale, les chatbots fonctionnent comme un « cerveau dans un bocal » : ils sont limités à ce qu’ils savent sur la base de leurs données d’entraînement. Ils ne sont pas au courant des derniers événements survenus après leur entraînement et ne peuvent pas accéder aux données de l’entreprise protégées par des pare-feu.

Pour remédier à ces lacunes, des techniques telles que la génération augmentée par récupération (RAG) peuvent être appliquées pour intégrer des résultats de recherche Internet en temps réel, des documents commerciaux ou des données provenant de systèmes CRM, ancrant l’IA sur des informations plus récentes et contextuellement pertinentes. Cette approche améliore la précision des réponses du modèle d’IA et réduit les hallucinations (lorsque l’IA comble les lacunes de ses connaissances par des résultats plausibles mais factuellement erronés).

However, true intelligent automation of a business or workflow necessitates more than simply generating an output. AI models must be capable of responding to events and triggering actions based on the data they evaluate. This proactive approach is essential for creating systems that exhibit intelligent behaviour and drive tangible business outcomes.

Des grands modèles de langage aux agents IA

C’est là qu’interviennent les agents IA. Les chatbots d’IA générative peuvent vous aider à créer, synthétiser, découvrir et apprendre. Les agents IA, à l’inverse, sont conçus pour agir : ils associent la puissance des LLM pour évaluer les données et prédire un résultat souhaité (le mot ou le pixel suivant dans une séquence), avec la capacité d’agir grâce à l’automatisation.

Les agents IA fusionnent l’intelligence et l’automatisation, créant ainsi des systèmes autonomes conçus pour fonctionner de manière indépendante, prendre des décisions et s’adapter à des environnements changeants. Les agents IA promettent de relever l’un des défis de longue date en matière d’automatisation, à savoir la fragilité de l’automatisation robotisée des processus (RPA) traditionnelle. Supposons qu’un processus automatisé rencontre une erreur, un document ou un point de données qu’il n’est pas configuré pour traiter. Dans ce cas, le processus entre en état d’exception, nécessitant souvent une correction humaine coûteuse.

En associant la polyvalence et les capacités de raisonnement des grands modèles de langage aux flux de travail et à l’automatisation robotisée des processus, les agents IA peuvent automatiser les tâches nécessitant une planification à long terme et une interaction dans des environnements complexes et dynamiques, marquant un progrès significatif vers la réalisation des objectifs d’automatisation et de traitement direct des entreprises.

Principales caractéristiques des agents IA

Les agents IA présentent plusieurs caractéristiques clés, qu'ils soient conçus pour des tâches en monde ouvert (où ils disposent d'une grande liberté en termes d'outils et d'approches pour atteindre un résultat) ou créés pour fonctionner uniquement dans le cadre de garde-fous stricts, avec un ensemble limité d'options à leur disposition. Ces caractéristiques incluent :

• Autonomy: AI Agents operate independently, making decisions and executing tasks based on predefined goals or dynamically generated objectives, adapting to changing environments without human intervention.
• Goal-Oriented: AI Agents are designed with specific goals in mind and work toward achieving these goals efficiently.
• Interactivity: AI Agents can interact with various workflow components, such as data sources, RPA robots, other software systems’ APIs, or even human users, to gather information, make decisions, and execute tasks.

Framework pour la gestion des agents IA

Une structure robuste est essentielle pour utiliser efficacement les agents IA. Cette structure doit intégrer les facteurs clés suivants :

• Inputs & Outputs: The documents, data, user prompts, etc. used to dynamically configure and provide context to the AI Agent’s workflow.
• Allowed Actions & Rules: The actions, capabilities or APIs the agent is permitted to use, and the guardrails to direct the agent’s behaviour.
• Agent Framework: The underlying structure that supports the creation and operation of AI Agents.
• Workflow: The processes through which AI Agents operate and how they are managed. Frameworks should also determine when an automation is complete and whether human intervention is necessary.
• SLA (Service Level Agreement): The agreed-upon performance standards to ensure AI Agents meet speed, accuracy and reliability expectations.
• Safety System: Mechanisms to ensure AI Agents operate within safe and ethical boundaries.
• Audit History: A record of actions taken by AI Agents to ensure accountability and transparency.

Le cadre idéal est facile à mettre en œuvre et ne demande qu’une formation limitée, permettant aux utilisateurs professionnels sans connaissances techniques approfondies de créer leurs propres agents IA et automatisations à l’aide d’interfaces utilisateur de chat no-code et d’un copilote. De plus, compte tenu du rythme de l’innovation dans le domaine de l’IA, les cadres doivent fonctionner indépendamment de tout modèle de langage volumineux spécifique pour éviter une dépendance à long terme des fournisseurs.

Une intégration transparente avec une plateforme d’automatisation existante peut également être bénéfique. L’ajout de nouveaux agents IA aux processus d’automatisation et aux flux de travail existants accélère souvent le retour sur investissement alimenté par l’IA.

Créer des agents IA avec TotalAgility

Intelligent Automation platforms like TotalAgility easily support AI Agents. We offer two approaches to creating AI agents in TotalAgility, including:

AI Powered Processes: Workflow processes that use LLMs to make decisions or control the path an instance of the process follows.

Chaque étape du flux de travail exécute une tâche spécifique, comme la récupération d’un e-mail, d’une page Web ou d’un document, ou l’extraction de données d’un système connecté via une API ou un robot. Ensuite, il demande au grand modèle de langage (LLM) d’évaluer ce contenu et ces informations sur la base de critères définis sous forme de prompts et d’instructions système. L’appel au LLM n’est qu’une étape supplémentaire dans le processus. Les prompts servent à demander au LLM de renvoyer une réponse dans un format que le flux de travail peut utiliser, par exemple sous forme de données JSON utilisant un format défini ou un booléen « vrai/faux ». Le LLM peut ainsi répondre et contrôler le flux ou le chemin emprunté dans le flux de travail.

Custom LLMs: These have specific interfaces that can be interacted with using chat completions or called as part of a workflow.

Les LLM personnalisés sont une nouvelle fonctionnalité puissante introduite dans TotalAgility 8 qui permet de créer rapidement des agents IA à l’aide d’outils low-code. En règle générale, ces modèles utilisent des modèles de base pré-entraînés, tels que GPT4 d’Open AI, et les étendent à d’autres actions automatisées telles que la recherche de contenu pertinent dans une base de connaissances de l’entreprise, l’extraction de données du CRM ou l’utilisation de résultats de recherche sur Internet pour fonder les réponses sur des données contextuelles actuelles et pertinentes. Les LLM personnalisés peuvent également intégrer des activités à chaque invocation, comme le stockage des prompts et des réponses ou la vérification des résultats générés par rapport à des critères prescrits ou même avec les résultats d’un autre LLM. Une fois créé, le LLM personnalisé peut être utilisé pour alimenter un composant de chat dans un formulaire Web ou être appelé en tant qu’étape d’activité dans un processus alimenté par l’IA.

Exemples d'agents IA

Les agents IA peuvent être adaptés aux différents besoins métier, en fournissant un large éventail de fonctionnalités pour répondre à des scénarios auparavant difficiles à automatiser. Voici quelques exemples :

• RAG Agent: This agent uses Retrieval Augmented Generation to process documents, data, and search results, providing synthesized information or insights. This improve LLMs response quality and reduces the incidence of incorrect or hallucinated replies.
• Email Responder: Automates the process of responding to emails, including understanding the content, generating appropriate replies, and sending them.
• Research Agent: Combines RAG, search capabilities, and document processing to gather and synthesize information for research purposes. Citations and references to supporting content can be added automatically, to improve transparency and trust in the results.
• Customer Service Agent: Handles customer inquiries by responding to emails, requesting more information if needed, and providing solutions or escalating issues as necessary.
• Quote & Proposal Generation: Assembles and cross-checks the required documentation and correspondence for Request-for-Information and Request-for-Quote processes.
• Event Monitoring: Reviews live feeds to news, pricing, competitor or intelligence data, automatically reporting and responding to events of interest.

Cas d'utilisation pour les agents IA

Les agents IA peuvent être déployés dans plusieurs secteurs et fonctions afin d’améliorer l’efficacité et la productivité. Voici quelques cas d’utilisation spécifiques :

1. Customer Support: AI Agents can handle customer queries, provide instant responses, and escalate complex issues to human agents. This reduces response times and improves customer satisfaction.
2. Sales and Marketing: AI Agents can analyse customer data, predict trends, and personalize marketing campaigns. They can also automate follow-up emails and manage customer relationships.
3. Human Resources: AI Agents can streamline recruitment processes by screening resumes, scheduling interviews, and even conducting initial interviews. They can also manage employee onboarding and training.
4. Finance: AI Agents can automate routine financial tasks such as invoice processing, expense management, and financial reporting. They can also assist in fraud detection and risk management.
5. Healthcare: AI Agents can assist in patient data management, appointment scheduling, and providing medical information. They can also support telemedicine by facilitating virtual consultations.
6. Supply Chain Management: AI Agents can optimize inventory management, track shipments, and predict supply chain disruptions. They can also automate order processing and vendor management.

Commencer est facile

Bien que de nombreux outils et cadres basés sur du code (comme LangChain ou Azure Semantic Kernel) puissent être utilisés pour créer des agents IA par programmation, il est facile de créer des agents IA à l’aide de flux de travail low-code et d’outils d’automatisation fournis par des plateformes d’automatisation telles que TotalAgility.

Le copilote d’IA intégré peut même vous aider à modéliser la logique de votre agent IA en fonction d’une description de ce que vous voulez accomplir. Détaillez simplement les objectifs d’automatisation, les entrées (événements, contenu, données, canaux) et les sorties (actions, contenu, appels système, etc.) et le copilote créera les étapes de l’agent IA pour vous.

L'avenir des agents IA

Les agents IA représentent une avancée significative dans le domaine de l’automatisation, en combinant l’intelligence des LLM avec la capacité d’agir. En tirant parti des agents IA, les entreprises peuvent automatiser des flux de travail complexes, améliorer leur productivité et atteindre une plus grande efficacité. À mesure que la technologie continue d’évoluer, les applications potentielles des agents IA s’étendront, offrant encore plus d’opportunités d’innovation et de croissance.

En comprenant les capacités de base, les caractéristiques clés et les cas d’utilisation pratiques des agents IA, les professionnels commerciaux et technologiques peuvent mieux exploiter la puissance de l’IA pour stimuler la productivité et la transformation à l’échelle de l’entreprise.

Mais le potentiel des agents IA ne s’arrête pas là. Bien qu’un seul agent IA puisse accomplir beaucoup de choses, la combinaison de plusieurs agents d’IA au sein d’équipes collaboratives permet à chaque agent d’apporter son expertise spécifique aux différentes étapes d’un processus métier. Concevoir des agents IA modulaires et réutilisables permet aux agents de résoudre des problèmes plus vastes et plus complexes dans un cadre organisé, ce qui garantit une coordination harmonieuse et une efficacité optimisée. Concevoir des agents IA modulaires et réutilisables permet aux équipes d’agents de fonctionner comme des unités adaptables visant à atteindre un objectif commun, donnant ainsi lieu aux possibilités illimitées d’une automatisation avancée pilotée par l’IA. Grâce aux équipes d’agents, les possibilités d’automatisation alimentées par l’IA sont infinies.