Comment créer un agent d'IA

Comment un athlète parvient-il à la médaille d'or ? En s'entraînant. Comment un musicien devient-il virtuose ? En s'entraînant. Mais les humains ne sont pas les seuls à s'entraîner. Aujourd'hui, les entreprises savent qu'entraîner l'intelligence artificielle (IA) ne peut être que bénéfique pour elles. Créer et entraîner un agent d'IA est devenu indispensable pour croître, et lorsque celui-ci est capable de comprendre le langage humain, il répond mieux et peut effectuer des tâches plus utiles que jamais.

Au fur et à mesure que la technologie de l'IA progresse, ces agents deviendront plus sophistiqués et plus performants, comblant ainsi le fossé entre les attentes humaines et les performances de l'IA. Découvrez ce qu'est un agent d'IA, comment créer et entraîner une IA correctement, et quelles sont les étapes à suivre pour entraîner votre propre IA.

Ce que nous allons aborder

• Qu'est-ce qu'un agent d'IA ?
• Les bases de la création d'agents d'IA
• Les 6 étapes de la création et de l'entraînement d'agents d'IA
• Créez et entraînez votre propre agent d'IA

Un agent d'IA est un programme informatique conçu pour aider les personnes en effectuant des tâches et en répondant à des questions. Le terme clé ici est l'aide aux personnes.

Les agents d'intelligence artificielle (IA) facilitent les tâches quotidiennes, comme la gestion des e-mails et la planification des rendez-vous, en apprenant à partir d'une variété d'entrées linguistiques. Ces tâches peuvent aller de la définition de rappels à la gestion des plannings, en passant par la communication d'informations telles que des prévisions météo ou des faits d'actualité. Les agents d'IA sont programmés pour comprendre le langage humain et y répondre, c'est pourquoi les interactions avec eux sont naturelles et conviviales.

Il existe de nombreux types d'agents d'IA, notamment des agents d'assistance et des agents autonomes. Les agents d'assistance sont par exemple intégrés dans les outils utilisés par les collaborateurs pour les aider à effectuer des tâches propres à leur rôle. Les agents autonomes, eux, peuvent comprendre les demandes des clients et y répondre sans intervention humaine. Pour ce faire, il convient d'utiliser un générateur d'agents, comme Agentforce, pour créer des agents qui fonctionnent de manière dynamique (au lieu de suivre des règles prédéfinies) et qui sont déclenchés par des changements dans les données et les automatismes.

L'entraînement d'un agent d'IA comporte plusieurs étapes clés pour garantir son efficacité, notamment la collecte et la préparation des données, l'entraînement du modèle, l'évaluation, le réglage fin et le déploiement. Il est également nécessaire de surveiller et de mettre à jour l'agent pour s'assurer qu'il reste en phase avec les objectifs. Voyons les étapes à suivre pour le faire vous-même.

Créer et entraîner un agent d'IA implique de lui apprendre à comprendre le langage humain et à y répondre de manière utile et pertinente. De l'IA générative à l'IA conversationnelle, vos données sont au centre de tout. L'entraînement intègre plusieurs concepts clés des domaines de l'intelligence artificielle, en particulier l'apprentissage machine et le traitement du langage naturel (NLP). Passons en revue chacun d'entre eux.

L'apprentissage machine est un type d'IA qui permet aux systèmes d'apprendre automatiquement et de s'améliorer à partir de leur expérience, sans être programmés. Lors de l'entraînement d'un agent d'IA, les algorithmes d'apprentissage machine utilisent des données historiques (exemples d'interactions humaines) pour trouver des modèles et prendre des décisions. Plus l'IA traite de données, plus elle est à même de prédire et de répondre aux demandes des utilisateurs.

Le traitement du langage naturel (NLP) est une branche de l'IA qui traite de l'interaction entre les ordinateurs et les humains par le biais du langage naturel. L'objectif est de permettre aux ordinateurs de traiter et de comprendre de grandes quantités de données en langage naturel. Dans le contexte d'un agent d'IA, le NLP permet au système de comprendre, d'interpréter et de générer du langage humain d'une manière à la fois naturelle et significative.

L'étiquetage des données est une étape clé de l'entraînement de l'IA, au cours de laquelle les humains annotent les données en ajoutant des balises ou des étiquettes avec des significations aux données brutes afin que l'IA puisse les comprendre. Par exemple, dans le cadre de l'entraînement d'un agent d'IA, l'étiquetage des données peut consister à marquer les parties de discours dans les phrases, à identifier le sentiment d'un texte ou à classer les requêtes par thèmes. Ces données étiquetées servent ensuite de guide à l'IA pour comprendre le contexte et l'intention qui se cachent derrière les entrées de l'utilisateur.

Lorsque vous créez un agent d'IA, la première chose à faire est de définir clairement ce que vous voulez qu'il fasse, autrement dit, quelles sont les tâches et les fonctions spécifiques qu'il accomplira. Voici comment procéder :

Vous devez donc d'abord déterminer les tâches et les fonctions de l'agent d'IA. Dressez la liste des problèmes que vous voulez qu'il résolve ou des tâches que vous voulez qu'il accomplisse. Voulez-vous un agent autonome ? Avez-vous besoin qu'il réponde aux questions des clients, qu'il aide les utilisateurs à faire des achats en ligne ou qu'il fournisse des informations sur votre entreprise ? Les fonctions de votre agent d'IA doivent correspondre aux besoins qu'il vise à satisfaire.

Par exemple, avez-vous besoin d'un agent d'achat virtuel ? Il s'agit d'un agent qui aide les utilisateurs à naviguer dans les boutiques en ligne, en leur offrant des conseils d'achat personnalisés en fonction de leurs préférences et de leurs achats passés. Il peut suggérer des idées de cadeaux, trouver les meilleures affaires ou même aider à faire des choix vestimentaires.

Ensuite, vous devez identifier votre public cible. Les attentes et les modes d'interaction avec la technologie varient d'un utilisateur à l'autre. Par exemple, un agent d'IA conçu pour des professionnels de la santé pourrait avoir besoin de comprendre et d'utiliser la terminologie médicale avec précision.

Vous devez également prendre en compte les cas d'usage ou les situations spécifiques dans lesquelles votre agent d'IA sera utilisé. Définir ces éléments peut aider à clarifier les fonctionnalités et les capacités nécessaires. Par exemple, un chatbot de service client doit pouvoir traiter les demandes, les réclamations et éventuellement les transactions, tandis qu'un agent d'achat virtuel doit pouvoir suggérer des produits, comparer les prix et comprendre les préférences de l'utilisateur.

Tout comme un étudiant apprend dans les manuels, un agent d'IA apprend dans les données. Si les données sont incorrectes ou de mauvaise qualité, l'IA apprendra les mauvaises choses et commettra des erreurs. Des données de haute qualité sont indispensables pour permettre à l'IA de comprendre et de traiter avec précision les données fournies par l'utilisateur.

Pour entraîner votre agent d'IA, vous devez recueillir des données qui reflètent le type d'interactions qu'il aura avec les utilisateurs. Ceci peut inclure :

• Des transcripts de textes : recueillez des transcripts de conversations à partir de journaux de discussion, de tickets d'assistance ou d'e-mails qui sont similaires aux interactions prévues avec l'IA.
• Des enregistrements vocaux : si l'IA répond à des commandes ou à des demandes vocales, les enregistrements vocaux sont essentiels pour l'aider à comprendre les différents accents, intonations et modes d'élocution.
• Les journaux d'interaction : les données issues d'interactions antérieures avec des systèmes similaires peuvent fournir des indications sur les comportements des utilisateurs et sur les requêtes ou commandes les plus courantes.

Une fois que vous disposez de vos données, vous devez les préparer à l'entraînement en les nettoyant. Cela consiste à supprimer les données non pertinentes ou incorrectes, à corriger les erreurs et à assurer la cohérence de l'ensemble des données. Par exemple, vous devez corriger les fautes de frappe dans les transcripts de texte ou filtrer les bruits de fond dans les enregistrements vocaux.

Enfin, vous devez les étiqueter. Cela consiste à ajouter des étiquettes, appelées balises ou métadonnées, pour décrire ce que chaque donnée représente. Par exemple, un morceau de texte peut être étiqueté avec l'intention de l'utilisateur, comme « réserver un vol » ou « demander les heures d'ouverture d'un magasin ». Cela permet à l'IA de comprendre le contexte et l'objectif des entrées de l'utilisateur.

Cette étape consiste à choisir le bon modèle d'apprentissage machine, qui déterminera la capacité de votre IA à apprendre à partir des données et à exécuter ses tâches.

Il existe deux types de modèles d'apprentissage machine :

1. Les réseaux neuronaux : il s'agit de modèles puissants qui imitent le fonctionnement du cerveau humain. Ils sont particulièrement doués pour traiter de grandes quantités de données et reconnaître des modèles, ce qui les rend idéaux pour comprendre et générer du langage humain.
2. L'apprentissage par renforcement : ce type de modèle apprend de ses essais et de ses erreurs, en utilisant le feedback de ses actions pour s'améliorer au fil du temps. Il est utile pour les agents d'IA qui doivent prendre des décisions ou optimiser leur comportement en se basant sur les interactions avec l'utilisateur.

Comment choisir le modèle approprié ?

Réfléchissez aux fonctions de l'agent d'IA et aux tâches que vous souhaitez lui confier. Par exemple, si l'agent doit comprendre et générer des réponses semblables à celles d'un humain, un réseau neuronal pourrait être le meilleur choix.

Vous devez également tenir compte des données que vous avez collectées. Les réseaux neuronaux, par exemple, nécessitent de grandes quantités de données pour s'entraîner efficacement, tandis que l'apprentissage par renforcement peut convenir à des scénarios dans lesquels l'IA apprend à partir d'interactions continues avec les utilisateurs.

Vous avez également la possibilité d'utiliser des modèles pré-entraînés. Il s'agit de modèles développés et entraînés par des chercheurs sur de grands jeux de données. Ils peuvent constituer un excellent point de départ, car ils ont déjà appris beaucoup d'informations d'ordre général sur le langage et les interactions humaines.

Voici quelques exemples de modèles pré-entraînés  

• GPT (Generative Pre-trained Transformer) : ce modèle est excellent pour générer du texte et peut être affiné pour effectuer des tâches spécifiques telles que répondre à des questions ou rédiger du contenu.
• BERT (Bidirectional Encoder Representations from Transformers) : ce modèle est connu pour sa capacité à comprendre le contexte d'un mot en fonction de son environnement, ce qui le rend utile pour les tâches nécessitant une compréhension approfondie du langage, comme l'analyse des sentiments ou la traduction.

Si les modèles pré-entraînés ont beaucoup de connaissances, ils ne sont pas forcément spécialisés dans les tâches spécifiques que votre agent d'IA doit accomplir. Ce sera à vous de les régler. Le réglage fin consiste à poursuivre l'entraînement d'un modèle pré-entraîné sur votre propre jeu de données afin qu'il s'adapte aux subtilités de votre application.

L'étape suivante consiste à entraîner le modèle d'apprentissage machine à l'aide des données que vous avez préparées. C'est là que votre IA commence à apprendre à partir des exemples que vous lui avez fournis afin de pouvoir effectuer des tâches par elle-même.

Voici les étapes à suivre pour entraîner votre agent d'IA :

1. Configurez votre environnement : avant de lancer l'entraînement, configurez votre environnement d'apprentissage machine. Il peut s'agir d'installer des bibliothèques de logiciels et des frameworks nécessaires à l'apprentissage machine.
2. Chargez vos données : importez les données nettoyées et étiquetées dans votre environnement afin qu'elles puissent être utilisées pour l'entraînement.
3. Divisez les données : divisez vos données en au moins deux ensembles, l'un pour l'entraînement, l'autre pour le test. L'ensemble d'entraînement est celui que vous utiliserez pour enseigner à votre modèle, et l'ensemble de test sera utilisé pour évaluer la qualité de l'apprentissage de votre modèle.
4. Choisissez un modèle : après avoir pris cette décision, vous initialiserez le modèle d'apprentissage machine que vous souhaitez entraîner.
5. Configurez les paramètres d'entraînement : définissez les paramètres qui guideront le processus d'entraînement, comme le taux d'apprentissage, la taille de lot et le nombre d'époques. Le taux d'apprentissage détermine dans quelle mesure le modèle ajuste ses paramètres en réponse aux erreurs observées pendant le traitement des données. La taille de lot est le nombre d'échantillons de données vus par le modèle avant qu'il ne mette à jour ses paramètres internes. Le nombre d'époques, qui représentent les passages complets dans le jeu des données d'entraînement, influe sur la profondeur de l'apprentissage. La plupart des époques offrent au modèle une nouvelle occasion d'apprendre à partir des données.
6. Entraînez le modèle : lancez le processus d'entraînement. Le modèle utilisera les données d'apprentissage pour apprendre, en ajustant ses paramètres internes afin de réduire les erreurs.
7. Surveillez le processus d'entraînement : suivez les métriques de performance telles que la précision ou les pertes pendant l'entraînement. Celles-ci vous indiquent si le modèle apprend et fonctionne comme prévu. Si ce n'est pas le cas, il se peut que vous deviez ajuster les paramètres d'entraînement. Par exemple, si la perte d'apprentissage ne diminue pas, il faut envisager d'abaisser le taux d'apprentissage.

Vous devez tester et valider le système pour vous assurer que l'agent d'IA fonctionne comme prévu et qu'il atteint les objectifs que vous avez fixés. Cette étape permet d'identifier et de résoudre les problèmes éventuels avant que l'agent ne soit entièrement déployé.

Commencez par soumettre l'agent à une série de tâches ou de requêtes prédéfinies pour voir comment il réagit. C'est comme s'il passait un mini-examen pour vérifier s'il a bien appris sa leçon.

Mesurez la précision et l'efficacité avec lesquelles l'agent d'IA exécute les tâches. Vérifiez si les réponses sont correctes, combien de temps il met à répondre et si les interactions sont fluides.

Ensuite, vous devrez choisir parmi les différentes méthodes de test :

• Tests unitaires : ils consistent à tester les différents composants ou parties de l'agent d'IA pour s'assurer que chacun d'entre eux fonctionne correctement.
• Tests utilisateur : ils consistent à inviter des utilisateurs réels à tester l'agent d'IA dans des environnements cadrés. Cela vous permet de voir comment l'agent se comporte dans des scénarios réels et comment les utilisateurs interagissent avec lui.
• Tests A/B : ils consistent à comparer deux versions de l'agent d'IA afin de déterminer laquelle est la plus performante. Par exemple, vous pouvez tester deux styles de réponse ou deux flux d'interaction différents pour voir lequel est le plus efficace.

Surveillez bien le surapprentissage et la sous-performance. Le surapprentissage, c'est lorsqu'un agent d'IA obtient de bons résultats avec les données d'entraînement, mais de mauvais résultats avec de nouvelles données inconnues. Pour y remédier, vous pouvez utiliser des techniques telles que la validation croisée, qui consiste à effectuer une rotation des données utilisées pour l'entraînement et le test afin de vous assurer que le modèle généralise bien.

Et si l'agent d'IA ne donne pas les résultats escomptés, envisagez de revenir à la phase d'entraînement pour ajuster les paramètres, ajouter des données supplémentaires, voire entraîner à nouveau le modèle.

Mettez en place des mécanismes pour recueillir le feedback des utilisateurs, comme des sondages, des formulaires ou des entretiens directs. Tenez compte de ce que les utilisateurs aiment et n'aiment pas, et de ce qu'ils trouvent déroutant. Utilisez le feedback pour apporter des améliorations continues à l'agent d'IA. Vous pouvez par exemple modifier les flux de conversation, entraîner le modèle avec davantage de données ou ajuster l'interface utilisateur.

Enfin, il est temps de déployer votre agent d'IA dans un environnement réel et de découvrir comment l'IA interagit avec de véritables utilisateurs.

Décidez où vous souhaitez déployer l'agent d'IA. Cela peut être sur votre site web, dans une application mobile ou sur une plateforme à commande vocale. Ensuite, intégrez l'agent d'IA dans la plateforme que vous avez choisie. Pour cela, vous allez par exemple intégrer un code dans un site web, configurer l'agent dans une application mobile ou le configurer avec les API d'une plateforme vocale.

Une fois l'agent intégré, lancez-le pour qu'il commence à interagir avec les utilisateurs. Veillez à ce que tous les systèmes de support soient en place pour un lancement réussi.

Vérifiez régulièrement les performances de l'agent d'IA. Comprend-il correctement les demandes des utilisateurs ? Comment gère-t-il les conversations complexes ? Vous pouvez utiliser des outils qui fournissent des insights en temps réel sur les performances de l'agent d'IA. Ces outils peuvent vous indiquer les temps de réponse, les taux de réussite et les niveaux de satisfaction des utilisateurs.

Pour cela, vous pouvez recueillir le feedback des utilisateurs directement sur la plateforme via des sondages, des commentaires ou un lien direct vers une enquête après une interaction avec l'agent d'IA. Vous pouvez également mettre en place un système de journalisation des erreurs afin de comprendre quand les choses se passent mal, ou encore un système de notifications vous informant des augmentations soudaines du nombre d'erreurs ou des baisses de performance afin de pouvoir agir rapidement.

Si vous prenez le temps de déployer l'agent d'IA correctement et que vous mettez en place des systèmes de surveillance appropriés, vous garantissez le bon fonctionnement de l'agent dès le départ mais aussi sur le long terme, puisqu'il répondra aux besoins et aux attentes des utilisateurs tout en apprenant et en s'améliorant en continu.

Et voilà, vous savez tout ! Créer et entraîner votre propre agent d'IA peut sembler difficile, mais avec Salesforce, vous disposez des dernières innovations technologiques qui feront avancer votre entreprise. Accédez à des outils et à des frameworks de pointe qui simplifieront le processus d'entraînement et garantiront que votre agent d'IA est à la fois intelligent et efficace. En exploitant la puissance de l'IA, vous atteindrez des niveaux inédits de productivité et de compréhension, en transformant les données en stratégies de croissance exploitables.

Accueillez l'avenir dès aujourd'hui en planifiant la création de vos agents avec Salesforce et offrez à votre entreprise un environnement plus intelligent et connecté.

Caylin White est responsable éditoriale et Growth Manager pour les petites entreprises chez Salesforce. Elle rédige des contenus depuis plus de 15 ans pour de nombreuses entreprises du secteur SaaS, comme WordPress et BuzzSumo. Elle est spécialisée dans le référencement, mais ajoute toujours une touche centrée sur l'humain dans ses articles.