Qu’est-ce qu’un agent basé sur des objectifs ?

Dans la hiérarchie à cinq niveaux de complexité des agents, les agents axés sur des objectifs se situent parfaitement au milieu. Ils sont plus complexes que les agents réflexes simples (qui suivent des règles prédéfinies) et que les agents réflexes basés sur un modèle (qui ajoutent un modèle interne du monde). Mais ils sont moins complexes que les agents basés sur la fonctionnalité (qui peuvent calculer des compromis en utilisant une fonction dite de fonctionnalité) et que les agents d’apprentissage (qui peuvent s’adapter et s’améliorer avec le temps, souvent via l’apprentissage par renforcement ou l’apprentissage profond).

Les agents basés sur des objectifs surpassent les agents réflexes plus simples en ajoutant une fonction de planification qui tient compte des états futurs, mais ils n’utilisent pas les évaluations dynamiques des agents plus sophistiqués et s’appuient sur des stratégies préprogrammées ou des arbres de décision pour atteindre leurs objectifs. 

Un exemple d’agent basé sur les objectifs provient du domaine de la robotique, en particulier de l’automatisation des entrepôts. Un bot d’entrepôt qui doit choisir un article sur une étagère peut simplement réagir à des obstacles immédiats, comme un bot aspirateur heurtant des murs (un simple « agent réactif »). Il serait cependant plus efficace de planifier un chemin qui minimise les détours et évite les obstacles connus. Par exemple, dans un environnement dynamique tel qu’un entrepôt moderne, un module de planification peut consulter sa base de connaissances, observer l’état actuel et cartographier les états futurs (par exemple, par la sensibilisation aux mouvements planifiés des autres robots), afin d’atteindre efficacement le résultat souhaité.

Les agents basés sur des objectifs agissent en quatre étapes : 

1. Définition des objectifs
2. Planification
3. Sélection des actions
4. Exécution

Tout d’abord, l’agent reçoit une définition précise de la réussite. Contrairement aux agents basés sur la fonctionnalité, les agents basés sur les objectifs opèrent dans des conditions binaires et logiques. Mais si un agent basé sur des objectifs peut définir le succès comme le fait de retourner des bits d’un état à un autre, rien n’empêche le « objectif » unique de cet agent d’être un ensemble moyennement complexe de logiques propositionnelles et du premier ordre. Par exemple, un robot peut se fixer comme objectif « pour chaque colis actuellement marqué comme urgent, livrez-le depuis son stock respectif jusqu’au quai d’expédition ». L’objectif est fondamentalement binaire (on peut soit réussir, soit échouer dans cet objectif), mais il comporte également de multiples composantes, ce qui permet une certaine complexité.

Bien qu’il soit utile pour un utilisateur humain de définir des objectifs précis, il est également possible qu’un humain saisisse un objectif plus vague (« optimiser la réalisation des fêtes ») et qu’un LLM comble le fossé et le définit en un objectif plus précis ou un ensemble d’objectifs (par exemple, « estimer le débit quotidien du système », « définir les packages P comme prioritaires », « fixer un objectif pour livrer les packages P dans les 24 heures »). 

Une fois son objectif défini, l’agent basé sur des objectifs se consacre à un peu de planification avant de passer à l’exécution. Par exemple, dans l’exemple de l’entrepôt, l’agent passera du temps à modéliser les conditions actuelles et potentielles afin de choisir un chemin optimal pour exécuter les commandes les plus prioritaires à temps, décidant, par exemple, de la fréquence à laquelle il doit effectuer des déplacements du stock au quai d’expédition.

Bien entendu, la qualité des plans dépend de la réalité à laquelle ils sont confrontés. Alors que certains agents axés sur les objectifs sont « conservateurs » et préfèrent s’en tenir à leurs plans jusqu’à ce qu’ils deviennent littéralement impossibles, des approches plus flexibles proviennent d’agents « opportunistes » qui, s’ils rencontrent des obstacles à leurs plans, calculent de manière flexible une meilleure action suivante : un peu comme lorsque Google Maps contourne un embouteillage inattendu.

Dans le cas d’un robot d’entrepôt, les capteurs installés sur la machine peuvent aider à surveiller la situation en temps réel et à transmettre des données cruciales au module de planification. Par exemple, si un capteur détecte que le sous-objectif « saisir le paquet » a échoué pour une raison quelconque, un agent basé sur les objectifs peut tenter de diagnostiquer la cause, de planifier une autre approche ou d’appeler une sauvegarde.

La décision du type d’agent d’IA à utiliser dépend du type de problème qu’il faut résoudre. Tant qu’on leur attribue des objectifs spécifiques, les modèles d’IA sous-jacents aux agents basés sur des objectifs peuvent prendre des décisions éclairées et gérer des tâches complexes, mais les critères de réussite doivent être simples (souvent binaires).

Toutefois, dans les situations où l’adaptabilité en temps réel est cruciale, ou lorsqu’il y a plusieurs objectifs à optimiser, les entreprises peuvent vouloir passer des agents basés sur les objectifs à une option plus sophistiquée, comme les agents basés sur la fonctionnalité. Un exemple canonique ici serait un véhicule autonome. Lorsqu’un passager prend une voiture autonome, il faut trouver un équilibre entre plusieurs objectifs : durée, tarification, évitement de la circulation, sécurité. Pour offrir la meilleure expérience client possible, un véhicule alimenté par l’IA doit passer par des processus de prise de décision complexes, en calculant divers compromis d’actions possibles. La fonctionnalité résultante dictera les actions de l’agent. 

Rien ne permet de dire qu’un système agentique ne peut pas « mélanger les types d’agents », chacun étant adapté à la complexité du problème à résoudre. On peut par exemple imaginer un exemple dans le domaine des soins de santé : un hôpital qui emploie non seulement des agents basés sur les objectifs pour exécuter les workflows, mais aussi des agents des quatre autres types examinés.

À un niveau très simple, un agent de surveillance appelé « Vitals Monitor » pourrait se contenter de surveiller les signes vitaux de tous les patients. Son objectif spécifique est de déclencher une alarme si le rythme cardiaque d’un patient, par exemple, descend en dessous d’un certain niveau, afin d’alerter un médecin ou une infirmière en vue d’une intervention humaine. Un tel agent peut s’appuyer sur des algorithmes simples if/then.

Au niveau supérieur, un agent réflexe basé sur un modèle, appelé agent d’inventaire, pourrait gérer le stock des médicaments et des fournitures de l’hôpital. Il maintient un modèle interne des stocks actuels, des habitudes d’utilisation historiques et des temps de réponse des partenaires de la chaîne d’approvisionnement, afin de mieux rationaliser les commandes de renouvellement.

Troisièmement, un agent de niveau supérieur basé sur les objectifs, appelé Discharge Planner (planificateur de sortie), pourrait travailler à rebours à partir de l’objectif binaire simple de la sortie du patient. Il s’appuierait sur des stratégies et des arbres de décision préprogrammés, tout en tenant compte des états futurs, pour coordonner les laboratoires, les médicaments et les autorisations des spécialistes, y compris toutes les tâches secondaires nécessaires. Si une étape est retardée, son module de planification peut être réexécuté et formuler un nouveau plan. (L’agent basé sur les objectifs, comme la plupart de ces agents, est susceptible d’être affiné sur un grand modèle linguistique).

Quatrièmement, un agent basé sur la fonctionnalité, appelé optimiseur d’attribution de lits, pourrait affecter les patients à différentes chambres, tout en essayant de maximiser la sécurité, la satisfaction et le débit. Comme il doit gérer des biens multiples et des compromis complexes, l’agent travaille avec une fonctionnalité, évaluant des variables telles que la contagiosité, les niveaux de personnel et la gravité de la maladie.

Cinquièmement, et au plus haut niveau, un agent d’apprentissage appelé Assistant d’Admission utilise le machine learning, recherchant des modèles issus de ses expériences afin d’améliorer les questions de triage, de signaler les patients à haut risque et de réduire les étapes redondantes. Contrairement aux agents de niveau inférieur, cet agent d'apprentissage doit continuellement évaluer des ensembles de données en évolution, à la recherche de modèles profonds qui pourraient être invisibles pour les humains. 

Les cinq agents travaillent ensemble comme un ensemble d’assistants virtuels pour résoudre des problèmes complexes. Grâce à l’orchestration appropriée, ainsi qu’à l’Intégration de diverses capacités, telles que le traitement automatique du langage naturel (NLP) et l’IA générative (IA générative) à la vision par ordinateur et les appels d’outils API, le système multi-agents est simple là où il doit être simple, complexe là où il doit être complexe.