Élever l’intelligence artificielle en entreprise : surmonter les défis architecturaux
Dans un monde où l’intelligence artificielle (IA) évolue rapidement, de nombreuses entreprises se heurtent à des obstacles lorsqu’elles tentent de passer des prototypes à des systèmes opérationnels. Franny Hsiao, leader des architectes IA pour la région EMEA, a récemment partagé des idées essentielles sur la manière de surmonter ces défis, en particulier en ce qui concerne l’architecture des systèmes d’IA.
Le problème de l’île pristine dans la mise à l’échelle de l’IA en entreprise
Le principal obstacle à la mise à l’échelle des projets d’IA réside souvent dans l’environnement dans lequel ces solutions sont développées. Les pilotes sont souvent lancés dans des conditions contrôlées, ce qui peut créer une illusion de sécurité. Hsiao souligne que l’erreur architecturale la plus fréquente est le manque d’infrastructure de données de production robuste dès le départ.
– Les projets commencent souvent sur des « îles pristine », utilisant des ensembles de données restreints.
– Cette approche néglige la complexité des données réelles d’entreprise, telles que les intégrations et les transformations nécessaires pour gérer des volumes variés.
Lorsqu’une entreprise tente de faire évoluer un projet basé sur une île sans traiter les problèmes sous-jacents de données, le système est voué à l’échec. Hsiao met en garde contre les lacunes de données et les problèmes de performance qui rendent les systèmes d’IA peu fiables.
Ingénierie pour une réactivité perçue
Le déploiement de modèles de raisonnement, comme l’Atlas Reasoning Engine, présente un compromis entre la profondeur de la réflexion du modèle et la patience de l’utilisateur. Hsiao explique que Salesforce aborde ce défi en se concentrant sur la « réactivité perçue » grâce à des techniques telles que l’Agentforce Streaming.
– Cette approche permet de fournir des réponses générées par l’IA de manière progressive, même lorsque le moteur de raisonnement effectue des calculs lourds en arrière-plan.
– En intégrant des indicateurs de progression et des éléments visuels comme des barres de chargement, les utilisateurs restent engagés et ont l’impression que le système est réactif.
Intelligence hors ligne à la périphérie
Pour les industries ayant des opérations sur le terrain, comme les services publics ou la logistique, la dépendance à une connectivité cloud continue peut être problématique. Hsiao souligne l’importance de l’intelligence sur appareil, surtout dans les services de terrain.
– Les techniciens peuvent prendre en photo un composant défectueux même hors ligne.
– Un modèle de langage peut identifier immédiatement le problème et fournir des étapes de dépannage à partir d’une base de connaissances mise en cache.
Une fois la connexion rétablie, la synchronisation des données se fait automatiquement, garantissant une source unique de vérité.
Portails à enjeux élevés
Les agents autonomes ne doivent pas être considérés comme des outils de type « définir et oublier ». Hsiao insiste sur l’importance de définir quand une intervention humaine est nécessaire pour garantir la gouvernance.
– Salesforce impose un « humain dans la boucle » pour des actions critiques, telles que la création, le téléchargement ou la suppression de données.
– Ce cadre crée un système d’intelligence collaborative où les agents apprennent de l’expertise humaine.
La visibilité est cruciale pour bâtir la confiance envers les agents. Hsiao explique que Salesforce a développé un modèle de données de traçage de session pour fournir une compréhension granulaire du raisonnement des agents.
Standardisation de la communication entre agents
À mesure que les entreprises déploient des agents de différents fournisseurs, la nécessité d’un protocole de communication commun devient essentielle. Hsiao explique qu’il existe deux couches de standardisation : l’orchestration et la signification.
– Pour l’orchestration, des normes open-source comme le Model Context Protocol et l’Agent to Agent Protocol sont adoptées.
– La co-fondation d’OSI (Open Semantic Interchange) vise à unifier les sémantiques pour garantir que les agents d’un système comprennent réellement l’intention d’un agent d’un autre système.
Préparer les données pour l’ère des agents
À l’avenir, le défi principal sera l’accessibilité des données. De nombreuses organisations continuent de lutter avec des infrastructures anciennes et fragmentées, rendant la recherche et la réutilisation des données difficiles. Hsiao prévoit que la prochaine grande étape consistera à rendre les données « prêtes pour les agents ».
– Cela implique de créer des architectures contextuelles et consultables qui remplacent les pipelines ETL rigides.
– L’objectif est de permettre une expérience utilisateur hyper-personnalisée, où les agents peuvent toujours accéder au bon contexte.
Les entreprises doivent se concentrer sur la construction d’une infrastructure de données et d’orchestration qui permettra aux systèmes agents de production de prospérer. Les années à venir ne seront pas une course à des modèles toujours plus grands, mais plutôt à des systèmes d’IA qui répondent aux besoins réels des utilisateurs.
En gardant à l’esprit l’importance de l’architecture et de la gouvernance, les entreprises peuvent transformer leurs initiatives d’IA en actifs fiables et durables qui apportent une réelle valeur ajoutée.
