Comment les LLM multi-agents peuvent permettre aux modèles d’IA de résoudre plus efficacement des tâches complexes

La plupart des organisations d’aujourd’hui souhaitent utiliser des modèles de langage à grande échelle (LLM) et mettre en œuvre des preuves de concept et des agents d’intelligence artificielle (IA) pour optimiser les coûts dans leurs processus commerciaux et offrir de nouvelles expériences utilisateur créatives. Cependant, la majorité de ces mises en œuvre sont des « cas isolés ». En conséquence, les entreprises ont du mal à réaliser un retour sur investissement (ROI) dans de nombreux de ces cas d’utilisation.

L’IA générative (GenAI) promet d’aller au-delà des logiciels tels que co-pilote. Plutôt que de fournir simplement des conseils et une aide à un expert en la matière (SME), ces solutions pourraient devenir les acteurs SME, exécutant de manière autonome des actions. Pour que les solutions GenAI atteignent ce stade, les organisations doivent leur fournir des connaissances et une mémoire supplémentaires, la capacité de planifier et de replanifier, ainsi que la capacité de collaborer avec d’autres agents pour effectuer des actions.

Alors que les modèles uniques conviennent dans certains scénarios, agissant comme des co-pilotes, les architectures agencées ouvrent la porte aux LLM pour devenir des composants actifs de l’automatisation des processus commerciaux. À ce titre, les entreprises devraient envisager d’utiliser des systèmes LLM multi-agents (LLM-MA) pour rationaliser les processus commerciaux complexes et améliorer le ROI.

Qu’est-ce qu’un système LLM-MA ?

Qu’est-ce qu’un système LLM-MA ? En bref, ce nouveau paradigme de technologie d’IA décrit un écosystème d’agents d’IA, et non des entités isolées, travaillant de manière cohérente pour résoudre des défis complexes.

Les décisions doivent se prendre dans un large éventail de contextes, tout comme la prise de décision fiable parmi les humains nécessite une spécialisation. Les systèmes LLM-MA construisent cette même « intelligence collective » qu’un groupe d’humains possède grâce à plusieurs agents spécialisés interagissant ensemble pour atteindre un objectif commun. En d’autres termes, de la même manière qu’une entreprise rassemble différents experts de divers domaines pour résoudre un problème, les systèmes LLM-MA fonctionnent de la même manière.

Les exigences commerciales sont trop importantes pour un seul LLM. Cependant, en répartissant les capacités parmi des agents spécialisés dotés de compétences et de connaissances uniques, plutôt que de faire porter à un seul LLM toutes les responsabilités, ces agents peuvent accomplir des tâches de manière plus efficace et efficiente. Les LLM multi-agents peuvent même « vérifier » le travail les uns des autres grâce à la vérification croisée, réduisant les « hallucinations » pour une productivité et une précision maximales.

En particulier, les systèmes LLM-MA utilisent une méthode de division et de conquête pour acquérir un contrôle plus raffiné sur d’autres aspects des systèmes d’IA complexes – notamment, une meilleure fine-tuning sur des ensembles de données spécifiques, la sélection de méthodes (y compris l’IA pré-transformer) pour une meilleure explicabilité, la gouvernance, la sécurité et la fiabilité, et l’utilisation d’outils non-IA dans le cadre d’une solution complexe. Dans cette approche de division et de conquête, les agents effectuent des actions et reçoivent des commentaires d’autres agents et de données, permettant l’adoption d’une stratégie d’exécution au fil du temps.

Opportunités et cas d’utilisation des systèmes LLM-MA

Les systèmes LLM-MA peuvent automatiser efficacement les processus commerciaux en recherchant dans des documents structurés et non structurés, en générant du code pour interroger des modèles de données et en effectuant d’autres générations de contenu. Les entreprises peuvent utiliser les systèmes LLM-MA pour plusieurs cas d’utilisation, notamment le développement de logiciels, la simulation de matériel, le développement de jeux (notamment, le développement de mondes), les découvertes scientifiques et pharmaceutiques, les processus de gestion de capital, l’économie financière et commerciale, etc.

Une application notable des systèmes LLM-MA est l’automatisation des centres de service/appel. Dans cet exemple, une combinaison de modèles et d’autres acteurs programmatiques utilisant des flux de travail et des procédures prédéfinis pourraient automatiser les interactions avec les utilisateurs finals et effectuer une triage de demande via du texte, de la voix ou de la vidéo. De plus, ces systèmes pourraient naviguer dans le chemin de résolution le plus optimal en exploitant les connaissances procédurales et SME avec des données de personnalisation et en invoquant des agents de type Retrieval Augmented Generation (RAG) et non-LLM.

À court terme, ce système ne sera pas entièrement automatisé – des erreurs se produiront, et il faudra avoir des humains dans la boucle. L’IA n’est pas prête à reproduire des expériences similaires à celles des humains en raison de la complexité de la tests de conversations libres contre, par exemple, des préoccupations d’IA responsable. Cependant, l’IA peut s’entraîner sur des milliers de tickets de support historiques et de boucles de rétroaction pour automatiser des parties importantes des opérations des centres de service/appel, améliorant ainsi l’efficacité, réduisant les temps d’attente de résolution des tickets et augmentant la satisfaction client.

Une autre application puissante des LLM multi-agents est la création d’interfaces de collaboration humain-IA pour des conversations en temps réel, résolvant des tâches qui n’étaient pas possibles auparavant. L’intelligence de swarm conversationnelle (CSI), par exemple, est une méthode qui permet à des milliers de personnes de tenir des conversations en temps réel. Plus précisément, la CSI permet à de petits groupes de dialoguer les uns avec les autres tout en ayant des groupes d’agents différents qui résument les fils de conversation. Elle favorise ensuite la propagation de contenu à travers l’ensemble plus large de personnes, permettant une coordination humaine à une échelle sans précédent.

Sécurité, IA responsable et autres défis des systèmes LLM-MA

Malgré les opportunités excitantes des systèmes LLM-MA, certains défis se posent à mesure que le nombre d’agents et la taille de leurs espaces d’action augmentent. Par exemple, les entreprises devront aborder le problème des « hallucinations » ordinaires, ce qui nécessitera des humains dans la boucle – une partie désignée doit être responsable des systèmes agencés, en particulier ceux ayant un impact critique potentiel, tels que la découverte de médicaments automatisée.

Il y aura également des problèmes de biais de données, qui peuvent se transformer en biais d’interaction. De même, les futurs systèmes LLM-MA exécutant des centaines d’agents nécessiteront des architectures plus complexes tout en tenant compte des autres lacunes des LLM, des données et des opérations d’apprentissage automatique.

En outre, les organisations doivent aborder les préoccupations de sécurité et promouvoir les pratiques d’IA responsable (RAI). Plus de LLM et d’agents augmentent la surface d’attaque pour toutes les menaces d’IA. Les entreprises doivent décomposer différentes parties de leurs systèmes LLM-MA en acteurs spécialisés pour fournir un contrôle plus précis sur les risques traditionnels des LLM, y compris la sécurité et les éléments RAI.

De plus, à mesure que les solutions deviennent plus complexes, les cadres de gouvernance de l’IA doivent également évoluer pour garantir que les produits d’IA soient fiables (c’est-à-dire robustes, responsables, surveillés et explicables), résidents (c’est-à-dire sûrs, sécurisés, privés et efficaces) et responsables (c’est-à-dire équitables, éthiques, inclusifs, durables et axés sur un objectif). La complexité croissante entraînera également des réglementations plus strictes, ce qui rendra encore plus important que la sécurité et la RAI soient partie intégrante de chaque cas d’affaires et conception de solution dès le départ, ainsi que des mises à jour de politiques continues, de la formation et de l’éducation des entreprises, et des stratégies de test, d’évaluation, de vérification et de validation (TEVV).

Extraire la valeur totale d’un système LLM-MA : considérations de données

Pour que les entreprises tirent la valeur totale d’un système LLM-MA, elles doivent reconnaître que les LLM, en eux-mêmes, ne possèdent que des connaissances générales de domaine. Cependant, les LLM peuvent devenir des produits d’IA à valeur ajoutée lorsqu’ils s’appuient sur les connaissances de domaine d’entreprise, qui consistent généralement en actifs de données différenciés, en documentation d’entreprise, en connaissances SME et en informations extraites de sources de données publiques.

Les entreprises doivent passer d’une approche centrée sur les données, où les données soutiennent la création de rapports, à une approche centrée sur l’IA, où les sources de données se combinent pour permettre à l’IA de devenir un acteur au sein de l’écosystème d’entreprise. À ce titre, la capacité des entreprises à curer et gérer des actifs de données de haute qualité doit s’étendre à ces nouveaux types de données. De même, les organisations ont besoin de moderniser leur approche de consommation de données et d’informations, de modifier leur modèle opérationnel et d’introduire une gouvernance qui unit les données, l’IA et la RAI.

Du point de vue de l’outillage, la GenAI peut fournir une aide supplémentaire en ce qui concerne les données. En particulier, les outils GenAI peuvent générer des ontologies, créer des métadonnées, extraire des signaux de données, donner un sens aux schémas de données complexes, automatiser la migration de données et effectuer des conversions de données. La GenAI peut également être utilisée pour améliorer la qualité des données et agir comme spécialistes de la gouvernance ainsi que comme co-pilotes ou agents semi-autonomes. Déjà, de nombreuses organisations utilisent la GenAI pour aider à démocratiser les données, comme on le voit dans les capacités « parlez à vos données ».

Adoption continue à l’ère du changement rapide

Un LLM n’ajoute de la valeur ou n’obtient un ROI positif que lorsqu’il fait partie d’applications axées sur les résultats commerciaux. Le défi est que, contrairement au passé, où les capacités technologiques des LLM étaient quelque peu connues, de nouvelles capacités émergent désormais chaque semaine et parfois chaque jour, soutenant de nouvelles opportunités commerciales. En plus de ce changement rapide, il y a un paysage réglementaire et de conformité en constante évolution, ce qui rend crucial pour le succès la capacité de s’adapter rapidement.

La flexibilité requise pour tirer parti de ces nouvelles opportunités nécessite que les entreprises subissent un changement de mentalité des silos à la collaboration, promouvant le niveau le plus élevé d’adaptabilité à travers la technologie, les processus et les personnes tout en mettant en œuvre une gestion robuste des données et une innovation responsable. Finalement, les entreprises qui embrassent ces nouveaux paradigmes seront à la tête de la prochaine vague de transformation numérique. Les entreprises subissent un changement de mentalité des silos à la collaboration, promouvant le niveau le plus élevé d’adaptabilité à travers la technologie, les processus et les personnes tout en mettant en œuvre une gestion robuste des données et une innovation responsable. Finalement, les entreprises qui embrassent ces nouveaux paradigmes seront à la tête de la prochaine vague de transformation numérique.