Atelier de conception d’un système multi-agents (MAS)

Pourquoi l’utiliser ?

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

À qui s’adresse-t-il ?

Les systèmes multi-agents nécessitent la collaboration d’experts dans les domaines suivants :

• Domaine métier et processus

• Données massives et Agentic AI

• Informatique, sécurité et confidentialité

Il faut également que toutes les parties prenantes travaillent ensemble :

• Utilisateurs : employés et/ou clients

• Développeurs : ingénieurs logiciels, data et IA

• Décideurs : responsables des processus métier

• Consultants : délégués à la protection des données, conseillers en sécurité, etc.

Enfin, un facilitateur est nécessaire pour rassembler les différentes personnes et former une équipe efficace.

Quand l’utiliser ?

L’équipe s’est réunie et a choisi un processus (existant ou nouveau). L’équipe souhaite automatiser et optimiser ce processus avec Agentic AI afin d’accroître l’efficacité, l’efficience et/ou la robustesse.

Si aucun processus n’a encore été identifié, nous recommandons le Lean Data & AI Strategy Workshop pour identifier et hiérarchiser les cas d’utilisation potentiels pour Agentic AI.

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

Que faut-il utiliser ?

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

Mode d’emploi

Ce modèle d’atelier est conçu pour une session d’une journée pouvant être répartie sur deux demi-journées. Au cours de la journée, les participants parcourent les six phases suivantes et effectuent plusieurs étapes sur six canevas différents pour chaque phase. Sur les canevas, vous trouverez des numéros encerclés (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 acceptent de suivre ensemble le chemin proposé. Pour esquisser et présenter ce parcours (c.-à-d. l’ordre du jour de l’atelier), nous utilisons le Canevas d’atelier Data & AI Pensée design et réalisons les étapes suivantes :

① Personnalisez l’en-tête du canevas en indiquant l’entreprise et, le cas échéant, le cabinet de conseil, puis saisissez la date. Cette étape doit également être effectuée sur tous les canevas suivants.

② Définissez l’Objectif spécifique de l’atelier et précisez les Résultats clés souhaités (c.-à-d. les livrables).

③-⑦ Ajustez les Points à l’ordre du jour, les Horaires des sessions et d’autres éléments si nécessaire.

Lorsque vous travaillez sur un point à l’ordre du jour, changez la couleur du pense-bête correspondant en jaune. Lorsque vous avez terminé, marquez-le en vert. Ainsi, l’équipe dispose toujours d’un aperçu de l’état d’avancement.

II. Analyse des processus métier

Ensuite, nous devons visualiser et analyser le processus métier que nous souhaitons automatiser et optimiser avec Agentic AI. 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 Axé sur, inscrivez le nom du processus métier.

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

a) Quel est l’État initial, quels sont les Produits de base ou quel est 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, poursuivez par 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 destinataires des résultats clés (Clients)?

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

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

⑥ Si les activités de soutien ne sont pas assurées en interne mais par des prestataires externes et interviennent tout au long du processus, notez-les sous Fournisseurs généraux.

⑦ Les fournisseurs spécialisés qui n’effectuent ou ne soutiennent que des étapes spécifiques du processus doivent être placés sous Fournisseurs spécialisés.

⑧ Indiquez les indicateurs clés de performance (kPI) sur des pense-bêtes bleus, qui mesurent l’efficacité, l’efficience, la qualité, la stabilité, etc., du processus, et précisez 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 indiquez-les dans l’encadré vert Objectifs commerciaux et résultats clés comme sortie des agents.

III. Identification des rôles utilisateur

Maintenant que nous connaissons et comprenons le processus métier, 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 des pense-bêtes bleus pour identifier les personnes ou les rôles. Nous devons prendre en compte les fonctions suivantes des parties prenantes (une personne/un rôle pouvant remplir plusieurs fonctions) :

① Dans le champ Axé sur, indiquez le nom du processus métier.

② Décideurs : 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 prises 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 décideurs, les acheteurs économiques ou les utilisateurs finaux ?

⑥ Influenceurs : Qui pourrait soutenir le processus en influençant positivement les décideurs, les donneurs d’ordre économiques ou les utilisateurs finaux ?

⑦ Conseillers : Qui intervient activement dans le processus dans une fonction consultative ou apporte un soutien informationnel ?

⑧ Responsables de la mise en œuvre : Qui met effectivement en œuvre le processus, c’est‑à‑dire qui exécute les actions ?

Dans la conception ultérieure du système multi-agent, des agents reprennent la fonction de certaines personnes ou rôles. Mais même avec un très haut degré d’automatisation, certaines fonctions restent attribuées à des agents humains : ils doivent contrôler les résultats des agents IA, donner leur approbation, ou être les utilisateurs et/ou les bénéficiaires du processus automatisé.

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

• Le vert représente les agents humains qui jouent un rôle dans le processus Agentic AI.

• Le rouge désigne les parties prenantes qui ne doivent plus jouer de rôle (c’est‑à‑dire, pas d’agents humains).

• Le jaune concerne les parties prenantes dont on n’est pas encore sûr qu’elles joueront un rôle (c’est‑à‑dire, éventuellement des agents humains).

Enfin, nous transférons tous les agents humains dans la zone jaune Agents humains afin de concevoir le workflow Agentic AI et les agents IA à l’étape suivante.

IV. Conception du workflow Agentic

Pour la conception du workflow Agentic, nous utilisons le DiagrammeFormat et les Formes de Workflows agentiques de Miro. Nous connaissons déjà les résultats attendus des agents depuis II. Analyse des processus métier. Depuis III. Identification des rôles des utilisateurs, nous connaissons les parties prenantes qui fournissent des entrées aux agents, c’est‑à‑dire qui déclenchent le processus, rédigent des prompts, fournissent des informations et des documents, répondent aux requêtes des agents, prennent des décisions ou vérifient et approuvent des résultats (intermédiaires).

Deux options s’offrent pour automatiser le processus existant avec l’AI :

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

2. Repenser complètement le flux de processus pour exploiter les avantages de l’agentic AI : par exemple, le traitement parallèle de plusieurs solutions alternatives.

Si vous n’êtes pas sûr de la meilleure variante, concevez deux versions (ou plus) puis décidez, ou combinez les solutions.

Pour identifier les candidats au rôle d’agent AI, posez aux participants de l’atelier les questions suivantes :

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

➡️ L’agent humain devient un agent AI.

• Quelles tâches spécialisées nécessitent des connaissances spécifiques du domaine ?

➡️ Un agent AI est entraîné avec ces connaissances du domaine.

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

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

• Avec quels utilisateurs (rôles) 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 requises plusieurs fois par d’autres agents ?

➡️ Un agent IA met cette activité à disposition des autres agents en tant que service.

• Quelles activités nécessitent des mesures particulières de sécurité et de protection des données ?

➡️ Des agents IA spécialement sécurisés exécutent ces activités.

• Quels agents IA internes sont déjà utilisés ?

➡️ L’agent IA existant est réutilisé.

• Quels agents IA externes sont déjà en place ?

➡️ L’AI agent externe est intégré et, si nécessaire, encapsulé par un AI agent interne.

• Quels AI agents peuvent prendre en charge la coordination des autres AI agents ?

➡️ Des AI agents spécialisés prennent en charge la délégation, l’agrégation, la synchronisation, etc., des flux d’informations et de travail.

Pour finaliser la conception du MAS, il faut modéliser les flux d’informations et de travail entre les AI agents et les human agents. Pour ce faire, les éléments du diagramme (human agents, AI agents, livrables) sont reliés par 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 en pointillés peut être utilisée pour représenter uniquement le flux d’informations.

V. Évaluation des données et de l’AI et élaboration de la feuille de route

Certains agents AI ont besoin d’un accès en lecture à des sources de données existantes, voire d’un accès en écriture à des systèmes IT pour modifier ou créer des enregistrements de données ou déclencher certains sous-processus. D’autres agents AI requièrent des fonctionnalités et des capacités spécifiques, comme un grand modèle de langage (LLM) pour communiquer avec des agents humains, ou un modèle prédictif pour anticiper des événements et des tendances.

Nous utilisons la zone bleue du diagramme de conception du MAS pour préciser les systèmes IT / BI / AI requis et les relier aux agents AI à l’aide de flèches. Nous pouvons aussi y définir des interfaces telles que l’Agent2Agent (A2A) ou le Model Context Protocol (MCP).

Ensuite, nous évaluons si nous disposons déjà des systèmes requis, s’ils sont encore en phase de planification, en cours d’exploitation, ou s’ils doivent d’abord être conçus et développés. Nous utilisons des pense-bêtes verts, jaunes et rouges et le Canevas de maturité Analytics et IA pour cela. Le canevas distingue les outils généraux des applications spécifiques à différents niveaux de complexité et de maturité.

② Les cases vertes décrivent les applications spécifiques pour :

a) Opérations métier : applications purement de traitement de données, sans fonctionnalité d’analyse ni d’IA.

b) Reporting métier : généralement des applications d’automatisation de la génération de rapports ou de tableaux de bord basées sur l’analytique descriptive.

c) Exploration métier : applications pour explorer les tendances, corrélations, anomalies, etc., afin d’obtenir des perspectives basées sur l’analytique diagnostique.

d) Prévision métier : applications de prévision, nowcasting ou backcasting basées sur l’analytique prédictive.

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

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

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

③ Les encadrés jaunes sont destinés aux outils de données et d’analyse qui peuvent être utilisés pour mettre en œuvre les agents d’IA :

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

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

c) Analytique diagnostique : Outils d’analyse statistique ou, par exemple, plateformes pour tests A/B.

d) Analytique prédictive : En plus des logiciels pour l’apprentissage automatique et l’apprentissage profond, aussi des bibliothèques, par exemple pour les réseaux bayésiens, la régression linéaire, etc.

e) Analytique prescriptive : Ici, des méthodes de simulation et d’optimisation sont utilisées, ainsi que des solutions d’IA générative.

f) Analytique autonome : Ici, on utilise notamment des algorithmes d’apprentissage par renforcement, ou des solutions spécifiques pour l’Agentic AI.

Assurez-vous qu’un système IT / BI / IA existant ou prévu couvre toutes les données et fonctionnalités requises.

VI. Exigences relatives aux garde-fous de l’IA

Nous avons parcouru le processus métier, les parties prenantes, les sources de données et les capacités IT / BI / IA pour nous assurer que notre système multi-agent est viable, souhaitable et réalisable. Un autre 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 règlement européen sur l’IA (EU AI Act).

Pour garantir que nos AI agents respectent les principes de Responsible AI (rAI), nous avons besoin de ce qu’on appelle des garde-fous pour l’IA. Dans un système multi-agent, 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 souhaitons imposer au MAS. Nous utilisons le canevas 3 Boxes pour répartir les règles en trois catégories :

1. Sécurité et sûreté : Ni le MAS ni ses utilisateurs ne doivent subir de préjudice.

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

3. Confidentialité et Équité : Les utilisateurs ne doivent subir aucun désavantage du fait du MAS.

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

• Input Rail : Par exemple, il pourrait vérifier la saisie utilisateur pour détecter des injections de prompt et ainsi protéger les données de l’entreprise contre le vol.

• Model Rail : Un exemple pour garantir l’équité consiste à surveiller les indicateurs de qualité du modèle afin d’écarter toute discrimination à l’encontre de groupes de personnes.

• Output Rail : Comme les LLM peuvent halluciner, un contrôle de plausibilité des sorties est utile, par exemple.

À l’étape finale, les Guardrail Agents (boîte grise sur le diagramme) définissent comment mettre en œuvre ces règles et comment elles sont reliées par des flèches aux AI Agents.

Pour conclure l’atelier, définissez des tâches concrètes à réaliser et assignez-les aux participants de l’atelier. Et ensuite : mettez-les en œuvre !

Où en savoir plus ?

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 Data & AI Business Design Community, gratuite, vous propose des échanges, des événements et des contenus d’experts.

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

• De nombreux outils de gestion supplémentaires, modèles d’ateliers et plans de projet sont disponibles dans 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 souhaitez en savoir plus, avez des questions ou du feedback, contactez-nous à : info@datentreiber.de.

Copyright : Tous droits réservés par Datentreiber GmbH.