Veuillez essayer un autre navigateur

Vous utilisez un navigateur obsolète qui n'est pas compatible avec le contenu de notre site Web. Pour une expérience d'affichage optimale, veuillez utiliser Microsoft Edge ou consulter notre site sur un autre navigateur.

Si vous choisissez de continuer à utiliser ce navigateur, le contenu et les fonctionnalités disponibles seront limités.

Construire un agent intelligent de découverte de connaissances

19 mars 2025

Nos clients sont souvent confrontés à des défis lorsqu’il s’agit de localiser et d’extraire des données clés à partir de documents complexes. Des scénarios tels que la souscription d’assurance pour des actifs de grande valeur (comme des avions ou des plateformes pétrolières), la mise à jour des informations sur les fonds dans les systèmes de gestion des ordres commerciaux destinés aux gestionnaires de placements, ou la révision de contrats légaux, tout cela implique une analyse fastidieuse des documents par des professionnels hautement qualifiés.

À chaque nouveau cas, les points de données nécessaires renfermés dans les documents peuvent être les mêmes. Les documents liés aux cas, eux, arrivent généralement dans des formats, des mises en page, des tableaux, des métriques et des langues très variés.

C’est le problème du contenu non structuré, qui augmente les coûts et les efforts nécessaires pour trouver les informations requises. Historiquement, ce défi a rendu ces cas d’utilisation extrêmement difficiles à automatiser à grande échelle.

Avec l’arrivée des derniers modèles de raisonnement d’IA, des agents IA et des technologies avancées de graphes de connaissances, cette situation commence à changer. Avec une plateforme d’automatisation intelligente moderne qui intègre ces fonctionnalités de pointe, l’automatisation de ces flux de travail à forte valeur ajoutée dispose désormais d’un argument commercial pour le moins convaincant. Cette association d’IA et d’automatisation promet d’apporter d’énormes gains d’efficacité, permettant aux entreprises d’étendre leurs opérations sans avoir à embaucher plus de personnel. Elle améliore également la visibilité sur le processus, permettant une meilleure gestion des risques tout en réalisant d’énormes économies de temps et d’argent.

Cet article s’intéressera à la façon dont la combinaison de techniques d’automatisation traditionnelles, d’agents IA et de bases de connaissances en IA (également connue sous le nom de génération augmentée par récupération ou RAG) peut générer une nouvelle valeur de ces processus métier, autrefois impossibles à automatiser.

Flux de travail agentiques

Tungsten Automation est depuis longtemps un leader de l’automatisation intelligente. Notre plateforme TotalAgility est une solution complète pour le traitement intelligent des documents, la gestion des cas, les flux de travail impliquant des humains et l’automatisation robotisée des processus (RPA).

En février de l’année dernière, nous avons introduit l’IA générative, les copilotes et les agents IA dans TotalAgility 8. Ces innovations transforment la manière dont les entreprises traitent et extraient de la valeur de contenus complexes en utilisant de grands modèles de langage pour analyser les documents et prendre des décisions dans le flux de travail.

L’évolution de l’automatisation : des flux de travail linéaires aux agents IA

Les flux de travail traditionnels, bien que structurés, reposent souvent sur des chemins et des règles préconçus. Ils sont parfaits pour les tâches répétitives ou les processus qui suivent des modèles prévisibles. Cependant, comme les entreprises traitent des données non structurées et dépendantes du contexte, ces flux de travail ont du mal à suivre le rythme.

C’est là que les flux de travail agentiques se démarquent. Les flux de travail agentiques s’appuient sur des agents IA qui peuvent s’adapter dynamiquement à de nouvelles informations, offrant ainsi un degré beaucoup plus élevé de flexibilité et de résilience en matière d’automatisation. Au lieu de suivre des chemins rigides, les agents utilisent le raisonnement, la compréhension du langage naturel et la sémantique pour surmonter la complexité et sélectionner les API et outils les plus appropriés pour résoudre les problèmes. Plutôt que de confier une tâche à un humain chaque fois qu’elle est confrontée à un scénario ou à une exception inédite, la plateforme permet à l’agent d’automatisation une certaine autonomie pour explorer différentes manières d’atteindre les objectifs qui lui sont confiés. Cela se fait dans le cadre d’une gouvernance stricte qui contrôle et limite les actions que l’agent peut entreprendre et assure une surveillance humaine de toutes les décisions potentiellement à haut risque.

Un seul agent est-il suffisant ?

Bien que les agents IA donnent lieu à de nouvelles possibilités d’automatisation, toutes les automatisations ne nécessitent pas un agent. D’après notre expérience dans la création de systèmes d’agents, créer un seul agent IA pour accomplir toutes les tâches n’est généralement pas la bonne approche. Avec les technologies d’IA générative, plus vous accordez de liberté et de créativité à un modèle, plus vous risquez d’obtenir des résultats inattendus. Dans certains scénarios, cette créativité est souhaitable. Cependant, pour les cas d’utilisation d’automatisation métier, en particulier dans les secteurs réglementés, la clé est de fournir juste assez d’autonomie pour faire face à la variation attendue dans le cas d’utilisation, mais pas au point de perdre le contrôle du processus global.

Créer plusieurs agents, chacun ayant un rôle ou une fonction à remplir, est un modèle qui a déjà fait ses preuves. Cette approche permet de fournir des instructions contextuelles spécifiques à chaque agent, en veillant à ce qu’il reste entièrement concentré sur l’objectif ou le résultat souhaité. En outre, chaque agent n’a accès qu’aux outils dont il a besoin, tels que des ensembles de données, des documents ou des connecteurs d’intégration, pour mener à bien sa tâche. Nous les appelons des « agents employés ».

Comme dans le monde réel, les agents employés peuvent collaborer en se parlant entre eux en utilisant à la fois le langage naturel (comme les humains se parlent en français) et des formats de données structurés, tels que JSON.

Nous utilisons ensuite un « agent de gestion » ou un flux de travail de contrôle pour déléguer des tâches spécifiques aux agents employés. Les capacités d’orchestration des processus de la plateforme, y compris les pistes d’audit complètes, la gestion des SLA et la gestion des exceptions, facilitent, régissent et surveillent les interactions entre les agents employés.

Le don de la connaissance

Les hallucinations sont une des limites populaires de l’IA générative : le modèle d’IA devine ou invente des faits pour combler les lacunes dans son entraînement ou ses connaissances.

Ce problème est particulièrement préoccupant pour les entreprises qui utilisent des modèles d’IA pour traiter des documents commerciaux, où la précision et l’exactitude des données sont d’une importance capitale. Dans les secteurs réglementés ou les cas d’utilisation où une réponse incorrecte d’un modèle d’IA pourrait entraîner un important risque financier ou nuire à la réputation, des mesures doivent être prises pour atténuer ces risques.

Nous exploitons une technique, l’« ancrage », pour garantir que l’IA renvoie des faits ou des points de données qui font référence de manière transparente à une source spécifique, afin que leurs affirmations puissent être vérifiées avant d’être utilisées. Cette technique demande de convertir le contenu dans un format que l’IA peut interroger en natif, afin de trouver des sections pertinentes du contenu en fonction du sens ou de l’intention, plutôt que de rechercher des mots-clés ou des phrases spécifiques qui renvoient soit trop de résultats, soit aucun, selon la manière dont le document a été rédigé.

Dans de nombreux cas, le fait de fournir à l’utilisateur des outils d’IA pour faciliter la recherche des points de données souhaités permet de gagner en productivité. (Retrouverez un excellent exemple de cette méthode en action dans le document suivant : Analyse avancée des PDF avec Power PDF Copilot.) Mais que se passe-t-il si nous voulons aller plus loin et automatiser l’ensemble du processus de découverte de données à partir de documents complexes ?

La nouvelle version de TotalAgility introduit une nouvelle fonctionnalité de base de connaissances qui simplifie le processus de conversion des documents dans un format exploitable par les agents IA.

Tout document, quelle que soit sa taille ou sa complexité, peut être chargé dans une base de connaissances en une seule étape d’automatisation. L’agent IA peut ensuite utiliser cette base de connaissances dans le cadre d’un modèle de génération augmentée par récupération (RAG) pour localiser les informations ou les sections pertinentes du document. En recourant à des stratégies telles que la segmentation intelligente, qui consiste à diviser le document en fonction de chapitres ou de sections plutôt qu’en fonction d’une stratégie arbitraire comme le nombre de mots ou de pages, nous nous assurons que l’agent IA dispose d’éléments de contenu ou de tableaux de données complets sur lesquels s’appuyer, améliorant un peu plus la précision des réponses d’IA. De nombreuses autres techniques permettent d’améliorer la façon dont le contenu est stocké ou extrait de la base de connaissances, mais ces dernières sortent du cadre de cet article. N’hésitez pas à nous contacter si vous souhaitez en savoir plus.

Découverte automatisée des connaissances

La véritable puissance de la nouvelle fonctionnalité de base de connaissances est libérée lorsqu’elle est associée à des équipes d’agents intelligents travaillant ensemble pour résoudre des problèmes complexes dans le cadre d’un flux de travail plus large ou d’un scénario de gestion de cas.

Prenons l’exemple suivant : l’équipe de recherche d’une banque doit analyser des milliers de bilans financiers et de rapports annuels pour identifier les entreprises à recommander comme investissements, que ce soit pour des fonds de pension, des investisseurs particuliers ou des particuliers fortunés.

Chaque document contient des informations similaires, mais la formulation, la mise en page, la structure et la terminologie exactes seront différentes d’un rapport à l’autre. Des informations spécifiques, telles que les données du bilan, les positions de couverture des risques de change et les programmes environnementaux, sociaux et de gouvernance (ESG), seront pertinentes pour différents types d’investisseurs en fonction de leurs priorités et de leurs stratégies d’investissement.

Traditionnellement, une équipe hautement qualifiée d’analystes consacrait 4 à 8 heures par document pour extraire les données pertinentes, les valider, puis les stocker afin qu’elles puissent être utilisées pour la rédaction de rapports et la création de recommandations, ou pour appuyer des analyses de données à grande échelle.

Étant donné que de nouveaux rapports sont publiés au moins une fois par trimestre, la taille de l’équipe d’analystes disponible limite fortement le nombre d’entreprises que la banque peut étudier et couvrir.

Comment pourrions-nous améliorer l’évolutivité de cette équipe grâce à l’automatisation ?

Automatisation des recherches

En créant une équipe d’agents intelligents de découverte des connaissances, la banque peut automatiser l’ingestion, l’enrichissement et l’extraction des données de ces rapports. Voici comment se décompose le flux de travail, qui combine l’automatisation traditionnelle des flux de travail et le traitement intelligent des documents, avec l’utilisation d’agents IA et de bases de connaissances basées sur l’IA.

Ingestion de documents : un flux de travail d’automatisation classique permettant d’ingérer des documents volumineux et non structurés (par exemple, des rapports annuels de plus de 500 pages) dans une base de connaissances, à l’aide de techniques avancées de segmentation, d’OCR et de vectorisation pour préparer les données à l’analyse.
Enrichissement des données : les agents prétraitent les documents, extraient des paires clé-valeur, identifient des entités, analysent des tableaux et génèrent des représentations sémantiques.
Liste de questions : orchestre le processus global de délégation des questions individuelles à l’agent de découverte des connaissances pour obtenir des réponses.
Agent de gestion : délègue des tâches aux agents employés pour localiser ou vérifier des points de données spécifiques. L’agent de gestion peut décider de reformuler une question ou une tâche à un agent employé si la réponse initiale n’est pas suffisante.
Agents employés : des agents IA hautement spécialisés qui effectuent des tâches spécifiques :

Agent sémantique : exploite la base de connaissances pour effectuer des recherches sémantiques, trouver des sections pertinentes des documents ou localiser des faits spécifiques.
Agent de données : recherches des tableaux et des graphiques spécifiques pour comprendre des métriques et des points de données précis.
Agent de page : utilise des modèles d’IA dotés de la capacité de vision pour lire des pages spécifiques d’un document afin de mieux comprendre la mise en page visuelle.
Agent évaluateur : le contrôle de la qualité est essentiel dans les flux de travail automatisés. Les agents évaluateurs sont chargés de vérifier et de recouper les résultats des autres agents, garantissant l’exactitude et réduisant le risque d’erreurs.

Supervision humaine : si une question ne peut être résolue, si la réponse est ambiguë, si le processus prend trop de temps ou si un événement inattendu se produit, un expert humain peut être chargé de soutenir ou de corriger l’IA, afin de l’aider à apprendre et à s’améliorer au fil du temps.
Gestionnaire de sortie : les données finales sont formatées et livrées à la destination souhaitée, telle qu’un entrepôt de données, un système de contenu ou un CRM.

Le résultat ? Un processus qui prenait autrefois des heures par document peut désormais être effectué en quelques minutes, avec des niveaux de précision comparables à ceux des humains, ce qui augmente considérablement les capacités de
l’équipe d’analystes de la banque.

Une nouvelle ère de l'automatisation des entreprises

Bien que les nouvelles fonctionnalités d’agent IA et de base de connaissances de TotalAgility soient révolutionnaires, ce n’est que le début. Alors que les entreprises continuent de repousser les limites du possible avec l’IA, les tendances suivantes sont susceptibles de façonner l’avenir de l’automatisation des entreprises et de la découverte des connaissances :

Graphes de connaissances : passer des bases de connaissances aux graphes de connaissances permettra aux agents de comprendre les relations entre les entités, ouvrant la voie à des perspectives encore plus profondes.
LLM dotés de raisonnement : alors que les modèles d’IA continuent de s’améliorer, leurs capacités avancées de raisonnement, de planification et de résolution de problèmes ouvrent de nouvelles possibilités d’automatisation.
Collaboration entre agents : l’extension des flux de travail à des centaines d’agents spécialisés permettra aux entreprises de relever des défis encore plus complexes.
Supervision humaine intégrée : les pratiques responsables en matière d’IA resteront essentielles, en veillant à ce que les humains gardent le contrôle des décisions à fort enjeu.

Les nouvelles fonctionnalités de TotalAgility marquent une étape significative dans l’évolution de l’automatisation des entreprises. En permettant aux entreprises de créer des agents intelligents de découverte des connaissances, Tungsten Automation donne aux organisations les moyens de résoudre des problèmes complexes, d’accroître leur efficacité et de débloquer de nouvelles opportunités de revenus.

En tant que responsable d’entreprise cherchant à rationaliser les opérations ou spécialiste de la technologie devant mettre en œuvre des solutions de pointe, la combinaison de l’orchestration, du développement low-code et des agents IA dans TotalAgility offre une plateforme puissante pour atteindre vos objectifs. L’avenir de la découverte des connaissances est là : allez-vous l’adopter ?

Pour en savoir plus sur TotalAgility, cliquez ici et contactez notre équipe. Nous sommes là pour vous aider à chaque étape !