Agents LLM : le guide complet

Les modèles de langage de grande taille (LLM) sont les moteurs de l'IA, permettant aux gens de poser des questions simples et de recevoir des réponses simples. Mais qu'en est-il si vous devez faire plus que cela ? C'est là que les agents du LLM excellent. Il existe plusieurs types d'agents LLM, mais ils traitent tous des requêtes plus complexes qui nécessitent de la mémoire, un raisonnement séquentiel et l'utilisation de plusieurs outils.

Les LLM peuvent désormais gérer plus d'un trillion de paramètres . La demande de main-d'œuvre digitale pilotée par des agents va continuer à croître, les entreprises cherchant à développer leur utilisation de l'IA générative.

Nous aborderons comment fonctionnent les différents types d'agents LLM, ce qu'ils peuvent faire, les composants qu'ils requièrent, les défis qu'ils posent et la manière dont les entreprises utilisent ces outils aujourd'hui et les utiliseront à l'avenir.

Ce que nous allons aborder :

• Que sont les agents LLM ?
• Que peuvent faire les agents LLM ?
• Types d'agents LLM et ce qu'ils peuvent faire
• Composants d'un agent LLM
• Comment les entreprises utilisent-elles différents types d'agents LLM ?
• Défis potentiels des agents LLM
• L'avenir des agents LLM
• Diriger avec des LLM

Les LLM sont des systèmes d'intelligence artificielle (IA) qui utilisent une combinaison de mémoire, de planification et de raisonnement séquentiel pour générer des réponses approfondies aux questions des utilisateurs d'une manière similaire à celle d'un être humain. Voici un exemple :

L'utilisateur 1 demande au chatbotde son entreprise, formé à l'aide d'un LLM, d'obtenir des statistiques sur les salaires de l'année écoulée. Le chatbot suit un processus prédéfini pour rechercher les bases de données pertinentes et renvoyer l'ensemble de données spécifique.

L'utilisateur 2, quant à lui, a une question plus complexe. Il veut savoir comment les nouvelles lois fédérales et nationales peuvent influer sur les politiques basées sur les données salariales de l'année dernière. Dans ce cas, le chatbot n'est pas à la hauteur. Bien qu'il puisse renvoyer des données sur les salaires et des informations sur les nouvelles lois, il ne peut pas les combiner en une réponse pertinente. Alors que les agents LLM peuvent le faire.

En utilisant une combinaison de l'apprentissage automatique et le traitement du langage naturel (NLP), les agents LLM peuvent comprendre des requêtes complexes et y répondre. Ces caractéristiques distinguent les agents des modèles traditionnels de génération augmentée de récupération (RAG), qui tirent des données de sources internes pour répondre à des questions simples.

Les agents LLM peuvent appliquer la raison et la logique pour répondre aux questions. Au lieu de comprendre une question littéralement, les agents peuvent décomposer les requêtes en plusieurs parties pour trouver des réponses. Ils utilisent ensuite leur mémoire relative à la question initiale pour combiner les réponses et produire un résultat précis. Cela permet aux agents IA de répondre à des requêtes approfondies basées sur plusieurs ensembles de données, de créer des résumés à partir de textes, d'écrire du code ou de générer des plans.

Les agents LLM peuvent améliorer leur production au fil du temps en analysant les interactions précédentes et en en tirant des enseignements. En effet, les agents peuvent réfléchir à leur comportement, déterminer le succès de ce comportement et apporter des changements qui améliorent les résultats.

Pour améliorer chaque tâche, les agents LLM utilisent des outils tels que des recherches sur Internet ou des testeurs de code pour vérifier l'exactitude et réduire les temps de réponse. En évaluant continuellement les réponses par rapport aux données nouvelles et historiques, les agents peuvent identifier et corriger ces erreurs.

Il est également possible pour les agents de travailler en tandem. Par exemple, un agent peut se charger de rechercher des informations et de générer des réponses, tandis qu'un autre évalue l'exactitude des résultats. Un troisième peut évaluer les performances des deux et suggérer des améliorations. Ces agents combinent ensuite leurs données pour produire un résultat unique et pertinent.

Vous pouvez configurer les agents LLM pour qu'ils remplissent plusieurs rôles, mais les différents types d'agents ne s'excluent pas mutuellement. Un agent peut exécuter plusieurs fonctions simultanément ou successivement.

Les types d'agents LLM les plus courants sont les suivants :

• Agents LLM spécifiques à une tâche : ces agents sont conçus pour exécuter des opérations étroitement définies, telles que la vérification de l'état de la commande d'un client ou la mise à jour de ses informations d'expédition. Généralement, les agents spécifiques à une tâche tirent parti d'un plus petit ensemble de données, comme celles offertes par les petits modèles de langage (SLM).
• Agents LLM conversationnels : les agents conversationnels d'IA peuvent interagir avec les utilisateurs finaux, tels que le personnel ou les clients, et fournir des réponses aux questions les plus courantes. La différence entre ces agents IA par rapport aux chatbots est que ces agents apprennent au fil du temps, ce qui leur permet de produire des réponses plus naturelles aux questions des utilisateurs.
• Agents LLM d'aide à la décision : les agents d'aide à la décision font émerger des idées à partir d'ensembles de données ou fournissent des résumés de données à grande échelle afin d'améliorer la prise de décision. Par exemple, le responsable de la sécurité de l'information d'une entreprise peut utiliser un LLM d'aide à la décision pour évaluer et résumer l'impact de toutes les attaques de cybersécurité de l'entreprise au cours d'une période donnée.
• Agents LLM d'automatisation des flux de travail : les agents LLM d'automatisation des flux de travail automatisent les flux de travail à plusieurs étapes. Les agents autonomes reçoivent les données nécessaires sur le système, les spécifications fonctionnelles et les performances historiques du flux de travail pour créer une base opérationnelle. À partir de cela, les agents exécutent la tâche qui leur a été confiée et s'améliorent au fil du temps.
• Agents LLM de recherche d'informations : les méthodes RAG sont utilisées par ces types d'agents LLM pour trouver et récupérer des données dans n'importe quel système. Dans ce cas, la recherche de données est relativement simple. Les agents excellent dans leur capacité à identifier et à saisir les données pertinentes et à ignorer les informations superflues.
• Agents collaboratifs LLM : les agents collaboratifs opèrent aux côtés ou en tandem avec d'autres agents. Ces agents fonctionnent effectivement en parallèle, ce qui permet de réduire les temps de réponse sans perdre en précision.
• Agents LLM à apprentissage adaptatif : les agents adaptatifs utilisent des données historiques pour améliorer les performances futures. Les agents évaluent les résultats antérieurs et les comparent aux résultats idéaux afin d'élaborer de nouvelles stratégies.

La construction d'un agent IA doté de capacités LLM nécessite un grand modèle linguistique. Ce LLM génère et interprète des textes en langage naturel, et des composants supplémentaires tels que l'ingénierie de répliques, les modules de mémoire ou les systèmes de récupération pour améliorer sa compréhension du contexte et sa fonctionnalité. Pour tous les types d'agents LLM, les trois composants de haut niveau sont le cerveau, la mémoire et la planification.

Le cerveau d'un agent est un modèle linguistique capable de comprendre les questions de l'utilisateur et d'y répondre. Les agents utilisent des répliques, telles que des questions ou déclarations formulées par les utilisateurs, pour guider leurs processus de décision et de réponse. Grâce à des solutions comme Agentforce, ces cerveaux peuvent être personnalisés avec des structures conçues pour des situations spécifiques, telles que la gestion des finances, des ressources humaines ou des tâches de cybersécurité.

La mémoire aide les agents à se souvenir de leurs actions précédentes afin d'améliorer leur prochain résultat. Elle peut être subdivisée en trois types :

• À court terme : la mémoire à court terme des agents s'applique à la conversation ou à la tâche en cours. Il s'agit d'un enregistrement des répliques de l'utilisateur et de toutes les actions entreprises jusqu'à présent par l'agent.
• À long terme : la mémoire à long terme est un référentiel de données provenant de conversations ou d'invites passées qui peuvent s'étendre sur des semaines ou des mois. Cette mémoire fournit un contexte aux tâches en cours et peut être examinée par les agents afin d'identifier les erreurs possibles et les domaines à améliorer.
• Hybride : la mémoire hybride combine la mémoire à court et à long terme afin d'améliorer les réponses de l'agent sur le moment en maintenant la conscience de la situation et en puisant dans les informations pertinentes de manière dynamique.

Les modules de planification améliorent les réponses en divisant les tâches complexes en parties plus petites :

• Formulation du plan (avec et sans retour d'information) : la formulation du plan est la première étape. Les agents décomposent les tâches en sous-tâches et les réalisent ensuite. Les plans peuvent être créés et exécutés avec ou sans retour d'information. Sans retour d'information, les plans sont élaborés et gérés par des agents sans aucun contrôle humain. Avec le retour d'information, les personnes impliquées dans la boucle évaluent les plans et formulent des recommandations avant qu'ils ne soient exécutés.
• Réflexion sur le plan : la réflexion sur les plans a lieu après l'exécution des plans. En utilisant une combinaison d'outils d'évaluation internes et de commentaires humains externes, la réflexion sur le plan permet d'identifier les domaines à améliorer.

En pratique, ces composants fonctionnent ensemble comme un cerveau humain simplifié. Les cerveaux des agents ingèrent et interprètent les requêtes des utilisateurs. La mémoire à court terme est utilisée pour comprendre la tâche en cours, tandis que la mémoire à long terme fournit le contexte. La planification divise les tâches complexes en sous-tâches, qui sont ensuite accomplies pour résoudre le problème et fournir une réponse.

La réflexion sur les plans contribue à réduire le risque d'erreurs futures en leur permettant d'évaluer de manière critique leurs résultats, d'identifier les erreurs potentielles et d'améliorer la précision et la cohérence de leurs plans.

Il existe de nombreuses façons d'utiliser ces types d'agents LLM, notamment :

• Ventes : avec l'IA de vente, les agents peuvent être utilisés pour contacter des clients potentiels et leur fournir des informations sur les produits, organiser des réunions avec un représentant commercial ou proposer des prix spéciaux et des promotions.
• Service : les agents IA basés sur les services peuvent répondre aux questions des clients, offrir des conseils de dépannage technique ou transmettre les questions à des représentants humains.
• Commerce : en utilisant l'IA pour le commerce, les agents permettent un statut et un suivi des commandes à la demande, des modifications de commandes et une aide pour les retours ou les remboursements.
• Marketing : grâce à leur capacité à gérer des répliques complexes, les agents LLM peuvent utiliser l'IA pour le marketing afin d'identifier les publics cibles et créer des campagnes de marketing personnalisées pour différents segments, sur la base des performances des campagnes précédentes.

Alors que les avantages de l'IA et les LLM sont considérables, vous pourriez encore rencontrer des difficultés avec différents types d'agents LLM. Voici les principaux défis :

Si les agents LLM ne sont pas formés sur suffisamment de données ou si les données ne sont pas assez variées, cela peut créer un contexte limité et réduire la capacité de l'agent à produire des réponses pertinentes et exploitables.

Les agents excellent dans la planification à court terme mais peuvent avoir du mal à traiter les demandes de plans sur le long terme, qui s'étendent sur des mois ou des années, en raison d'un manque de mémoire persistante, des limites de la fenêtre contextuelle et des lacunes dans l'intégration des outils (et des ressources).

Des données sources inexactes ou des instructions peu claires peuvent conduire à des résultats incohérents. Si la même requête renvoie plusieurs résultats, l'utilité des agents LLM s'en trouve amoindrie.

Les agents peuvent être personnalisés pour remplir des rôles. Le succès de ces rôles dépend toutefois de la structure d'IA utilisée. En effet, la structure détermine l'efficacité avec laquelle l'agent peut être formé, déployé et intégré à d'autres outils et systèmes.

Alors que les répliques constituent la base des réponses des agents, les agents LLM doivent également faire appel à la mémoire et à l'introspection pour éclairer leurs réponses. Si ces éléments sont insuffisants ou absents, cela peut limiter la portée et la précision des réponses.

La dépendance à l'égard des répliques en est un exemple. Cela se produit lorsque les LLM « dépendent » des répliques pour fournir des indices contextuels sur le résultat souhaité. Dans le meilleur des cas, cela conduit à des résultats légèrement biaisés. Dans le pire des cas, les résultats sont inexacts.

Le simple volume de connaissances manipulées et stockées par les agents LLM peut entraîner des problèmes de gestion. Ces difficultés peuvent se manifester par des performances réduites ou des réponses imprécises.

En général, les agents LLM améliorent l'efficacité opérationnelle, ce qui peut signifier un meilleur retour sur investissement grâce à l'utilisation d'agents et des économies pour l'ensemble de l'entreprise. Mais si les agents ne s'intègrent pas aux systèmes existants ou s'ils sont construits sur des structures à forte intensité de ressources, cela peut entraîner une augmentation des coûts et une réduction de l'efficacité.

Les algorithmes d'apprentissage automatique devenant plus complexes et les puces plus puissantes, il faut s'attendre à ce que ces types d'agents LLM et d'agents IA deviennent plus intelligents, plus rapides et plus capables d'apprendre au fur et à mesure. En pratique, cela crée une opportunité pour ces chatbots alimentés par l'IA de travailler aux côtés de leurs homologues humains plutôt que d'opérer après eux.

Envisagez les ventes B2B. Traditionnellement, les collaborateurs peuvent utiliser les LLM pour améliorer le marketing ou la copie de produit et générer des prospects potentiels. Avec des outils plus avancés, le personnel peut utiliser les agents pour concevoir et diffuser des campagnes d'e-mailing approfondies et répondre aux questions des clients. Cela présente le double avantage d'améliorer la personnalisation pour les clients et de permettre au personnel de se concentrer sur l'élaboration de stratégies de vente à long terme.

L'IA d'entreprise connaissant une croissance exponentielle, les entreprises bénéficient de différents types d'agents LLM. Cette technologie permet aux entreprises d'améliorer le service client et la prise de décision, et de traiter des problèmes complexes à plusieurs étapes.

Agentforce aide les entreprises à prendre les devants avec les LLM. En créant et en personnalisant des agents IA autonomes, les entreprises peuvent combiner l'expérience des collaborateurs humains avec l'expertise croissante de l'IA pour soutenir les clients et les collaborateurs 24 heures sur 24 et 7 jours sur 7. Essayez Agentforce pour découvrir comment il peut vous aider à mieux communiquer avec vos clients et à rendre vos collaborateurs plus efficaces.