L’IA agentique est l’un des derniers concepts de l’intelligence artificielle, gagnant désormais une réelle traction au-delà de son début au début. Les progrès continus de l’IA agentique accélèrent le développement de systèmes commerciaux autonomes, en s’appuyant sur les réalisations de l’apprentissage automatique.
Fonctionnant comme un «agent» indépendant, cette technologie est équipée pour prendre des décisions éclairées basées sur les données multimodales et la logique algorithmique, puis peut «apprendre» et évoluer par l’expérience.
Encore plus excitante est sa capacité à agir indépendamment. C’est cette capacité unique d’adapter, de planifier et d’effectuer des tâches complexes sans surveillance humaine qui distingue l’IA agentique des générations antérieures d’outils d’IA.
Dans les chaînes d’approvisionnement, par exemple, les agents de l’IA peuvent suivre l’activité du marché et les tendances de la demande historique pour prévoir les besoins des stocks et mettre en œuvre des mesures pour éviter les pénuries, par exemple en automatisant les parties des processus de réapprovisionnement. Ces agents déplacent leur comportement en réponse à l’évolution des conditions du marché, augmentant l’efficacité et les performances. Il n’est donc pas surprenant que 26% des chefs d’entreprise signalent que leurs organisations commencent à façonner les approches stratégiques autour de l’IA agentique.
Cependant, aussi grand que cela semble externaliser de telles tâches à l’IA agentique, nous devons également se tromper du côté de la prudence. Pour toute sa puissance autonome, comment les actions et les sorties des agents d’IA peuvent-ils être entièrement fiables? Si nous comptons sur l’IA agentique pour accomplir les tâches sophistiquées en soi, comment assurons-nous que ses décisions sont vraiment fondées sur ce qui se passe dans le monde réel, ou dans la vision de l’entreprise du monde?
De la même manière que nos cerveaux utilisent l’observation et les intrants supplémentaires pour tirer des conclusions, les agents de l’IA doivent s’appuyer sur de nombreuses sources et signaux externes pour améliorer leurs capacités de raisonnement.
Ce besoin peut être satisfait par des solutions et des plateformes qui collectent et présentent des données d’une manière accessible et récupérable. Voici comment:
Le défi de la confiance dans les systèmes d’IA autonomes
Comme discuté, ce qui distingue l’IA d’agence des autres systèmes d’IA est sa capacité à agir de manière autonome, pas seulement s’engager dans une conversation linéaire. La complexité des tâches complètes les oblige généralement à se référer à plusieurs sources externes dynamiques. En conséquence, le risque de quelque chose de mal augmente automatiquement. Par exemple, vous pourriez faire confiance à un chatbot pour vous fournir une mise à jour sur l’état d’une réclamation ou d’un remboursement, mais vous sentiriez-vous comme confiant lorsque vous donneriez à un agent AI vos détails de carte de crédit pour réserver un vol pour vous?
Loin de l’IA conversationnelle, les agents basés sur les tâches planifient et changent des actions en fonction du contexte qui leur est donné. Ils déléguent des sous-tâches aux différents outils disponibles via un processus souvent appelé «chaînage» (la sortie d’une action devient l’entrée pour la suivante). Cela signifie que les requêtes (ou les tâches) peuvent être décomposées en tâches plus petites, chacune nécessitant un accès aux données en temps réel, traitées de manière itérative pour itérativement la résolution de problèmes humains.
L’effet de la chaîne (dans laquelle les décisions sont prises) est informée par l’environnement qui est surveillé, c’est-à-dire les sources de données. En conséquence, une récupération de données explicable et précise est requise à chaque étape de la chaîne pour deux raisons. Premièrement, les utilisateurs doivent savoir pourquoi l’agent d’IA a atterri sur une décision particulière et avoir la visibilité de la source de données sur laquelle il est basé.
Ils doivent être en mesure de croire que l’action est, en fait, la plus efficace et la plus efficace. Deuxièmement, ils doivent être en mesure d’optimiser le processus pour obtenir le meilleur résultat possible à chaque fois, en analysant chaque étape de la sortie et en apprenant de tout résultat insatisfaisant.
Pour faire confiance à un agent pour effectuer des tâches sophistiquées en fonction de plusieurs étapes de récupération, la valeur des données nécessaires pour soutenir le processus de prise de décision se multiplie considérablement.
La nécessité de mettre des données d’entreprise fiables à la disposition des agents est essentielle. C’est pourquoi les entreprises reconnaissent de plus en plus la puissance de la technologie de la base de données de graphiques pour le large éventail de stratégies de récupération qu’il offre, qui à leur tour multiplient la valeur des données.
Comment la technologie graphique renforce le raisonnement de l’IA
Alors que l’IA agentique entraîne des décisions à partir des données, les informations qui sous-tendent ces décisions doivent être exactes, transparentes et explicables – les avantages que les bases de données de graphiques sont optimisées de manière unique pour livrer. Gartner identifie déjà les graphiques de connaissances comme une capacité essentielle pour les applications Genai, en tant que graphrag (génération augmentée de récupération), où le chemin de récupération comprend un graphique de connaissances, peut considérablement améliorer la précision des sorties.
La structure unique des graphiques de connaissances, composées de «nœuds» et de «bords», est l’endroit où des réponses de meilleure qualité peuvent être dérivées. Les nœuds représentent les entités existantes dans un graphique (comme une personne ou un lieu), et les bords représentent la relation entre ces entités – c’est-à-dire comment elles se connectent les unes aux autres. Dans ce type de structure, plus les données sont plus grandes et plus complexes, plus les idées auparavant cachées peuvent être révélées. Ces caractéristiques sont inestimables pour présenter les données d’une manière qui permet aux agents de l’IA de terminer les tâches de manière plus fiable et utile.
Les utilisateurs ont constaté que les réponses Graphrag sont non seulement plus précises mais aussi plus riches, plus rapides, plus complètes et par conséquent plus utiles. Par exemple, un agent d’IA abordant les requêtes du service client pourrait offrir un package à large bande à prix réduit en fonction d’une compréhension complète du client, en raison de l’utilisation de Graphrag pour connecter des informations disparates sur ledit client. Depuis combien de temps le client est-il avec l’entreprise? Quels services utilisent-ils actuellement? Ont-ils déjà déposé des plaintes?
Pour répondre à ces questions, les nœuds peuvent être créés pour représenter chaque aspect de l’expérience client avec l’entreprise (y compris les interactions précédentes, l’utilisation du service et l’emplacement), et les bords pour montrer le service le moins cher ou le meilleur pour eux. Une vue fragmentée et dispersée des données pourrait conduire l’agent à offrir un package à prix réduit alors qu’il n’était pas dû, entraînant des implications de coûts pour l’entreprise.
Comme mentionné par le PDG de Klarna, «nourrir un LLM le monde fractionné, fragmenté et dispersé des données d’entreprise se traduira par un LLM très confus». Mais le résultat est très différent lorsque les données sont connectées dans un graphique: des résultats positifs ont été rapportés par l’équipe du service client de LinkedIn, qui a réduit le temps de résolution médian par nombre de 28,6% depuis la mise en œuvre de GraphRag.
Pourquoi les données connectées sont essentielles à la préparation à l’IA agentique
À chaque itération, les LLM derrière les agents d’IA progressent rapidement et les cadres agentiques facilitent la création d’applications complexes et multiples. La prochaine décision vitale consiste à rendre les données d’entreprise aussi riches, connectées et contextuellement conscientes que possible, donc elle est entièrement accessible à ces agents puissants.
Prendre cette étape permet aux entreprises de déverrouiller la pleine valeur de leurs données, permettant aux agents qui sont non seulement plus précis et efficaces mais aussi plus faciles à comprendre et à expliquer. C’est là que l’intégration de l’IA agentique et des graphiques de connaissances s’avère transformationnelle. Les données connectées donnent aux agents le contexte dont ils ont besoin pour penser plus clairement, générer des sorties plus intelligentes et avoir un impact plus important.
Nous avons compilé une liste des meilleurs outils d’enquête.
Cet article a été produit dans le cadre de la chaîne Insights Expert de Techradarpro où nous présentons les meilleurs esprits les plus brillants de l’industrie de la technologie aujourd’hui. Les opinions exprimées ici sont celles de l’auteur et ne sont pas nécessairement celles de Techradarpro ou Future PLC. Si vous êtes intéressé à contribuer en savoir plus ici:
