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’activités et processus

• Big data et Agentic AI

• IT, sécurité et confidentialité

Il nécessite également que toutes les parties prenantes travaillent ensemble, c’est-à-dire :

• Utilisateurs : employés et/ou clients

• Développeurs : ingénieurs logiciels, données et IA

• Décisionnaires : propriétaires des processus métier

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

Enfin, un facilitateur est nécessaire pour réunir les différentes personnes afin de former une équipe efficace.

Quand l’utiliser ?

L’équipe s’est rassemblée et a décidé d’un processus (existant ou nouveau). L’équipe souhaite automatiser et optimiser ce processus avec l’IA Agentique pour augmenter l’efficacité, l’effectivité et/ou la robustesse.

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

Au cours de l’atelier de conception MAS d’une journée, les participants spécifient les objectifs et les résultats clés, identifient les agents humains et artificiels, et conçoivent le flux de travail et d’information entre les agents. De plus, les bases techniques et analytiques sont définies et les garde-fous nécessaires sont spécifiés pour assurer la sécurité, la confidentialité, l’équité, et plus encore.

Que faut-il utiliser ?

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

Mode d’emploi

Ce modèle de workshop est conçu pour une session d’une journée pouvant être divisée en deux demi-journées. Au cours de la journée, les participants traversent 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 s’assurer que tous les participants poursuivent le même objectif et acceptent de suivre le chemin proposé ensemble. Pour exposer et présenter ce chemin (c’est-à-dire l’agenda du workshop), nous utilisons le Canevas de Pensée Design en Data & IA et procédons aux étapes suivantes :

① Personnalisez l’en-tête du canevas en indiquant le nom de l’entreprise et, si applicable, celui du cabinet de conseil, et en entrant la date. Cette étape doit également être réalisée sur tous les canevas suivants.

② Définissez l’Objectif spécifique du workshop et les Résultats clés souhaités (c’est-à-dire les livrables).

③-⑦ Ajustez les points de l’ordre du jour, les horaires, et d’autres éléments si nécessaire.

Lorsque vous travaillez sur un point de l’ordre du jour, changez la couleur du pense-bête correspondant en jaune. Une fois terminé, marquez-le en vert. Cela permet à l’équipe d’avoir toujours une vue d’ensemble du statut actuel.

II. Analyse des processus métier

Ensuite, nous devons visualiser et analyser le processus métier que nous souhaitons automatiser et optimiser avec l’Agentic AI. Pour cela, 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 Orienté vers, inscrivez 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 lance 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, quels sont 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 destinataires des résultats clés (Clients) ?

④ Maintenant, décrivez les Activités Principales, c’est-à-dire le workflow du processus : Quelles actions sont nécessaires et dans quel ordre se produisent-elles ? Quels flux alternatifs ou parallèles existent ?

⑤ En plus des Activités Principales, des Activités de Support sont souvent nécessaires : quelles mesures générales et internes/unitées organisationnelles supportent le processus métier ?

⑥ Si les services d’assistance ne sont pas fournis en interne mais par des entreprises extérieures et qu’ils interviennent tout au long du processus, notez-les sous Fournisseurs généraux.

⑦ Les fournisseurs spéciaux qui ne réalisent ou ne soutiennent que certaines étapes du processus devraient être classés sous Fournisseurs spéciaux.

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

Enfin, extrayez tous les objectifs, résultats clés et KPI pertinents pour Agentic AI à partir du canevas de la chaîne de valeur et spécifiez-les dans le cadre vert Objectifs professionnels & Résultats clés en tant que résultats des agents.

III. Identification du Rôle de l’Utilisateur

Maintenant que nous connaissons et comprenons le processus métier, nous pouvons répondre à la question suivante : 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 des pense-bêtes bleus pour identifier les personnes ou les rôles. Nous devrions prendre en compte les fonctions suivantes des parties prenantes (une personne/un rôle pouvant aussi assumer plusieurs fonctions) :

① Dans le champ Construit sur, inscrivez le nom du processus métier.

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

③ Acheteurs économiques : Si des décisions d’achat, de budget ou d’autres ressources (financières) sont faites pendant le processus, qui fournit l’argent ou est le sponsor ?

④ Utilisateurs finaux : Qui utilise les résultats du processus (cf. 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 Recommandeurs : Qui est activement impliqué dans le processus à un titre consultatif ou fournit un soutien par l’information ?

⑧ Implémenteurs : Qui met réellement en œuvre le processus, c’est-à-dire, exécute les actions ?

Dans la conception ultérieure de systèmes multi-agents, les agents assurent la fonction de certaines personnes/rôles. Mais même avec un degré très élevé d’automatisation, certaines fonctions restent avec les agents humains : ils doivent vérifier les résultats des agents IA, accorder des approbations ou être les utilisateurs et/ou les bénéficiaires du processus automatisé.

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

• En vert sont les agents humains qui jouent un rôle dans le processus d’Intelligence Artificielle Agentique.

• En rouge sont les parties prenantes qui ne sont plus censées jouer un rôle (c’est-à-dire, pas d’agents humains).

• En jaune sont celles sur lesquelles nous n’avons pas encore de certitudes (c’est-à-dire, peut-être des agents humains).

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

IV. Conception du Workflow Agentique

Pour la conception du workflow agentique, nous utilisons le DiagrammeFormat et la fonctionnalité Formes de Workflows Agentiques de Miro. Nous connaissons déjà les résultats attendus des agents à partir de II. Analyse des Processus Métiers. À partir de III. Identification des Rôles des Utilisateurs, nous connaissons les parties prenantes, qui fournissent des entrées aux agents, c’est-à-dire déclenchent le processus, écrivent les prompts, fournissent des informations et des documents, répondent aux requêtes des agents, prennent des décisions ou vérifient et approuvent les résultats (intermédiaires).

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

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

2. Repenser complètement le flux de processus afin d’exploiter les avantages de l’IA agentique : par exemple, le traitement en parallèle de plusieurs solutions alternatives.

Si vous n’êtes pas sûr de la meilleure variante, concevez deux (ou plusieurs) versions et décidez ensuite - ou combinez les solutions.

Pour identifier les candidats à l’intégration en agents IA, posez les questions suivantes aux participants de l’atelier :

• Quelles activités ou responsabilités les agents humains ont-ils endossées ?

➡️ L’agent humain devient un agent IA.

• Quels sont les tâches spécialisées pour lesquelles une connaissance spécialisée du domaine est requise ?

➡️ Un agent IA est formé avec cette connaissance du domaine.

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

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

• Avec quel(s) utilisateur(s) (rôle(s)) devons-nous interagir ?

➡️ Un agent IA gère la communication avec l’utilisateur.

• Quelles activités peuvent être parallélisées ?

➡️ Les activités sont réparties entre différents agents IA.

• Quelles activités sont nécessaires plusieurs fois par d’autres agents ?

➡️ Un agent IA rend cette activité disponible aux autres agents en tant que service.

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

➡️ Des agents IA spécialement sécurisés effectuent ces activités.

• Quels agents IA internes sont déjà utilisés ?

➡️ L’agent IA existant est réutilisé.

• Quels agents IA 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 spécialisés s’occupent de la délégation, de l’agrégation, de la synchronisation, etc. du flux d’informations et de travail.

Pour compléter la conception 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 par des flèches. En général, 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 le flux d’informations pur.

V. Évaluation des données & IA et établissement d’une feuille de route

Certains agents IA ont besoin d’un accès lecture aux sources de données existantes, voire d’un accès écriture aux systèmes informatiques pour modifier ou créer des enregistrements de données ou déclencher certains sous-processus. D’autres agents IA requièrent des fonctionnalités et capacités spécifiques, telles qu’un modèle de langage de grande taille (LLM) pour communiquer avec les agents humains ou un modèle prédictif pour anticiper les événements et tendances.

Nous utilisons la zone bleue du diagramme de conception MAS pour spécifier les systèmes informatiques / 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 disposons déjà des systèmes requis, s’ils sont encore en phase de planification ou de fonctionnement, ou s’ils doivent d’abord être conçus et développés. Nous utilisons des pense-bêtes verts, jaunes et rouges ainsi que le canevas de maturité d’Analytics & AI pour cela. Le canevas distingue entre les outils généraux et les applications spécifiques à 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 d’analyse ni d’IA.

b) Rapports commerciaux : applications typiquement pour automatiser la génération de rapports ou de tableaux de bord basés sur des analyses descriptives.

c) Découverte commerciale : applications pour explorer les tendances, corrélations, anomalies, etc. afin d’obtenir des perspectives basées sur des analyses diagnostiques.

d) Prévision commerciale : applications pour la prévision, la prévision à échelle et la rétro-prévision basées sur des analyses prédictives.

e) Optimisation des business : Applications pour l’optimisation des processus métier basées sur l’analyse prescriptive.

f) Automatisation des business : Applications pour l’automatisation des processus métier basées sur l’analyse autonome.

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

③ Les cases jaunes sont destinées aux outils de données et d’analyse qui peuvent être utilisés pour implémenter 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 des tableaux de bord.

c) Analyse diagnostique : Outils d’analyse statistique ou, par exemple, plateformes pour des 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 prévu pour toutes les données et fonctionnalités requises.

VI. Exigences des garde-fous de l’IA

Nous avons étudié 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, désiré et faisable. Un critère important manque encore : les systèmes d’IA doivent être responsables.

Après tout, un grand pouvoir implique de grandes responsabilités. Ce principe est également inscrit dans la loi, par exemple dans le EU AI Act.

Pour garantir que nos agents d’IA respectent les principes de l’IA Responsable (rAI), nous avons besoin des garde-fous dits de l’IA. Dans un système multi-agents, ces garde-fous peuvent à leur tour être mis en œuvre 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 à 3 Boîtes pour diviser les règles en trois catégories :

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

2. Explicabilité & Transparence : Les utilisateurs doivent être en mesure de comprendre les décisions et actions du MAS.

3. Confidentialité & Équité : Les utilisateurs ne doivent subir aucun désavantage en raison du MAS.

Nous distinguons également les garde-fous relatifs à l’entrée, aux modèles internes et à la sortie des agents d’IA :

• Filtre d’entrée : Peut, par exemple, vérifier les entrées des utilisateurs pour détecter les injections de prompts afin de protéger les données de l’entreprise contre le vol.

• Filtre du modèle : Un exemple d’assurance d’équité est la surveillance des indicateurs de qualité du modèle afin d’éliminer toute discrimination envers des groupes de personnes.

• Filtre de sortie : Étant donné que les grands modèles de langage hallucinent, une vérification de la plausibilité de la sortie est utile, par exemple.

Dans l’étape finale, les Agents de Filtre (boîtier gris 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, spécifiez des tâches concrètes à réaliser et assignez-les aux participants de l’atelier. Et ensuite : Réalisez ces tâches !

Où trouver plus d’informations ?

Datentreiber vous propose 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 communauté Data & AI Business Design est disponible gratuitement pour l’échange, les événements et le contenu expert.

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

• De nombreux outils de gestion supplémentaires, modèles d’ateliers et plans de projet sont disponibles sur notre Data & AI Business Design Bench commercial.

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

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

Droits d’auteur : Tous droits réservés par Datentreiber GmbH.