Les agents IA vont transformer les entreprises et les organisations dans les années qui viennent. Avec l’essor des LLMs , Large Language Models tels ChatGPT, permet en effet de pouvoir aborder plus efficacement des applications complexes basées sur un ou de multiples agents IA autonomes ; c’est ce que l’on dénomme l’ IA agentique. Ces nouveaux systèmes applicatifs peuvent appréhender plus aisément des problématiques avancées telles que le raisonnement, l’exploration de solutions, l’analyse critique, la planification et le contrôle des actions.
Cette formation propose une approche pratique des architectures agentiques en mettant l’accent sur leurs principes fondamentaux essentiels, et en mettant en lumière la création de valeur générée par ces nouvelles approches à travers des ateliers pratiques basés sur des cas concrets.
Les objectifs de la formation
- Comprendre les principes des systèmes multi-agents et leur interaction avec les LLMs
- Développer et configurer des agents IA autonomes
- Mettre en oeuvre des architectures multi-agents adaptées aux problématiques complexes
- Maîtriser la gestion de la mémoire et l’optimisation des processus IA
A qui s’adresse cette formation ?
Pour qui
- Data Scientists, Développeurs, Chefs de projets IA
Prérequis
- Cours BI108 ou expérience préalable sur les LLMs
- La maîtrise d’un langage de script type Python est recommandé
Le programme
- Les modèles larges de langage (LLMs) propulsent les agents autonomes
- De quoi ont besoin les agents autonomes ?
- La réponse apportée par les LLMs
- Systèmes multi-agents basés sur des LLMs (LLM-MA)
- Vers une forme d’intelligence collective
- Éléments clés des systèmes
- Profilage des agents
- Les architectures multi-agents
- Résoudre la problématique fondamentale de planification
- Apporter réflexivité et critique aux systèmes décisionnels
- Les applications des systèmes agentiques
- La résolution de problématiques complexes
- La simulation de phénomènes critiques
- Écosystèmes applicatifs clés multi-agents
2 – Éléments de conception communs aux systèmes multi-agents
-
- Approche par nature en graphes
- Notion d’agents
- Exemples d’agents
- L’approche Agents REACTs
- Contrôle de la parallélisation
- Contrôle de la récursivité des graphes
- La mémoire des systèmes d’agents
- Gestion de la mémoire à court terme
- Caractéristiques de la mémoire à long terme
- L’humain dans la boucle
- Les sous-graphes
- Le management d’états (du graphe)
AtelierMise en oeuvre d’éléments de conception communs aux systèmes multi-agents
3 – Différentes architectures multi-agents
-
- L’approche en Réseau
- Diviser pour mieux régner
- Composantes clés de l’architecture
- Exemple applicatif non séquentiel
- Avantages et inconvénients des architectures réseaux multi-agents
- L’approche avec Superviseur
- Superviser pour mieux déléguer
- Fonctionnement d’une architecture multi-agents avec superviseur
- Exemple applicatif médical
- Généralisation : architectures hiérarchiques
- Avantages et limites des systèmes multi-agents avec superviseur
- Architectures ad-hoc
AtelierMise en oeuvre d’architectures multi-agents sur cas concrets
4 – Planification multi-agents
-
- La planification pilier central de l’IA
- La réponse des approches multi-agents
- Les LLMs catalyseurs du processus
- Limitations des agents ReACT
- Des frameworks multi-agents plus adaptés
- L’approche PLAN AND EXECUTE
- Architecture de base LLM-MA
- Le planificateur LLM
- Prompt de planification (exemple)L’exécuteur de tâches
- Le re-planificateur
- Prompt de re-planification (exemple)
- ReWOO une variante économe
- La parallélisation avec LLMCompiler
- Approches alternatives
- Synthèse – frameworks de planification LLM-MA
AtelierMise en oeuvre de systèmes de planning Multi-Agents
5 – Systèmes multi-agents réflexifs et critiques
-
- Prise de décision et réflexion multi-agents
- Fonctionnement élémentaire d’un agent réflexif LLM-based
- Le renforcement verbal du processus décisionnel
- Architecture de l’approche REFLEXION
- L’exploration systématique de multiples options en parallèle
- L’approche en arbre de pensées (Tree of Thoughts – ToT)
- Algorithme ToT
- Architecture ToT
- ToT en pratique
- L’apport des méthodes de recherche combinatoire
- L’approche disruptive LATS
- L’écosystème LATS
- Fonctionnement d’un système LATS
- Architecture multi-agents LATS
- S’inspirer des humains !
- Le raisonnement complexe avec SELF-DISCOVER
- Les trois étapes clés de l’approche SELF-DISCOVER
- Synthèse
AtelierMise en oeuvre de systèmes multi-agents réflexifs et critiques
6 – Perspectives et éthique des agent IA
- Nouvelles architectures et nouveaux LLMs à venir
- Biais et interprétabilité des systèmes agentiques
- Défis et opportunités pour les organisations
