Chatbot, assistant, agent et système agent
Les noms commerciaux peuvent être flous.
Ce que vous apprendrez
- Expliquez : l'IA n'est pas un type unique de modèle
- Appliquer l'idée dans un exemple : Chatbot, assistant, agent et système agent
- Reconnaître les limites et vérifier le résultat de l'exercice
Les noms commerciaux peuvent être flous. Il est utile de distinguer qui choisit les étapes, quels outils existent et quelles actions ont des effets.
Vous pouvez suivre ce cours sans compte ni programmation. Les exemples utilisent des données synthétiques et les résultats de l’IA doivent être vérifiés.
Comment ça marche, étape par étape
L'IA n'est pas un type unique de modèle
L'intelligence artificielle est une famille de méthodes de reconnaissance, de prédiction, de planification et de génération. Un système basé sur des règles suit les instructions écrites par des personnes. L'apprentissage automatique apprend les relations à partir d'exemples ; l’apprentissage profond utilise des réseaux à plusieurs couches. L'IA générative produit du nouveau contenu. Un LLM fonctionne avec le langage, mais les recommandations de produits ou la détection de défauts peuvent utiliser d'autres modèles. Pensez à une boîte à outils : choisissez un outil pour le problème. Un algorithme simple peut être plus adapté qu’un agent pour une règle fixe.
Une boucle d'agent limitée
Un agent combine un modèle avec des outils, un objectif et un état. Il observe la demande, choisit une étape, reçoit un résultat et décide de continuer ou non. Un chatbot ne peut générer que du texte ; un agent peut demander une action externe. Les définitions commerciales varient, alors inspectez le contrôle réel. Définissez le succès et l'arrêt : un résultat vérifié, un nombre maximum de pas, des erreurs répétées ou un budget épuisé. Utilisez des capacités étroites et des autorisations minimales. Une autonomie utile signifie une liberté dans les limites imposées par le logiciel.
Un workflow a une structure explicite
Un nœud est une étape, un bord est une transition et un état transporte les résultats entre les étapes. Un flux de travail possède un chemin défini par l'application, bien que le modèle puisse choisir certaines branches. Les systèmes agentiques incluent à la fois des flux de travail et des agents agissant dynamiquement. Nymrio propose ReAct, Reflection, Sequential, Orchestrator, Router, Parallel et Plan-and-Execute. Chacun change de coordination ; cela ne fait pas automatiquement d’un modèle un expert. Plus d'agents signifie plus d'appels et de contrats entre les rôles. Commencez par la solution la plus simple qui réussit vos tests.
Le schéma explicatif
Suivez les flèches pleines pour le flux principal. Les flèches bleues en pointillés fournissent des données ou un contexte ; les flèches roses en pointillés affichent des commentaires ou des résultats renvoyés. Les couleurs et les formes distinguent les modèles, les magasins, les décisions et les sorties. Sur un petit écran, faites défiler horizontalement pour suivre le schéma complet.
Un exemple complet
Un chatbot écrit sur les actions. Un assistant peut effectuer une recherche dans un catalogue. Un agent demande un inventaire via un outil. Un système agent peut coordonner les spécialistes des produits et de la livraison.
Essayez-le vous-même
- Dessinez quatre variantes et marquez qui décide de chaque étape.
- Enregistrez l’entrée, la source et le résultat attendu avant d’exécuter l’expérience. Utilisez uniquement les données fictives de l'exemple.
- Suivez les étapes du diagramme. À chaque étape, enregistrez les informations reçues et produites ; ne confondez pas le résultat intermédiaire avec le résultat final.
- Répétez après avoir supprimé les informations nécessaires ou rendu la saisie ambiguë. Vérifiez si le système clarifie, arrête ou invente une réponse.
- Comparez avec la solution expliquée. Conservez la configuration, la date, le résultat et une explication des différences. Changez une chose et retestez.
Une solution expliquée
Le bétail a besoin d’une source autorisée à jour ; la rédaction générale peut nécessiter uniquement un LLM. Un exercice réussi vous permet de montrer le lien entre les contributions, les étapes et les résultats. Lorsqu’une information manque, une réponse prudente est plus utile que des détails inventés. Comparez bien plus que le style : vérifiez également les conditions, les sources et les opérations.
Quand cette approche est utile et quelles sont ses limites
Plus d’agents ne garantissent pas plus de vérité. Choisissez cette approche lorsqu’elle améliore un besoin mesuré. Gardez une base de référence simple et comparez les résultats en utilisant des entrées identiques. Un exemple réussi n’établit pas la fiabilité dans toutes les situations.
Vérifiez vos connaissances
Est-ce que chaque automatisation est une IA ?
Non. Une règle fixe peut automatiser quelque chose sans apprentissage ni raisonnement flexible.
Est-ce que plus d’autonomie donne toujours un meilleur résultat ?
Non. Cela augmente également les risques d’erreurs, les coûts et les actions inutiles.
Quel résultat cet exercice devrait-il produire ?
Le bétail a besoin d’une source autorisée à jour ; la rédaction générale peut nécessiter uniquement un LLM.
Les mots à retenir
- AI: Une famille de méthodes, pas synonyme de chatbot.
- Agente: Un système qui peut choisir des étapes et utiliser des outils pour atteindre un objectif.
- Hocher la tête: Une étape dans un graphe d’exécution.
Sources et votre prochaine étape
Pour préparer : F05 — Pourquoi l’IA peut-elle se tromper en toute confiance ?