Le but ultime du développement des technologies Intelligence artificielle (IA), dirigé par des entreprises comme OpenAI, est de disposer de modèles d’intelligence générale artificielle (AGI), capables de résoudre n’importe quelle tâche ou demande d’utilisateur, et d’analyser tout type d’informations provenant de différents formats ou registres sensoriels. Et un outil clé pour construire ces modèles à usage général est le agents intelligents (ou agents IA).
Les agents intelligents sont essentiellement modèles développés à des fins spécifiques, optimisés pour résoudre des problèmes spécifiques dans différents domaines comme l’assistance aux consommateurs, l’Internet des objets (IoT) ou dans les chaînes d’approvisionnement et la logistique. Leur objectif est d’assister les humains dans des tâches relativement mécaniques, et en les combinant, des modèles à usage général peuvent être créés.
Une caractéristique centrale de cette technologie est que son fonctionnement est autonome. Bien qu’ils soient initialement formés par des humains, ils peuvent ensuite fonctionner de manière indépendante., analysant les informations d’un système ou d’une application ou, dans le cas où ils sont appliqués à des produits physiques tels que des robots, l’environnement qui les entoure. Un exemple d’utilisation pour ce dernier cas sont les voitures équipées de systèmes de conduite autonome, qui perçoivent ces informations grâce à des capteurs et les analysent pour définir les actions à entreprendre.
D’une manière générale, il y a deux types d’agents IA: ceux qui suivent des règles prédéfinies ; et ceux qui apprennent de manière autonome et s’adaptent à différentes situations pour réagir de la meilleure façon possible.
À leur tour, ces agents peuvent être classés, selon leur fonctionnement, comme réactifs (ils répondent directement aux stimuli) ; délibérant (ils envisagent de prendre des décisions différentes) ; ou avec capacités d’apprentissage (ils sont adaptés en fonction des données et de l’expérience).
Une utilisation qui reflète les possibilités offertes par ce type d’agents est celle annoncée à la fin de l’année dernière par la société OpenAI. Après l’essor de leur modèle d’IA conversationnelle, ils ont présenté un nouvel outil pour les utilisateurs payants, qui leur permet de créer leurs propres agents personnalisés en fonction du rôle requis, comme un « coach en écriture créative » ou un “compagnon de voyage”. Dans ce cas, grâce au traitement du langage naturel (NLP), vous pouvez interagir avec des agents mieux préparés à résoudre des tâches spécifiques, par rapport à ChatGPT, qui est à usage général.
Perceptions et actionneurs
Pour que ces modèles entrent en service, la première chose qu’ils doivent recevoir est ce qu’on appelle « perceptions », c’est-à-dire les entrées sensorielles que l’agent IA reçoit de son environnement. Ceux-ci fournissent des informations sur l’état actuel de l’environnement observable dans lequel l’agent opère. Par exemple, s’il s’agit d’un chatbot de service client, les informations peuvent inclure des messages texte, des informations sur le profil de l’utilisateur, sa localisation et même la reconnaissance de ses émotions.
Un autre cas serait celui d’un véhicule à conduite autonomequi reçoit des informations via ses multiples capteurs et les traite en fonction des paramètres qui composent sa base de connaissances.
En suivant le même exemple, la base pourrait être composée d’informations sur les routes, les règles de circulation telles que les limitations de vitesse et les situations générées par les humains lors de la phase de formation des agents, avant d’effectuer des tests dans la rue.
Sur la base des informations provenant des perceptions, le “actionneurs”, qui sont ceux qui exécutent les actions basées sur l’analyse. Par exemple, un actionneur peut être un générateur de réponses textuelles envoyées à l’utilisateur lors d’un chat d’assistance, ou un actionneur qui active les freins d’une voiture si elle détecte un objet statique à une certaine distance.
Il peut également s’agir de notifications d’applications, comme une notification ou un e-mail d’alerte envoyé à un titulaire de compte bancaire lorsqu’un virement est effectué.
Outre le travail sur ces deux éléments, le retour C’est également essentiel pour l’amélioration des agents d’IA au fil du temps. Ce feedback peut provenir, d’une part, d’un opérateur humain ou d’un autre système d’IA qui supervise l’agent en question.
D’un autre côté, l’environnement peut également fournir un retour d’information sous la forme de résultats des actions de l’agent. Cette boucle de rétroaction permet à l’agent de s’adapter, d’apprendre de ses expériences et de prendre de meilleures décisions à l’avenir.
Types d’agents d’IA
- Agents réflexes simples : Ces agents, adaptés à des tâches de complexité limitée, fonctionnent sur la base d’un ensemble de règles condition-action prédéfinies. Ils réagissent à la perception actuelle et ne tiennent pas compte de l’histoire des perceptions antérieures.
- Agents de réflexion basés sur un modèle : les agents basés sur des modèles adoptent une approche plus avancée. Ils maintiennent un modèle interne de l’environnement et prennent des décisions basées sur une compréhension de leur modèle.
- Agents basés sur des utilitaires : Ils prennent des décisions en tenant compte de l’utilité attendue de chaque action possible. Ils sont souvent utilisés dans des situations où il est essentiel de peser différentes options et de sélectionner celle qui présente la plus grande utilité attendue.
- Agents d’apprentissage : Ils sont conçus pour fonctionner dans des environnements inconnus. Ils apprennent de leurs expériences et adaptent leurs actions au fil du temps. L’apprentissage profond et les réseaux de neurones sont souvent utilisés dans le développement d’agents d’apprentissage.
- Agents croyance-désir-intention : Ces agents façonnent le comportement humain en entretenant des croyances sur l’environnement, les désirs et les intentions. Ils peuvent raisonner et planifier leurs actions en conséquence, ce qui les rend adaptés aux systèmes complexes.
- Agents basés sur la logique : Ils utilisent un raisonnement déductif pour prendre des décisions, généralement basées sur des règles logiques. Ils conviennent bien aux tâches qui nécessitent un raisonnement logique complexe.
