Atelier de conception de systèmes multi-agents (MAS)

Pourquoi l'utiliser ?

Automatisez un processus complexe avec l'IA en concevant un système multi-agents (MAS) avec une équipe interdisciplinaire dans un atelier de pensée design.

Qui doit l'utiliser ?

Les systèmes multi-agents nécessitent la collaboration de divers experts dans les domaines suivants :

• Domaine d'affaires et processus

• Big data et Agentic AI

• IT, sécurité et confidentialité

Il nécessite également la collaboration de toutes les parties prenantes, c'est-à-dire :

• Utilisateurs : employés et/ou clients

• Développeurs : ingénieurs logiciel, de données et d’IA

• Décisionnaires : responsables des processus métiers

• Consultants : responsables de la vie privée, conseillers en sécurité, etc.

En fin de compte, un facilitateur est nécessaire pour rassembler les différentes personnes et former une équipe efficace.

Quand l'utiliser ?

L’équipe s’est réunie et a décidé d’un processus (existant ou nouveau) à automatiser et optimiser avec l’IA agentique afin d’augmenter l’efficacité, l’effectivité et/ou la robustesse.

Si aucun processus n’a encore été identifié, nous recommandons un workshop Lean Data & AI Strategy pour identifier et prioriser les cas d’utilisation potentiels de l’IA agentique.

Au cours de l'atelier de conception des MAS d'une journée, les participants définissent les objectifs et résultats clés, identifient les agents humains et artificiels et conçoivent les flux de travail et d'information entre les agents. De plus, les fondations techniques et analytiques sont définies et les garde-fous nécessaires sont spécifiés pour garantir la sécurité, la confidentialité, l'équité, etc.

Que faut-il utiliser ?

Ce modèle d'atelier est basé sur la méthode éprouvée de Business Design Data & AI, utilisée dans le monde entier par de nombreuses entreprises et cabinets de conseil renommés. Il utilise les canevas du Data & AI Business Design Kit, qui est mis à disposition gratuitement sous une licence Creative Commons.

Comment utiliser ?

Ce modèle d'atelier est conçu pour une session d'une journée qui peut être répartie en deux demi-journées. Tout au long de la journée, les participants parcourent les six phases suivantes et réalisent plusieurs étapes sur six canevas différents pour chaque phase. Sur les canevas, vous trouverez des numéros dans des cercles (①, ②, ...) qui correspondent aux étapes de chaque phase.

I. Introduction

L’introduction vise à garantir que tous les participants poursuivent le même objectif et sont prêts à suivre le chemin proposé ensemble. Pour définir et présenter ce chemin (c'est-à-dire, le programme de l'atelier), nous utilisons le Canevas du Workshop de Pensée Design & AI et effectuons les étapes suivantes :

① Personnaliser l'en-tête du canevas en spécifiant l'entreprise et, le cas échéant, la société de conseil, et saisir la date. Cette étape doit également être réalisée sur tous les canevas suivants.

② Définir l'Objectif spécifique de l'atelier et déterminer les Résultats Clés souhaités (c'est-à-dire, les livrables).

③-⑦ Ajustez les Éléments de l'agenda, les Horaires des sessions et plus, selon les besoins.

Lorsque vous travaillez sur un élément de l'agenda, changez la couleur du pense-bête correspondant en jaune. Une fois terminé, marquez-le en vert. Cela garantit que l'équipe a toujours une vue d'ensemble de l'état actuel.

II. Analyse des processus métier

Ensuite, nous devons visualiser et analyser le processus métier que nous souhaitons automatiser et optimiser avec l'IA agentique. Pour ce faire, nous utilisons le Canevas de la chaîne de valeur et des pense-bêtes verts pour les éléments existants, jaunes pour les éléments prévus et rouges pour les éléments manquants.

① Dans le champ Centré sur, écrivez le nom du processus métier.

② Commencez au début du processus sur le côté gauche du Canevas de la chaîne de valeur :

a) Quel est l'État initial, les Produits de base, ou le déclencheur qui démarre le processus métier ?

b) Quelle personne, quel rôle ou quelle unité organisationnelle définit l'état initial, fournit les produits de base ou déclenche l'événement (Producteurs) ?

③ Ensuite, continuez avec la fin du processus métier sur le côté droit du canevas de la chaîne de valeur :

a) Quel est l'État final, les Produits finaux ou les « Résultats clés » du processus métier ?

b) Qui sont les bénéficiaires de l'état final, les consommateurs des produits finaux ou les récipiendaires des résultats clés (Clients) ?

④ Maintenant, tracez les Activités principales, c'est-à-dire, quel est le workflow du processus : quelles actions sont nécessaires et dans quel ordre se déroulent-elles ? Quels flux alternatifs ou parallèles existent ?

⑤ En plus des Activités principales, les activités de soutien sont souvent nécessaires : quelles mesures générales et internes/unité organisationnelle soutiennent le processus métier ?

⑥ Si les activités de soutien ne sont pas fournies en interne mais par des entreprises extérieures et interviennent tout au long du processus, notez-les sous Fournisseurs Généraux.

⑦ Les fournisseurs spéciaux qui ne réalisent ou ne soutiennent que des étapes individuelles du processus devraient être répertoriés sous Fournisseurs Spéciaux.

⑧ Indiquez les principaux indicateurs de performance (KPI) sur des pense-bêtes bleus, qui mesurent l'efficacité, l'efficience, la qualité, la stabilité, etc. du processus et spécifiez les valeurs cibles correspondantes.

Enfin, extrayez tous les objectifs, les résultats clés, et les KPI pertinents pour l'AI Agentique du Canevas de la Chaîne de Valeur et précisez-les dans la boîte verte Objectifs & Résultats Clés de l'entreprise comme production des agents.

III. Identification du Rôle de l'Utilisateur

Maintenant que nous connaissons et comprenons le processus business, nous pouvons répondre à la question : qui sont les parties prenantes dans le contexte du processus ? Pour répondre à cette question, nous utilisons le canevas d'analyse des parties prenantes et les pense-bêtes bleus pour identifier les personnes ou les rôles. Nous devrions considérer les fonctions suivantes des parties prenantes (une personne/un rôle pouvant aussi assumer plusieurs fonctions) :

① Dans le champ Cible, inscrivez le nom du processus business.

② Décisionnaires : Qui prend des décisions qui influencent le déroulement du processus ?

③ Acheteurs Économiques : Si les décisions d'achat, de budget ou d'autres ressources (financières) sont prises durant le processus, qui fournit l'argent ou est le sponsor ?

④ Utilisateurs finaux : Qui utilise les résultats du processus (voir Clients sur le Canevas de la chaîne de valeur) ?

⑤ Saboteurs : Qui pourrait tenter de perturber le processus en influençant négativement les décisionnaires, les acheteurs économiques ou les utilisateurs finaux ?

⑥ Influenceurs : Qui pourrait soutenir le processus en influençant positivement les décideurs, les acheteurs économiques ou les utilisateurs finaux ?

⑦ Recommendeurs : Qui est activement impliqué dans le processus à titre consultatif ou fournit un appui avec des informations ?

⑧ Exécutants : Qui met effectivement en œuvre le processus, c’est-à-dire réalise les actions ?

Dans la conception ultérieure du système multi-agents, les agents prennent la fonction de certaines personnes/rôles. Mais même avec un très haut degré d'automatisation, certaines fonctions restent à la charge des agents humains : ils doivent vérifier les résultats des agents IA, accorder des validations ou être les utilisateurs et/ou bénéficiaires du processus automatisé.

En changeant la couleur des pense-bêtes, nous signalons certaines parties prenantes :

• Vert sont les agents humains qui jouent un rôle dans le processus d'Agentic AI.

• Rouge sont les parties prenantes qui ne sont plus supposées jouer un rôle (c'est-à-dire, pas d'agents humains).

• Jaune sont celles dont nous ne sommes pas encore sûrs (peut-être des agents humains).

Enfin, nous transférons tous les agents humains dans la boîte jaune Agents Humains afin de concevoir le workflow d'Agentic AI et les agents AI à l'étape suivante.

IV. Conception du Workflow Agentic

Pour la conception du workflow agentic, nous utilisons le Formatde Diagramme et la fonctionnalité Formes des Workflows Agentic de Miro. Nous connaissons déjà les résultats que nous attendons des agents grâce à II. Analyse des Processus Métier. Grâce à III. Identification des Rôles d'Utilisateurs, nous savons quelles parties prenantes fournissent des entrées aux agents, c'est-à-dire déclenchent le processus, écrivent des prompts, fournissent des informations et des documents, répondent aux demandes des agents, prennent des décisions ou vérifient et approuvent les résultats (provisoires).

Il existe deux options pour automatiser le processus existant avec l'IA :

1. Conserver en grande partie le flux de processus existant et remplacer les agents humains par des agents IA qui réalisent les actions et prennent les décisions.

2. Repenser complètement le flux de processus pour exploiter les avantages de l'IA agentique : par exemple, le traitement parallèle de plusieurs solutions alternatives.

Si vous n'êtes pas sûr de la meilleure variante, concevez deux (ou plusieurs) versions, puis décidez - ou mélangez les solutions.

Pour identifier les candidats pour les agents IA, posez les questions suivantes aux participants de l'atelier :

• Quelles activités ou responsabilités ont été prises en charge par les agents humains ?

➡️ L'agent humain devient un agent IA.

• Quelles tâches spécialisées nécessitent des connaissances spécifiques au domaine ?

➡️ Un agent IA est formé avec ces connaissances spécifiques au domaine.

• Quels systèmes informatiques ou sources de données devons-nous connecter ?

➡️ Un agent AI sert d'interface à la source de données ou au système informatique.

• Avec quels utilisateurs (rôles) devons-nous interagir ?

➡️ Un agent AI gère la communication avec l'utilisateur.

• Quelles activités peuvent être parallélisées ?

➡️ Les activités sont réparties entre différents agents AI.

• Quelles activités sont requises plusieurs fois par d'autres agents ?

➡️ Un agent AI rend cette activité disponible pour les autres agents en tant que service.

• Quelles activités nécessitent des précautions particulières en matière de sécurité et de protection des données ?

➡️ Des agents AI spécialement sécurisés effectuent ces activités.

• Quels agents AI internes sont déjà en fonctionnement ?

➡️ L'agent AI existant est réutilisé.

• Quels agents AI externes sont déjà en place ?

➡️ L'agent IA externe est intégré et, si nécessaire, encapsulé par un agent IA interne.

• Quels agents IA peuvent soutenir la coordination des autres agents IA ?

➡️ Des agents IA spéciaux s'occupent de la délégation, de l'agrégation, de la synchronisation, etc., du flux d'informations et de travail.

Pour compléter la conception du MAS, le flux d'informations et de travail entre les agents IA et humains doit être modélisé. Pour ce faire, les éléments du diagramme (agents humains, agents IA, livrables) sont connectés avec des flèches. En règle générale, les flux d'informations et de travail sont identiques. Dans les cas où ce n'est pas le cas, une ligne pointillée peut être utilisée pour indiquer le flux d'information pur.

V. Évaluation des Données & de l'IA et Élaboration de la Feuille de Route

Certaines des agents IA ont besoin d'un accès en lecture aux sources de données existantes ou même d'un accès en écriture aux systèmes informatiques afin de modifier ou de créer des enregistrements de données ou de déclencher certains sous-processus. D'autres agents IA nécessitent des fonctionnalités et des capacités spécifiques telles qu'un modèle de langage important (LLM) pour communiquer avec les agents humains ou un modèle prédictif pour prévoir les événements et les tendances.

Nous utilisons la zone bleue du diagramme de conception MAS pour spécifier les systèmes IT / BI / IA requis et les connecter aux agents IA à l'aide de flèches. Ici, nous pouvons également définir des interfaces telles que le Protocole Agent2Agent (A2A) ou le Protocole de Contexte de Modèle (MCP).

Ensuite, nous évaluons si nous avons déjà les systèmes requis en place, s'ils sont encore en phase de planification ou de réalisation, ou s'ils doivent d'abord être conçus et développés. Nous utilisons des pense-bêtes verts, jaunes et rouges et le Canevas de maturité en analytique et IA pour ce faire. Le canevas distingue les outils généraux des applications spécifiques selon différents niveaux de complexité et de maturité.

② Les cases vertes décrivent les applications spécifiques pour :

a) Opérations commerciales : applications de traitement de données pures sans fonctionnalité analytique ou IA.

b) Rapports commerciaux : généralement des applications pour automatiser la génération de rapports ou des tableaux de bord basés sur l'analytique descriptive.

c) Découverte commerciale : applications pour explorer les tendances, corrélations, anomalies, etc., afin d'obtenir des perspectives basées sur l'analytique diagnostique.

d) Prévisions commerciales : applications pour des prévisions, nowcasting ou backcasting basées sur l'analytique prédictive.

e) Optimisation des opérations commerciales : Applications pour l'optimisation des processus métier basées sur des analyses prescriptives.

f) Automatisation des opérations commerciales : Applications pour l'automatisation des processus métier basées sur des analyses autonomes.

Les agents IA interagissent souvent avec des applications existantes via des interfaces de programmation d'applications (API).

③ Les boîtes jaunes sont destinées aux outils de données & d'analyse pouvant être utilisés pour appliquer les agents IA :

a) Gestion des données : Cela inclut, par exemple, les systèmes de base de données.

b) Analyse descriptive : Par exemple, des outils de reporting ou de tableaux de bord.

c) Analyse diagnostique : Outils d'analyse statistique ou, par exemple, plateformes pour expériences A/B.

d) Analyse prédictive : En plus des logiciels pour l'apprentissage machine et profond, également des bibliothèques par exemple pour les réseaux bayésiens, la régression linéaire, etc.

e) Analytique prescriptive : Des méthodes de simulation et d'optimisation sont utilisées ici ainsi que des solutions d'IA générative.

f) Analytique autonome : Des algorithmes d'apprentissage par renforcement sont utilisés ici, entre autres, ou des solutions spéciales pour l'IA agentique.

Assurez-vous qu'il existe un système IT / BI / IA existant ou planifié pour toutes les données et fonctionnalités requises.

VI. Exigences des garde-fous de l'IA

Nous avons parcouru le processus business, les parties prenantes, les sources de données, et les capacités IT / BI / IA pour garantir que notre système multi-agents est viable, désirable et réalisable. Un autre critère important manque encore : les systèmes d'IA doivent être responsables.

Après tout, avec un grand pouvoir vient une grande responsabilité. Ce principe est également inscrit dans la loi, par exemple dans la loi européenne sur l'IA.

Pour veiller à ce que nos agents d'IA respectent les principes d'une IA responsable (rAI), nous avons besoin de garde-fous. Dans un système multi-agents, ces garde-fous peuvent à leur tour être implémentés par des agents qui surveillent et contrôlent les autres agents.

Tout d'abord, nous définissons les garde-fous, c'est-à-dire les règles et restrictions que nous voulons imposer au MAS. Nous utilisons le Canevas des 3 Boîtes pour diviser les règles en trois catégories :

1. Sécurité & Sûreté : Ni le MAS ni ses utilisateurs ne doivent subir de dommages.

2. Expliquabilité & Transparence : Les utilisateurs doivent pouvoir comprendre les décisions et actions du MAS.

3. Confidentialité & Équité : Les utilisateurs ne doivent subir aucun désavantage à cause du MAS.

Nous distinguons également entre les garde-fous concernant les entrées, les modèles internes et les sorties des agents d'IA :

• Garde-fou d'entrée : Par exemple, inspecter les entrées utilisateur pour détecter des injections de prompts afin de protéger les données de l'entreprise contre le vol de données.

• Garde-fou du modèle : Un exemple d'équité est la surveillance des indicateurs de qualité du modèle pour éviter toute discrimination contre des groupes de personnes.

• Garde-fou de sortie : Puisque les grands modèles de langage hallucinent, un contrôle de plausibilité de la sortie est utile, par exemple.

Dans la dernière étape, les Agents de Garde-fou (boîte grise sur le diagramme) définissent comment mettre en œuvre ces règles et comment elles sont reliées par des flèches aux Agents IA.

Pour conclure l'atelier, définissez des tâches concrètes à réaliser et attribuez-les aux participants de l'atelier. Et ensuite : Accomplissez les tâches !

Où trouver plus d'informations ?

Datentreiber vous offre non seulement ce modèle Miroverse, mais aussi :

• Le Data & AI Business Design Kit propose de nombreux canevas open source pour appliquer la méthode Data & AI Business Design.

• De plus, la Data & AI Business Design Community gratuite est disponible pour des échanges, des événements et du contenu d'experts.

• Des formations en ligne et sur site payantes avec certification sont disponibles à la Data & AI Business Design Academy.

• De nombreux outils de gestion supplémentaires, modèles de workshop et plans de projet sont disponibles dans notre Data & AI Business Design Bench commercial.

• Notre Data & AI Business Consulting offre un accompagnement pour vos projets de stratégie, innovation et transformation en matière de données et d'IA.

Si vous êtes intéressé ou avez des questions ou des feedbacks, veuillez nous contacter à : info@datentreiber.de.

Copyright : Tous droits réservés par Datentreiber GmbH.