Une IA Ethique pour transformer votre business
Microsoft se lance à son tour dans la définition des agents IA, introduisant les notions de mono-agents et micro-agents. Pas sûr que cela clarifie le marché : les micro-agents exécutent des tâches basiques sous la supervision d’un manager agent, tandis que les mono-agents gèrent tout d’un bloc. L’occasion pour eux de promouvoir leur approche de micro-services. Pourquoi pas, mais on aurait pu s’en passer !
Au tour d’Anthropic de partager sa vision des Agents, en distinguant clairement les workflows (orchestration de LLM selon un schéma défini) et les agents (LLM autonomes dans leurs processus et outils). La partie sur les agents reste limitée, reflétant leur stade de développement. En revanche, les cas d’orchestration “classiques” sont bien détaillés, montrant l’étendue des possibilités déjà accessibles sans recourir à des agents autonomes.
Encore une tentative de précision de ce qu’on entend par Agent IA. C’est Google qui s’y colle (pour bien sûr nous proposer ses technologies ensuite, mais le contenu n’en reste pas moins intéressant). Un agent est un LLM avec des capacités de raisonnement et donc de prise de décision, auquel on donne accès à des services externes via API. C’est une vue peut-être limitée avec l’avantage de correspondre au présent, sans être totalement futuriste.
Dans la confusion du mot “intelligence” que peut donner l’impression qu’un perroquet stochastique pourrait avoir en imitant des réponses récupérées dans les données d’entraînement (un LLM donc), il est bon de revenir sur des tests plus précis. Celui-là mesure la capacité à comprendre un humain. Les performances restent à 9% pour l’instant. Cela ne veut pas dire que cela ne va jamais marcher, juste qu’on surestime les performances à court terme. Mais n’oublions pas qu’on sous-estime les performances à long terme selon la loi de Lamara.
Toujours la source d’un fournisseur de solution Agentic AI, un guide assez complet sur les étapes à passer pour se lancer dans un tel projet. Il couvre pour une fois les sujets métiers, les humains, la sécurité et la mesure de performance. Plutôt rare, surtout vu la source.
Une autre définition de l’Agentic AI ou l’IA (pas seulement générative) grâce au raisonnement prend des décisions et des actions de manière autonome. Faite par un fournisseur de solution donc forcément positivé. Des redites sur que j’ai pu partager précédemment, parce que la répétition et les légères variations permettent d’affiner notre perception des choses. C’est comme ça que nous fonctionnons nous les humains (comme les IA d’ailleurs puisqu’elles ont été calquées sur nous).
Tentative de synthèse intéressante pour ne pas se laisser dépasser par le buzz des Agents IA. On regrette quand même l’accent mis sur la prise en main d’applications tierces alors que la vraie rupture serait d’après moi ceux qui sont réellement autonomes et ont la capacité d’analyser une situation et de prendre une décision, puis une action. Ce qui expliquerait la différence et l’échec de toutes les automations dans un monde connu et normé (qui n’existe pas). Par contre, il n’oublie pas de poser la question de l’impact social ce qu’on ne trouve pas toujours…
Les changements intervenus sur ChatGPT en 2024. En lisant la liste, on se demande quand même : qui dans l’histoire de la tech a été aussi rapide que ça. C’est vraiment du jamais vu. Ca ne veut pas dire qu’un plateau n’est pas possible (il est même probable, voire souhaitable), mais cette rapidité d’exécution est absolument incroyable.
Après o1 et DeepSeek-R1, Google lance son modèle qui “réfléchit”. En fait juste un LLM qui fait du Chain of Thought lui-même (mais on est mauvaise langue). En tout cas, c’est clairement le besoin, la genAI en mode LLM qui crée des textes ou des images atteint son plateau. Cela ouvre la porte à beaucoup de choses. À petite échelle, comparez ChatGPT 4o et o1 pour créer des fonctions matricielles complexes sur Google Sheet ou Excel. De 15 itérations sans solution à un résultat qui fonctionne, c’est bluffant.
Une fois n’est pas coutume, un contenu assez Tech (et néanmoins compréhensible) sur les différences entre RAG et Fine-tuning. Le choix est clé, parfois irréversible et largement dépendant des besoins. Pour interagir avec des équipes Tech et arbitrer des choix, autant comprendre de quoi on parle.