Utiliser watsonx.ai pour créer des systèmes multi-agents multimodaux et optimiser les rayons de vente au détail avec watsonx.ai

Imaginez transformer la performance de votre magasin de vente au détail avec seulement un smartphone et la puissance de l'IA. Ce n'est pas un scénario lointain, c'est une réalité que les petits et magasins de vente au détail moyens peuvent mettre en œuvre dès aujourd'hui ! Dans ce tutoriel, nous allons découvrir un cas d’utilisation concret passionnant où les propriétaires de magasin et les gestionnaires de magasin peuvent utiliser l’IA pour optimiser leurs rayons, stimuler les ventes et améliorer l’expérience client. Nous allons tirer parti à la fois du dernier modèle IBM Granite dans ce projet et du modèle de vision Llama 3.2 de Meta.

Avec l’avènement de l’IA générative, les petites et moyennes ventes au détail ont désormais accès à des analyses et des recommandations d’expert qui étaient autrefois le domaine des grandes entreprises dotées d’équipes de science des données dédiées. Cette démocratisation de la technologie de l'IA peut être révolutionnaire pour votre magasin local, votre boutique ou votre chaîne régionale.

Voici ce qui rend cette approche si révolutionnaire :

• Simplicité : tout ce dont vous avez besoin est une simple image de l’allée de votre magasin.
• Expertise à la demande : les agents IA agissent comme votre équipe personnelle d’experts, analysant votre espace et les tendances actuelles du marché.
• Informations exploitables : vous recevrez un plan détaillé et pratique pour réorganiser vos rayons afin de maximiser les ventes et la satisfaction des clients.
• Rentabilité : cette approche élimine le besoin de consultants onéreux ou de systèmes logiciels complexes.
• Adaptabilité : à mesure que les tendances du marché évoluent, vous pouvez rapidement réanalyser et ajuster l’agencement de votre magasin pour garder une longueur d’avance.

Examinons les détails techniques et découvrons comment fonctionne cette optimisation de la distribution alimentée par l’IA, étape par étape. À la fin de ce tutoriel, vous aurez une compréhension claire de la façon d’implémenter ce système dans votre propre magasin, ce qui pourrait révolutionner votre espace de vente au détail avec la puissance de l’IA.

Sarah est propriétaire d’un magasin local qui avait du mal à concurrencer les grandes chaînes. Malgré tous ses efforts, elle a remarqué que certains produits ne se vendaient pas aussi bien qu'ils le devraient, tandis que d'autres étaient constamment en rupture de stock. Un jour, alors qu’elle réorganisait son rayon de produits frais pour la troisième fois ce mois-ci, elle s’est demandé s’il n’y avait pas une meilleure solution.

C’est là que notre solution alimentée par l’IA entre en jeu. À l'aide de son smartphone et de notre système intelligent, Sarah a pu transformer les performances de son magasin. Découvrons comment construire un tel système.

Nous pouvons utiliser crewAI, un cadre d'agent open source qui orchestre les interactions avec les agents dans les équipes. Le terme « équipage » fait référence aux systèmes multi-agents. Notre équipe est une équipe d'agents qui jouent un rôle d'experts de la distribution et qui sont disponibles 24h/24 et 7j/7, chacun ayant sa propre spécialité. Les tâches peuvent être soit directement attribuées à un agent, soit gérées via le processus hiérarchique de CrewAI qui évalue les rôles et la disponibilité spécifiques.

Pour les débutants de CrewAI, consultez la Fiche explicative CrewAI ainsi que la documentation officielle. Sur le référentiel GitHub officiel de crewAI, vous pouvez également trouver des exemples d'équipages effectuant des analyses de stocks, des analyses de données, des intégrations RAG, LangGraph et bien plus encore.

Jetons un coup d’œil à l’équipe d’experts en vente au détail que nous utiliserons dans ce tutoriel.

Le workflow des tâches est le suivant.

Vous pouvez retrouver ce projet sur Github.

Nous devons d’abord configurer notre environnement. Vous pouvez trouver ces étapes dans le fichier Markdown sur GitHub ou en suivant ici.

• Assurez-vous qu’une version de Python comprise entre ≥ 3.10 et ≤ 3.13 est installée sur votre système. Vous pouvez vérifier votre version de Python à l’aide de la commandepython3 --version .
• Configurez un environnement virtuel pour éviter les conflits de dépendance des packages Python.

• Clonez le dépôt en utilisant https://github.com/IBM/ibmdotcom-tutorials.git comme URL HTTPS. Pour savoir comment cloner un dépôt, consultez la documentation GitHub.

La structure du répertoirecrew-ai-projects doit ressembler à ce qui suit :

src/my_retail_advisor/

├── config/
│ ├── agents.yaml # Agent configurations
│ └── tasks.yaml # Task definitions
├── tool/
│ ├── custom_tool.py # Custom crewAI tool implementations
│ └── tool_helper.py # Vision helper functions
├── crew.py # Crew orchestration
└── main.py # Application entry point

1.  Connectez-vous à watsonx.ai en utilisant votre compte IBM Cloud.
2. Créer un projet watsonx.ai. Prenez note de l'ID de votre projet dans Projet > Gérer> Général > ID de projet. Vous aurez besoin de cet identifiant pour ce tutoriel.
3. Créez une instance de service d’exécution watsonx.ai (choisissez le plan Lite, qui est une instance gratuite).
4. Générez une clé API watsonx.
5. Associez le service d’exécution watsonx.ai au projet que vous avez créé dans watsonx.ai.

Générez et prenez note de votre clé API Serper gratuite. Serper est une API de recherche Google que nous utiliserons dans ce projet.

Nous devons maintenant installer le framework crewAI pour ce tutoriel et configurer les identifiants watsonx.ai générés à l’étape 2.

Pour installer crewAI, exécutez la commande suivante dans votre terminal.

Dans un fichier .env  distinct, au même niveau de répertoire que le fichier .env_sample , définissez vos identifiants sous forme de chaînes comme suit :

TeamAI peut être configuré pour utiliser n’importe quel grand modèle de langage (LLM) open source. Les LLM peuvent être connectés via Ollama et plusieurs autres API telles qu’IBM watsonx et OpenAI. Les utilisateurs peuvent également tirer parti de outils pré-créés disponibles dans le crewAI Toolkit ainsi que des outils LangChain.

Notre outil de recherche visuelle personnalisé est alimenté par le modèlellama-3-2-90b-vision-instruct à l’aide de watsonx.ai. Voici un aperçu de l’outil de vision personnalisé dans le répertoire d’outils.

Vous pouvez personnaliser votre équipage de nombreuses façons :

• Modifiez src/my_retail_advisor/config/agents.yaml pour définir vos agents.
• Modifiez src/my_retail_advisor/config/tasks.yaml  pour définir vos tâches.
• Modifiez src/my_retail_advisor/crew.py pour ajouter votre propre logique, vos propres outils et vos arguments spécifiques.
• Modifiez src/my_retail_advisor/main.py pour ajouter des entrées personnalisées pour vos agents et vos tâches.
• Modifiez src/my_retail_advisor/tool/custom_tool.py pour ajouter des outils personnalisés pour vos agents et vos tâches.
• Modifiez src/my_retail_advisor/tool/tool_helper.py pour modifier l'outil de vision personnalisé basé sur le modèle multimodal Llama.
• Remplacez images/shelf.jpg avec une image personnalisée.

Assurez-vous d'être dans le bon répertoire de travail pour ce projet. Vous pouvez modifier les répertoires en exécutant la commande suivante dans votre terminal.

Pour lancer votre équipe d'agents d'IA et commencer l'exécution des tâches, exécutez cette commande à partir du dossier racine de votre projet. Notez que l’équipe peut courir plusieurs minutes avant de fournir un résultat final.

Cette commande initialise l'équipe My-Retail-Advisor, en assemblant les agents et en leur attribuant des tâches telles que définies dans votre configuration. Cet exemple, non modifié, utilisera Granite sur watsonx.ai pour créer un rapport.md avec la sortie. crewAI peut renvoyer des modèles JSON, Pydantic et des chaînes brutes en sortie. Voici un exemple de la sortie produite par l’équipe.

Exemple de sortie :

Plan d'action pour réorganiser et améliorer le rayon des légumes

Objectif :
créer un rayon de produits visuellement attrayant et organisé qui met en avant les légumes les plus populaires, augmente les ventes et améliore la satisfaction des clients.

Recommandations de l’analyste de marché :

1. Créer un point central avec une présentation colorée et attrayante des légumes les plus populaires.
2. Utiliser une variété de couleurs, de textures et de hauteurs pour créer un intérêt visuel.
3. Regrouper les légumes similaires.
4. Envisager d'utiliser des paniers, des poubelles ou d'autres conteneurs pour donner une touche naturelle et terreuse.
5. Utilisez l’éclairage pour mettre en évidence des produits ou des promotions spécifiques.
   ...

Plan d’action pour le gestionnaire de magasin et l’acheteur de magasin :

…

Étape 1 : affichage des points d’attention

• Gestionnaire de magasin : désignez une zone de contrôle sur l’étagère pour les légumes les plus populaires (tomates, pommes de terre, watsonx, laitues, carottes, poires, Concombres et celeri).
• Acheteur du magasin : assurez-vous de disposer d’un stock suffisant de ces légumes pour conserver un inventaire complet et attrayant.
• Équipe : disposez les légumes de manière visuellement attrayante, en utilisant une variété de couleurs, de textures et de hauteurs.

…

Étape 4 : affichages à thème et fonctionnalités supplémentaires

• Gestionnaire de magasin : planifiez et mettez en œuvre des présentoirs à thème (par exemple, BA Cette répond) pour attirer l’attention des clients et promouvoir des produits connexes.
• Acheteur du magasin : assurez-vous de disposer d'un stock suffisant de supports d'affichage à thèmes et de produits connexes.
• Équipe : utilisez des casiers à légumes ou des supports pour ajouter un espace de présentation supplémentaire et créer une présentation visuellement attrayante.

Comme le montre l'exemple de production, le système multi-agents est capable d'exécuter le processus séquentiel de traitement de l'entrée, d'appel des outils et de formulation des conclusions.

Vous vous souvenez du problème de Sarah au rayon produits frais ? Voici comment le système l’a aidée :

1. Analyse visuelle : Sarah a pris une photo de son rayon de légumes avec son smartphone. Le directeur du magasin a analysé l’image et a remarqué que les rayons étaient densément remplis et devaient être entretenus.
2. Études de marché : l’agent analyste de marché a utilisé les tendances actuelles du marché en matière de ventes de légumes et les préférences des clients pour créer des recommandations exploitables permettant de réorganiser le rayon des légumes.
3. Plan d'action : sur la base de ces informations, Sarah a reçu un plan détaillé comprenant des instructions pour :
   • Créer une présentation colorée et attrayante
   • Utiliser des paniers ou des bacs pour donner une touche naturelle à l’affichage.
   • Ajouter une présentation à thème, telle qu’un BA entièrement fait auIA ou sur le thème des fêtes, pour attirer l’attention des clients sur les produits connexes.
   • Créer de l'espace entre les différents types de légumes pour les classer.
   • Améliorer l’éclairage.

En résumé, l'équipemy-retail-advisor est composée de plusieurs agents IA, chacun ayant des rôles, des objectifs et des outils uniques. Ces agents collaborent sur une série de tâches, définies dans config/tasks.yaml , en tirant parti de leurs compétences collectives pour atteindre des objectifs complexes. Le fichier config/agents.yaml décrit les capacités et les configurations de chaque agent de votre équipe.

Grâce à ces outils alimentés par l’IA, les petits et moyens détaillants peuvent rationaliser leur processus de prise de décision. Tout comme Sarah, vous pouvez transformer les performances de votre magasin grâce à une technologie accessible, abordable et efficace. Cette architecture déverrouille également d'autres opportunités d'IA dans divers domaines, tels que la conception de produits et l'amélioration de l'expérience client. Sa flexibilité la rend utile au-delà de la vente au détail, permettant aux entreprises d’innover et d’exceller dans des tâches spécifiques à un secteur.