Systèmes multi-agents : bâtir l’entreprise autonome

Un système multi-agents d’entreprise se définit comme étant un réseau d’agents logiciels intelligents (les Agents IA) qui collaborent pour atteindre des objectifs communs. Ces agents fonctionnent dans les différents systèmes et services de l’entreprise : ils perçoivent leur environnement, raisonnent à partir de leurs observations et prennent des mesures visant à atteindre des objectifs spécifiques.

Chaque agent peut avoir des fonctionnalités spécialisées (analyse de données, traitement du langage naturel, prise de décision ou exécution de processus), mais leur valeur émerge de leur interaction les uns avec les autres. La puissance des SMA provient de leur capacité à communiquer, à coordonner et à s’adapter lorsqu’ils sont mis à l’œuvre dans les structures d’entreprise existantes.

En pratique, un système multi-agents d’entreprise s’apparente à un réseau de services d’IA spécialisés, qui fonctionnent indépendamment et collectivement dans des systèmes existants (ils extraient des données de bases de données, déclenchent des actions dans les systèmes CRM, mettent à jour les enregistrements ERP et échangent des informations via des plateformes d’intégration d’entreprise) tout en respectant les politiques commerciales définies.

Ces systèmes représentent un véritable bon en avant par rapport aux applications d’IA isolées dans des systèmes d’entreprise uniques. Les SMA fonctionnent comme un écosystème cohérent ; ils partagent des informations, délèguent des tâches et prennent des décisions collectivement, sans jamais perdre de vue l’objectif commercial défini.

Cette évolution comble le vide entre l’automatisation des tâches de base et l’entreprise autonome. Les automatisations à fonction unique sont conçues pour des tâches spécifiques et répétitives ; elles dépendent de l’intervention humaine pour la gestion des exceptions ou la coordination entre systèmes. Les systèmes multi-agents, quant à eux, s’adaptent de manière indépendante. Ils rassemblent des Agents IA spécialisés pour gérer des processus complexes et dynamiques, qui englobent de nombreuses fonctions et se déroulent dans différents systèmes, avec une intervention humaine minimale.

Auparavant, l’automatisation était synonyme d’exécution basée sur des règles et de chemins de décision définis. Dans le cas des systèmes multi-agents, l’IA agentique permet à l’intelligence d’être contextuelle. Les agents réagissent à l’évolution de la situation de l’entreprise. Ils peuvent résoudre des problèmes en communiquant et en collaborant avec d’autres agents, mais aussi avec des humains.

Aspect	Automatisation traditionnelle	Systèmes multi-agents
Fonctionnalité	Automatisations à usage unique, conçues pour des tâches spécifiques et répétitives	Agents spécialisés et coopératifs, avec rôles distincts, mais complémentaires
Intégration système	Fonctionnement isolé dans des systèmes ou des applications spécifiques	Orchestration de bout en bout de processus qui s’exécutent dans différents systèmes et services
Sensibilisation au contexte	Sensibilisation au contexte limitée, avec intelligence interfonctionnelle minimale	Intelligence contextuelle, qui s’adapte à l’évolution de la situation de l’entreprise
Prise de décision	Exécution basée sur des règles, avec chemins de décision prédéfinis	Résolution de problèmes émergents par la communication et la collaboration entre les agents
Intervention humaine	Intervention humaine requise pour la gestion des exceptions ou la coordination entre les systèmes	Gestion autonome des flux de travail complexes, avec supervision humaine minimale

Les initiatives d’automatisation actuelles sont principalement limitées par le fait qu’elles sont confinées à des services ou des fonctions isolées. Dans le même temps, les systèmes multi-agents redéfinissent ces limites, car ils peuvent fonctionner de manière parfaitement fluide et franchir ces barrières opérationnelles types.

Ils ont la capacité d’inverser l’actuel ratio automatisation-intervention humaine. Dans le cadre d’approches d’automatisation standard, les entreprises peuvent automatiser 20 à 30 % du travail sur les processus. Les 70 à 80 % restants nécessitent encore une intervention humaine, notamment pour la gestion des lacunes entre les systèmes ou des prises de décisions complexes.

Les proportions d’automatisation sont inverses dans les systèmes multi-agents. Les systèmes multi-agents, en particulier via l’automatisation agentique des processus, automatisent 80 % des tâches de processus. Ils atteignent ce niveau d’exécution autonome grâce aux fonctionnalités suivantes :

• Dépassement des limites d’un système : les Agents IA peuvent accéder aux différentes applications d’entreprise (systèmes ERP, CRM et de chaîne d’approvisionnement, plateformes de service client) et y fonctionner de manière indépendante.
• Échange de données : les Agents IA partagent des informations avec le contexte, ce qui garantit que les décisions qui sont prises s’appuient sur une vue globale des données disponibles.
• Coordination des flux de travail complexes : des agents distincts peuvent gérer des aspects spécialisés d’un processus tout en maintenant la cohérence globale et la progression vers les objectifs commerciaux.
• Adaptation au changement : les Agents IA s’adaptent à l’évolution des circonstances, de la même manière que des employés qualifiés ajustent leurs stratégies pour répondre à l’évolution des besoins commerciaux. En cas de situation inattendue, les Agents IA peuvent raisonner collectivement afin de définir les réponses appropriées ou faire remonter les informations à des humains si nécessaire.

Si l’IA est intégrée dans une seule application, son fonctionnement s’arrête aux limites de ce système. C’est le cas notamment de la solution de CRM Salesforce Einstein. En d’autres termes, elle est limitée aux données et aux fonctions disponibles dans cette application. Elle peut s’optimiser pour effectuer des tâches spécifiques, mais elle ne peut pas orchestrer des processus interfonctionnels. Cela signifie que, à l’instar de l’automatisation traditionnelle, des humains doivent faire le lien entre les systèmes pour que les flux de travail s’exécutent dans leur intégralité.

Les systèmes multi-agents d’entreprises, qui sont orchestrés par l’automatisation agentique des processus, relient des systèmes hétérogènes. Ils peuvent accéder à des informations issues de nombreuses sources et les synthétiser pour créer une image complète du processus. En fonctionnant de manière coordonnée, ils gèrent de manière autonome les transferts d’un système à l’autre et dans les processus de bout en bout.

Les systèmes multi-agents éliminent ainsi la fragmentation des systèmes qui limitait l’automatisation. Ils mettent à l’œuvre des opérations d’entreprise véritablement autonomes.

Agents IA

Les Agents IA intelligents sont les éléments constitutifs des systèmes multi-agents. Ils associent le raisonnement et la rapidité de l’IA pour comprendre les données et prendre des décisions éclairées, et ont la capacité d’utiliser des outils pour mettre en œuvre ces décisions.

À un niveau élevé, ce processus repose sur une combinaison de perception, de raisonnement et d’action. Dans les entreprises modernes, les agents intègrent souvent des capacités d’IA spécialisées (traitement du langage naturel ou TLN, vision par ordinateur ou analyse prédictive) qui leur permettent de gérer des tâches toujours plus complexes dans leur domaine d’expertise.

Perception : les agents collectent des intrants de données à partir de plusieurs sources telles que les API, les flux d’événements, les connexions de bases de données ou les capteurs IdO. Par exemple, un agent du service client peut surveiller simultanément les tickets d’assistance entrants, les messages de chat et les transcriptions vocales.

Raisonnement : selon les modèles d’IA, les agents traitent l’information et prennent des décisions à l’aide de techniques différentes telles que la logique basée sur des règles ou les modèles d’apprentissage machine. Par exemple, un agent spécialisé dans la détection des fraudes financières peut associer la reconnaissance de schémas basée sur des règles à des algorithmes de détection d’anomalies pour identifier des transactions suspectes.

Action : les Agents IA concrétisent leurs décisions à l’aide des outils et connexions système disponibles. Il peut s’agir de la mise à jour de bases de données, du déclenchement de flux de travail dans d’autres systèmes, de la génération de notifications ou de la création de nouvelles ressources. Un agent d’approvisionnement peut, par exemple, générer des bons de commande, les envoyer aux fournisseurs via un système d’approvisionnement électronique, puis mettre à jour les prévisions de stock, le tout automatiquement.

Communication entre les Agents IA dans les systèmes multi-agents

Une communication efficace est l’épine dorsale des systèmes multi-agents. Sans échange d’informations, les Agents IA n’ont aucun moyen de travailler ensemble, de collaborer ou de résoudre des problèmes. L’architecture qui prend en charge la communication entre les agents a rapidement progressé. Elle répond à l’évolution des fonctionnalités et à l’augmentation du nombre d’applications dans les systèmes multi-agents.

Les normes établies (FIPA-ACL et KQML, par exemple) ont jeté les bases de la communication entre les agents, mais elles sont moins courantes dans les mises en œuvre qui ont lieu au sein des entreprises modernes. Aujourd’hui, la communication basée sur les API, qui utilise des technologies telles que les API RESTful et GraphQL, est prépondérante dans les environnements d’entreprise. Elle permet aux agents d’interagir de manière transparente tant entre eux qu’avec les systèmes existants via des protocoles HTTP. Cette approche simplifie l’intégration aux services Web, aux plateformes cloud et aux architectures d’entreprise plus étendues.

Les SMA modernes utilisent également souvent un système de messagerie basé sur les événements (flux d’événements et courtiers de messagerie tels que Kafka et RabbitMQ, ou services natifs dans le cloud tels qu’AWS EventBridge) pour permettre la communication asynchrone et évolutive entre les agents. Ce schéma soutient une réactivité en temps réel aux évolutions du système.

Pour que les agents se comprennent, il est également nécessaire de mettre en place des normes et des politiques qui régissent leur communication. Les agents n’observent pas les communications à l’échelle des différents messages : ils suivent plutôt des schémas de conversation structurés, qui définissent des séquences d’interactions pour les négociations, les demandes, le partage d’informations et la délégation de tâches. De nombreux systèmes appliquent des normes sémantiques telles que la norme JSON-LD ou des ontologies propres au secteur d’activité. Par exemple, les agents des services financiers peuvent utiliser l’ontologie FIBO (Financial Industry Business Ontology) pour garantir l’interprétation cohérente des termes.

Coordination des actions des agents et des flux de travail

La cohérence du comportement des systèmes ne va pas de soi. Les systèmes multi-agents reposent sur une couche d’orchestration qui coordonne les activités des agents dans l’entreprise.

Pour la gestion des flux de travail, l’orchestration des SMA associe des définitions de processus (par exemple, du système de modélisation et notation des processus métier, ou BPMN) à des moteurs de flux de travail dynamiques qui peuvent s’adapter au changement. Les processus peuvent ainsi évoluer en fonction du contexte plutôt que de suivre des chemins statiques et prédéterminés.

Mais que se passe-t-il si les agents ne s’accordent pas sur le chemin que doit prendre un flux de travail, ou lorsque les actions à entreprendre ou les décisions à prendre sont en conflit ? Les systèmes d’orchestration avancés mettent en œuvre des stratégies de résolution de conflits. Ces stratégies peuvent être basées sur des priorités et utiliser des mécanismes de marché (où les agents « enchérissent » pour obtenir des ressources), des algorithmes de consensus ou des structures de décisions hiérarchiques. L’objectif sous-jacent est de refléter les politiques de l’entreprise et les objectifs commerciaux.

Pour que les efforts coordonnés des agents soient fructueux et respectent ces objectifs, la surveillance et le suivi des activités des agents jouent un rôle important. À cette fin, la couche d’orchestration des systèmes multi-agents inclut des tableaux de bord en temps réel et des outils d’observabilité qui permettent de suivre les activités des agents, les volumes de messages et les résultats des décisions.

Ces systèmes offrent la supervision et l’intervention des humains afin de gérer les exceptions. Dans le cadre d’un système d’automatisation agentique des processus, cette couche d’orchestration permet aux flux de travail multi-agents d’intégrer des approbations humaines et des étapes manuelles lorsque cela est nécessaire.

Moteur de décision

Afin d’optimiser les performances globales du système, les systèmes multi-agents ont besoin, comme toutes les équipes, d’une méthode pour déterminer les agents qui doivent gérer les différentes tâches. Le moteur de décision assume ce rôle de leadership pour les SMA.

Globalement, les moteurs de décision associent les compétences d’un agent aux tâches à accomplir. Mais la distribution des tâches est plus complexe pour les processus d’entreprise, car ils impliquent parfois des centaines voire des milliers de tâches (et d’agents).

Les moteurs de décision peuvent optimiser la distribution à l’aide d’algorithmes d’attribution des tâches, notamment des approches basées sur le marché, des protocoles réseau contractuels et l’apprentissage par renforcement. Lors de l’attribution des tâches, ils prennent également en compte des facteurs environnementaux tels que la charge du système, le degré d’urgence, la disponibilité des données et les priorités de l’entreprise.

Les moteurs de décision de niveau entreprise doivent également gérer les accords de niveau de service (SLA) afin que les processus stratégiques bénéficient de tous les agents nécessaires, même pendant les périodes de forte demande. Ils doivent aussi intégrer une tolérance aux pannes : les systèmes avancés comprennent des mécanismes de redondance et de basculement qui redistribuent les tâches automatiquement lorsque des agents sont indisponibles ou ne réagissent pas. La supervision et l’intervention humaines jouent également un rôle essentiel. Les moteurs de décision peuvent transmettre des tâches à des opérateurs humains si les niveaux de confiance sont inférieurs aux seuils définis ou lorsque les exigences réglementaires nécessitent une intervention humaine.

Apprentissage

Les systèmes multi-agents ont l’avantage de pouvoir s’adapter et s’améliorer en apprenant en permanence grâce aux capacités d’apprentissage intégrées qui assurent l’équilibre entre efficacité, confidentialité et limites opérationnelles.

Les systèmes d’apprentissage intègrent également des mécanismes de transparence qui aident les parties prenantes humaines à comprendre les décisions spécifiques prises par les agents. C’est un élément essentiel pour établir la confiance et garantir une supervision efficace.

• Apprentissage distribué : les agents partagent des informations et des améliorations de modèle tout en respectant la confidentialité des données et les limites opérationnelles.
• Apprentissage par renforcement : les agents optimisent les politiques décisionnelles grâce à des signaux de récompense basés sur les résultats commerciaux et les ICP.
• Filtrage collaboratif : les agents apprennent des expériences et des décisions d’autres agents qui gèrent des tâches semblables, ce qui accélère l’amélioration collective.
• Structures de tests A/B : le test systématique des stratégies alternatives permet aux systèmes multi-agents d’évoluer sur la base de preuves empiriques.

Sécurité et confiance

Il est impossible d’ignorer l’impératif de sécurité inhérent aux systèmes multi-agents d’entreprise. De nombreuses composantes constituent l’architecture de sécurité qui entoure les Agents IA et leur permet de travailler seuls et collectivement.

Tout d’abord, les Agents IA sont configurés avec des autorisations et rôles spécifiques. Leur identité numérique doit s’intégrer aux systèmes de gestion des identités et des accès (IAM) de l’entreprise.

L’architecture de confiance zéro prédominante s’étend à la mise en œuvre des systèmes multi-agents ; elle n’intègre aucune confiance implicite entre les composantes, ce qui nécessite la vérification de chaque interaction, quelle qu’en soit la source. Les systèmes de réputation peuvent apporter une assistance à ce processus de vérification de manière à ce que les agents maintiennent des scores de confiance basés sur les interactions antérieures qu’ils utilisent comme facteurs influençant les futures décisions de collaboration.

La surveillance et les contrôles mentionnés précédemment ne sont pas les mêmes que ceux des pistes d’audit. Les opérations sécurisées des systèmes multi-agents exigent que toutes les actions et décisions des agents soient enregistrées à des fins de conformité et de responsabilité.

Évolutivité

Les processus d’entreprise dynamiques et de longue durée doivent pouvoir évoluer efficacement, ce qui signifie que les systèmes multi-agents de niveau entreprise ont besoin d’une infrastructure hautement évolutive. Les systèmes à grande échelle organisent généralement les agents en structures hiérarchiques, avec des « agents gestionnaires » qui coordonnent les équipes spécialisées. Parallèlement, les mécanismes d’équilibrage de charge surveillent l’ensemble du système pour s’assurer qu’aucun agent ni canal de communication ne devienne un goulet d’étranglement.

La conteneurisation est utile ici : les agents sont déployés en tant que microservices conteneurisés (à l’aide de technologies comme Docker et Kubernetes), ce qui permet des mises à l’échelle dynamiques en fonction de la demande. De la même manière, le stockage de bases de données distribuées pour les états des agents et les connaissances partagées prend en charge un accès aux données efficace et à la demande. Pour les agents intermittents ou déclenchés par des événements, les architectures sans serveur offrent l’évolutivité la plus économique.

Intégration à l’entreprise

Tout comme la sécurité, il est indispensable que les systèmes multi-agents soient intégrés à l’infrastructure d’entreprise existante pour être efficaces.

C’est là qu’interviennent les API, les champions en la matière. La gestion centrale des API conduit à des interactions contrôlées entre les agents et les systèmes d’entreprise. Pour les systèmes existants, des connecteurs spécialisés ou des agents de connecteurs peuvent agir comme des traducteurs pour que les SMA puissent communiquer et fonctionner sans problème avec l’infrastructure.

La gestion des données au niveau de l’entreprise est un autre élément essentiel de la carte d’intégration. L’intégration aux systèmes de gestion des données de référence et l’alimentation des plateformes de surveillance/d’analyse d’entreprise qui assurent la visibilité garantissent que les agents opèrent avec des données cohérentes et fiables dans toute l’entreprise.

Pour garantir la réussite de leur déploiement dans les environnements d’entreprise, la conception des différents Agents IA doit prendre en compte l’intégration et les différents facteurs associés, notamment la conformité, la connectivité, la gouvernance et la gestion du changement.

• Conformité : tous les agents doivent opérer conformément aux normes de l’entreprise en matière de sécurité, de gestion des données et d’interopérabilité.
• Connectivité : chaque type d’agent a besoin des connexions adéquates aux systèmes d’entreprise pertinents.
• Gouvernance : le comportement des agents doit être conforme aux politiques de l’entreprise, notamment en ce qui concerne la prise de décision.
• Gestion des changements : la conception des agents doit prendre en compte les futurs besoins de mise à jour en fonction de l’évolution des besoins de l’entreprise.

En accordant la priorité aux exigences d’intégration, tant au niveau du système qu’au niveau des agents, on prépare l’infrastructure à recevoir des systèmes multi-agents capables de gérer des processus complexes tout en restant sécurisés et en mesure de s’adapter aux exigences métier et à l’évolution des technologies.

Les systèmes multi-agents prospèrent grâce à la spécialisation et à la collaboration entre différents types d’Agents IA. Chaque type d’agent a un rôle distinct à jouer dans l’écosystème global, et dispose de fonctionnalités adaptées à des aspects spécifiques des processus d’entreprise. En comprenant les différents types d’agents, les entreprises peuvent concevoir des architectures multi-agents efficaces, qui trouvent l’équilibre entre autonomie et coordination.

Agents propres à une tâche

Comme leur nom l’indique, les agents propres à une tâche sont conçus pour une fonction particulière et ont des responsabilités clairement définies. Cette spécialisation offre des niveaux d’efficacité et de précision élevés. Leur architecture accorde la priorité à leur fonction principale plutôt qu’à des fonctionnalités étendues. Les agents propres à une tâche associent généralement des modèles d’IA, spécialisés et entraînés avec des données propres au domaine, à des moteurs de règles métier pour donner une logique de domaine explicite.

Principales caractéristiques des agents propres à une tâche

Expertise spécialisée : formés à partir de connaissances propres à un domaine, les agents appliquent des algorithmes et des fonctionnalités d’IA axés exclusivement sur des fonctions métier spécifiques.

Performances optimisées : conçus pour être efficaces dans leur domaine, les agents peuvent traiter de grands volumes de tâches semblables et produire des résultats cohérents.

Limites claires : les agents propres à une tâche s’appuient sur des intrants, des extrants et des paramètres opérationnels bien définis.

Exemples d’agents propres à une tâche d’entreprise

• Les agents de traitement de documents se spécialisent dans l’extraction, la classification et la validation des informations issues de documents non structurés. Par exemple, un agent de traitement des factures peut extraire d’une facture des postes, des informations fiscales et des conditions de paiement avec une grande précision grâce à la vision par ordinateur et à des techniques de TLN.
• Les agents analytiques se concentrent sur l’analyse des données, la reconnaissance des schémas et la génération d’informations. Un agent d’analyse des ventes peut surveiller les schémas de transactions pour identifier des opportunités de vente croisée, tandis qu’un agent d’évaluation des risques peut évaluer des combinaisons de facteurs pour établir une cote de risque.
• Les agents transactionnels se spécialisent dans l’exécution de transactions commerciales spécifiques dans les systèmes d’entreprise. Un agent de tarification peut calculer un prix optimal en fonction d’un ensemble de variables, tandis qu’un agent de traitement des commandes peut valider et acheminer les commandes vers les bons canaux d’exécution.
• Les agents de surveillance surveillent les systèmes, les processus ou les flux de données en permanence afin d’y détecter des conditions spécifiques. Par exemple, les agents de surveillance des stocks déclenchent le réapprovisionnement lorsque le stock est inférieur à un seuil défini. De la même manière, les agents de surveillance de la conformité signalent les problèmes réglementaires potentiels.

Agents d’orchestration des processus

La vue d’ensemble des processus d’entreprise complexes nécessite l’intervention d’un responsable de haut niveau : il doit s’assurer que chaque partie du flux de travail est exécutée correctement, du début à la fin. Tel est le rôle des agents d’orchestration des processus. Ils coordonnent les activités de nombreux systèmes et agents propres à une tâche, et s’appuient sur des outils de visibilité qui offrent des fonctionnalités de surveillance des processus.

Les agents d’orchestration des processus peuvent exploiter les technologies de gestion des processus métier (BPM), les structures de traitement des événements pour gérer les déclencheurs et les signaux, et les systèmes de gestion des transactions pour maintenir l’intégrité des processus. Pour soutenir les flux de travail d’entreprise de longue durée, ils s’appuient également sur des mécanismes de persistance d’état qui leur permettent de suivre la progression des flux dans le temps et de reprendre des opérations si nécessaire.

Pour les déploiements de niveau entreprise, la dernière technologie d’orchestration des processus utilise des architectures basées sur des événements, avec des magasins d’événements persistants qui permettent la résilience des processus, des fonctionnalités d’audit et des analyses.

Principales caractéristiques des agents d’orchestration des processus

Connaissance des processus : les agents gèrent des représentations complètes des processus métier, avec les étapes, les dépendances, les conditions et les résultats attendus.

Capacité de coordination : ils gèrent le séquençage des tâches, les exécutions parallèles et les transferts entre différents agents et systèmes.

Gestion des états : les agents d’orchestration suivent les états des processus tout au long de l’exécution pour garantir la continuité, même pendant les opérations de longue durée.

Gestion des exceptions : ils détectent les écarts par rapport aux flux de processus attendus et lancent les réponses appropriées.

Exemples d’agents d’orchestration des processus dans des flux de travail d’entreprise

• Les orchestrateurs order-to-cash gèrent l’ensemble du cycle de vie de la commande client. Ils coordonnent les systèmes et les agents de capture des commandes, de vérification de la solvabilité, d’affectation des stocks, d’exécution, d’expédition, de facturation et de traitement des paiements.
• Les orchestrateurs d’intégration des employés coordonnent le processus complexe d’intégration des nouveaux employés dans une entreprise. Ils orchestrent les activités entre les services de RH, d’informatique, d’équipement, de sécurité et de formation.
• Les orchestrateurs de flux de travail cliniques coordonnent les processus de soins aux patients dans les services, en veillant à ce que les tests diagnostiques, les consultations, les traitements et les suivis se déroulent dans l’ordre approprié, et à ce que toutes les informations nécessaires circulent d’une étape à l’autre.
• Les orchestrateurs de la chaîne d’approvisionnement gèrent le flux de matériaux et d’informations dans les processus d’approvisionnement, de production, d’entreposage et de distribution, en se coordonnant avec les fournisseurs, les transporteurs et les clients.

Agents de prise de décision

Dans les systèmes multi-agents, chaque action entreprise pour avancer vers un objectif découle d’une décision. Succès ou sous-performances, c’est la qualité de la prise de décision qui fait la différence.

Les agents de prise de décision jouent un rôle central dans ce processus. Ils évaluent les différentes solutions et font des choix basés sur différents critères d’optimisation, intrants et règles définies. Ils gèrent une logique commerciale complexe, des exceptions et même des tâches nécessitant un jugement.

Ces agents associent souvent des moteurs de règles (pour faire respecter des politiques explicites) à des modèles d’apprentissage machine qui soutiennent la reconnaissance de schémas et la prédiction. Les outils de raisonnement structuré tels que les arbres de décision et les réseaux bayésiens, ainsi que les algorithmes d’optimisation, les aident à faire des arbitrages complexes.

Dans les environnements d’entreprise, les plateformes de gestion des décisions apportent une transparence essentielle : elles permettent la gouvernance, la gestion des versions et le caractère vérifiable des décisions à fort enjeu.

Principales caractéristiques des agents de prise de décision

Mise en œuvre des règles : les agents codent les règles métier, les politiques et les critères de décision sous forme exécutable.

Analyse multifactorielle : lors de la prise de décision, ils prennent en compte de nombreux intrants et de nombreuses variables.

Gestion de l’incertitude : les agents de prise de décision peuvent travailler avec des informations incomplètes et un raisonnement probabiliste.

Optimisation : les agents visent à maximiser ou à minimiser des résultats spécifiques en fonction des objectifs commerciaux.

Capacité d’explication : les agents de prise de décision peuvent structurer le raisonnement qui motive les décisions.

Exemples d’agents de prise de décision dans les processus d’entreprise

• Dans le domaine de l’assurance et des prêts, les agents de souscription évaluent les demandes en fonction des critères de risque, des données des demandeurs et des conditions du marché pour prendre des décisions de couverture ou de crédit.
• Les agents de tarification dynamique déterminent le prix optimal des produits ou services en fonction de la demande, de la concurrence, des niveaux de stock, de la valeur du client et d’autres facteurs.
• En cas de ressources limitées (personnel, équipement, budget), les agents d’affectation des ressources se chargent de les distribuer en fonction des priorités et des contraintes des besoins divergents.
• Les agents de gestion des exceptions évaluent les situations inhabituelles qui ne correspondent pas aux paramètres de processus standard, et ils déterminent les réponses appropriées en fonction des politiques de l’entreprise.

Agents d’apprentissage

La capacité d’adaptation et l’amélioration continue des systèmes multi-agents sont propulsées par des agents d’apprentissage. Ces agents améliorent les performances du système au fil du temps : ils analysent les résultats, reconnaissent les schémas et ajustent les comportements en fonction de l’expérience.

Pour ce faire, ils utilisent différentes techniques d’IA, notamment l’apprentissage supervisé avec des boucles de rétroaction, l’apprentissage par renforcement pour la prise de décision séquentielle et l’apprentissage par transfert pour l’application d’informations dans des domaines connexes.

Dans les environnements où la confidentialité des données est essentielle, l’apprentissage fédéré permet aux modèles distribués de se former sans que les données sensibles soient centralisées. Plus largement, les agents d’apprentissage ont besoin d’une infrastructure robuste pour être efficaces : il leur faut des pipelines de données fiables, des magasins de fonctionnalités évolutifs et des systèmes de gestion de modèles qui soutiennent l’apprentissage continu tout en garantissant la stabilité opérationnelle.

Principales caractéristiques des agents d’apprentissage

Traitement des retours d’information : les agents d’apprentissage collectent et analysent les retours d’information provenant des résultats des processus, des interactions avec les utilisateurs et des performances du système.

Perfectionnement du modèle : les agents mettent à jour en permanence les modèles internes en fonction des nouvelles données et expériences.

Reconnaissance des schémas : les agents d’apprentissage identifient les schémas récurrents et les corrélations.

Partage des connaissances : les agents peuvent distribuer des informations dans tout le réseau des agents, ce qui améliore l’intégralité du système.

Exemples d’applications des agents d’apprentissage

• Les agents de perfectionnement des recommandations améliorent en permanence les recommandations de produits, de contenus ou d’actions en fonction des réponses des utilisateurs et des données de résultats.
• Dans le domaine de la fabrication et de l’infrastructure, les agents de maintenance prédictive apprennent à prédire les pannes de l’équipement avec une précision toujours plus fine grâce à l’analyse des données des capteurs et des dossiers de maintenance.
• Les agents d’optimisation du service client affinent les suggestions de réponse et les décisions de routage en fonction des résultats des résolutions et des indicateurs de satisfaction client.
• Les agents de prévision de la demande améliorent la précision des prévisions en analysant les erreurs de prévision et en ajustant les modèles pour tenir compte des schémas précédemment non reconnus.

Agents d’interface

Les systèmes multi-agents ne fonctionnent pas en vase clos : ils sont conçus pour interagir avec les utilisateurs humains et améliorer la réalité des opérations métier. Les agents d’interface rendent cette relation transparente en gérant les interactions entre les utilisateurs humains et le système multi-agents. Ils visent à assurer une collaboration efficace, et à fournir une visibilité et des contrôles appropriés.

Les agents d’interface associent la compréhension des utilisateurs aux modèles de contexte et de communication. Ils intègrent souvent des systèmes de gestion des identités et des accès d’entreprise pour personnaliser les interactions en fonction des rôles et des autorisations des utilisateurs. Ils utilisent différentes approches, notamment la modélisation des utilisateurs pour gérer les profils et les préférences, des systèmes de gestion de contexte pour suivre l’historique des interactions, et le traitement du langage naturel pour alimenter les interactions conversationnelles.

Les notifications, les alertes et les mises à jour de statut sont les éléments essentiels, mais l’interaction efficace des humains avec les systèmes multi-agents nécessite également la communication claire des informations complexes. Les agents d’interface peuvent incorporer des outils de visualisation pour présenter des données complexes de manière compréhensible, ainsi que des techniques de divulgation progressive pour gérer la complexité de l’information et éviter de submerger les utilisateurs.

Principales caractéristiques des agents d’interface

Conscience du contexte : les agents d’interface gèrent la connaissance des rôles, des préférences, de l’historique et des activités actuelles de l’utilisateur.

Communication adaptative : les agents ajustent le mode de présentation des informations en fonction des besoins de l’utilisateur et de la situation.

Gestion des tâches : les agents d’interface aident les utilisateurs à surveiller les tâches, à intervenir et à les déléguer au réseau d’agents.

Collecte des retours d’information : les agents recueillent les retours d’information explicites et implicites des utilisateurs pour améliorer les performances du système.

Exemples d’agents d’interface facilitant l’interaction humaine avec les systèmes multi-agents

• Les tableaux de bord exécutifs présentent aux dirigeants des indicateurs de performance système de haut niveau et des alertes d’exception qui leur permettent d’approfondir les détails si nécessaire.
• Les consoles opérationnelles offrent aux employés de première ligne une visibilité sur l’exécution des processus, des alertes lors des exceptions et des fonctionnalités d’intervention correspondant à leur domaine de responsabilité.
• Les assistants virtuels offrent des interfaces conversationnelles qui permettent d’interagir avec un système multi-agents : les utilisateurs peuvent donner des instructions, poser des questions et recevoir des réponses en langage naturel.
• Les flux de travail augmentés guident les utilisateurs dans les processus de travail, en leur présentant des informations pertinentes et des suggestions générées par un agent à chaque étape.