Qu'est-ce qu'un agent d'IA ?

Comme expliqué ci-dessus, les principales caractéristiques d'un agent d'IA sont le raisonnement et l'action (comme décrit dans le framework ReAct), mais d'autres caractéristiques ont évolué au fil du temps.

• Raisonnement : ce processus cognitif fondamental consiste à utiliser la logique et les informations disponibles pour tirer des conclusions, effectuer des inférences et résoudre des problèmes. Les agents d'IA dotés de solides capacités de raisonnement peuvent analyser des données, identifier des tendances et prendre des décisions éclairées en fonction des preuves et du contexte.
• Exécution : la capacité à agir ou à effectuer des tâches en fonction de décisions, de plans ou d'informations externes est cruciale pour que les agents d'IA interagissent avec leur environnement et atteignent leurs objectifs. Cela peut inclure des actions physiques dans le cas de l'IA incarnée, ou des actions numériques comme envoyer des messages, mettre à jour des données ou déclencher d'autres processus.
• Observation : recueillir des informations sur l'environnement ou la situation par perception ou détection est essentiel pour que les agents d'IA comprennent leur contexte et prennent des décisions éclairées. Cela peut impliquer différentes formes de perception, telles que la vision par ordinateur, le traitement du langage naturel ou l'analyse des données des capteurs.
• Planification : élaborer un plan stratégique pour atteindre des objectifs est un aspect clé du comportement intelligent. Les agents d'IA dotés de capacités de planification peuvent identifier les étapes nécessaires, évaluer les actions potentielles et choisir la meilleure ligne de conduite en fonction des informations disponibles et des résultats souhaités. Cela implique souvent d'anticiper les états futurs et de prendre en compte les obstacles potentiels.
• Collaboration : travailler efficacement avec d'autres personnes, qu'il s'agisse d'humains ou d'autres agents d'IA, pour atteindre un objectif commun est de plus en plus important dans les environnements complexes et dynamiques. La collaboration nécessite de la communication, de la coordination et la capacité de comprendre et de respecter les points de vue des autres.
• Auto-amélioration : la capacité d'auto-amélioration et d'adaptation est une caractéristique des systèmes d'IA avancés. Les agents d'IA dotés de capacités d'auto-amélioration peuvent apprendre par l'expérience, ajuster leur comportement en fonction des commentaires, et améliorer continuellement leurs performances et leurs capacités au fil du temps. Cela peut impliquer des techniques de machine learning, des algorithmes d'optimisation ou d'autres formes d'auto-modification.

Les assistants IA sont des agents d'IA conçus sous forme d'applications ou de produits pour collaborer directement avec les utilisateurs et effectuer des tâches en comprenant et en répondant aux entrées et au langage naturel des humains. Ils peuvent raisonner et agir au nom des utilisateurs sous leur supervision.

Les assistants IA sont souvent intégrés au produit utilisé. L'interaction entre l'assistant et l'utilisateur tout au long des différentes étapes de la tâche est une caractéristique clé. L'assistant répond aux demandes ou aux requêtes de l'utilisateur et peut recommander des actions, mais c'est l'utilisateur qui prend les décisions.

• Autonomie : les agents d'IA sont les plus autonomes. Ils peuvent fonctionner et prendre des décisions de manière indépendante pour atteindre un objectif. Les assistants IA sont moins autonomes et nécessitent l'intervention et les instructions de l'utilisateur. Les bots sont les moins autonomes, car ils suivent généralement des règles préprogrammées.
• Complexité : les agents d'IA sont conçus pour gérer des tâches et des workflows complexes, tandis que les assistants IA et les bots sont plus adaptés aux tâches et aux interactions simples.
• Apprentissage : les agents d'IA utilisent souvent le machine learning pour s'adapter et améliorer leurs performances au fil du temps. Les assistants IA peuvent avoir des capacités d'apprentissage, tandis que les bots ont généralement une capacité d'apprentissage limitée ou inexistante.

Chaque agent définit son rôle, sa personnalité et son style de communication, y compris des instructions spécifiques et des descriptions des outils disponibles. 

• Persona : un persona bien défini permet à un agent de conserver une personnalité cohérente et de se comporter de manière appropriée par rapport au rôle qui lui est attribué, tout en évoluant au fur et à mesure qu'il acquiert de l'expérience et interagit avec son environnement.
• Mémoire : l'agent est généralement doté d'une mémoire à court terme, à long terme, consensuelle et épisodique. Mémoire à court terme pour les interactions immédiates, mémoire à long terme pour les données historiques et les conversations, mémoire épisodique pour les interactions passées, et mémoire consensuelle pour les informations partagées entre les agents. L'agent peut conserver le contexte, tirer des enseignements de ses expériences et améliorer ses performances en se rappelant des interactions passées et en s'adaptant à de nouvelles situations.
• Outils : les outils sont des fonctions ou des ressources externes qu'un agent peut utiliser pour interagir avec son environnement et améliorer ses capacités. Ils permettent aux agents d'effectuer des tâches complexes en accédant à des informations, en manipulant des données ou en contrôlant des systèmes externes. Ils peuvent être classés en fonction de leur interface utilisateur, y compris les interfaces physiques, graphiques et basées sur des programmes. L'apprentissage des outils consiste à enseigner aux agents comment utiliser ces outils efficacement en comprenant leurs fonctionnalités et le contexte dans lequel ils doivent être appliqués.
• Modèle : les grands modèles de langage (LLM) servent de base à la création d'agents d'IA, leur permettant de comprendre, de raisonner et d'agir. Les LLM agissent comme le "cerveau" d'un agent, lui permettant de traiter et de générer du langage, tandis que d'autres composants facilitent la raison et l'action.

Les agents d'IA peuvent être classés de différentes manières en fonction de leurs capacités, de leurs rôles et de leurs environnements. Voici certaines des principales catégories d'agents :

Il existe différentes définitions des types et des catégories d'agents. 

Une façon de catégoriser les agents consiste à déterminer comment ils interagissent avec les utilisateurs. Certains agents engagent une conversation directe, tandis que d'autres fonctionnent en arrière-plan et effectuent des tâches sans intervention directe de l'utilisateur : 

• Partenaires interactifs (également appelés agents de surface) : ils nous aident à effectuer des tâches telles que le service client, les soins de santé, l'enseignement et la découverte scientifique, en fournissant une assistance personnalisée et intelligente. Les agents de conversation incluent des interactions par questions/réponses, des discussions et des interactions basées sur des connaissances du monde avec des humains. Ils sont généralement déclenchés par une requête de l'utilisateur, et répondent à ses requêtes ou transactions.
• Processus d'arrière-plan autonomes (également appelés agents d'arrière-plan) : ils fonctionnent en arrière-plan pour automatiser les tâches courantes, analyser les données afin d'obtenir des insights, optimiser les processus pour gagner en efficacité, et identifier et résoudre les problèmes potentiels de manière proactive. Ils incluent des agents de workflow. Ils n'impliquent pas ou peu l'intervention humaine, et sont généralement déclenchés par des événements. Ils exécutent des tâches en file d'attente ou des chaînes de tâches.

• Agent unique : fonctionne de manière indépendante pour atteindre un objectif spécifique. Il utilise des outils et des ressources externes pour accomplir des tâches, ce qui améliore ses capacités fonctionnelles dans différents environnements. Il est particulièrement adapté aux tâches bien définies qui ne nécessitent pas de collaboration avec d'autres agents d'IA. Ne peut traiter qu'un seul modèle de fondation pour son traitement.
• Multi-agent : plusieurs agents d'IA collaborent ou s'affrontent pour atteindre un objectif commun ou des objectifs individuels. Ces systèmes exploitent les différents rôles et capacités des agents individuels pour effectuer des tâches complexes. Les systèmes multi-agents peuvent simuler des comportements humains, comme la communication interpersonnelle, dans des scénarios interactifs. Chaque agent peut disposer de modèles de fondation différents répondant au mieux à ses besoins.

Si les agents d'IA offrent de nombreux avantages, leur utilisation présente également des difficultés :

Tâches nécessitant une empathie profonde/une intelligence émotionnelle ou des interactions humaines complexes et des dynamiques sociales : les agents d'IA peuvent avoir du mal à interpréter les émotions humaines nuancées. Des tâches comme la thérapie, le travail social ou la résolution de conflits exigent un niveau d'empathie et de compréhension émotionnelle que l'IA ne possède pas actuellement. Ils peuvent faillir dans des situations sociales complexes qui nécessitent de comprendre des signaux non verbaux.

Situations à enjeux éthiques élevés : les agents d'IA peuvent prendre des décisions basées sur des données, mais ils ne disposent pas de la boussole morale et du jugement nécessaires pour les situations complexes sur le plan éthique. Cela inclut des domaines tels que l'application des lois, les soins de santé (diagnostic et traitement) et la prise de décisions judiciaires.   

Domaines avec des environnements physiques imprévisibles : les agents d'IA peuvent rencontrer des difficultés dans des environnements physiques très dynamiques et imprévisibles, où l'adaptation en temps réel et les compétences motrices complexes sont essentielles. Cela inclut des tâches telles que les opérations chirurgicales, certains types de travaux de construction et les opérations de secours en cas de catastrophe.

Applications gourmandes en ressources : le développement et le déploiement d'agents d'IA sophistiqués peuvent être coûteux en termes de calcul et nécessiter des ressources importantes, ce qui les rend potentiellement inadaptés aux projets de petite envergure ou aux organisations disposant de budgets limités.