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

Pourquoi l’utiliser ?

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

Pour qui l’utiliser ?

Les systèmes multi-agents nécessitent la collaboration d’experts issus des domaines suivants :

• Domaine métier et processus

• Données massives et IA agentique

• Informatique, sécurité et confidentialité

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

• Utilisateurs : employés et/ou clients

• Développeurs : ingénieurs logiciels, data et IA

• Décideurs : responsables des processus métier

• Consultants : responsables de la protection des données, conseillers en sécurité, etc.

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

Quand l’utiliser ?

L’équipe s’est réunie et a choisi un processus (métier existant ou nouveau). L’équipe souhaite automatiser et optimiser ce processus grâce à Agentic AI afin d’accroître son efficience, son efficacité et/ou sa robustesse.

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

Pendant l’atelier de conception MAS d’une journée, les participants définissent 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 fondations 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 éprouvée Data & AI Business Design Method, 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 sont mis gratuitement à disposition sous licence Creative Commons.

Mode d’emploi

Ce modèle d’atelier est conçu pour une session d’une journée pouvant être divisée en 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 dans des cercles (①, ②, ...) correspondant 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 ensemble le parcours proposé. Pour présenter ce parcours (c.-à-d. l’agenda 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 précisant l’entreprise et, le cas échéant, le cabinet de conseil, puis indiquez 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. livrables).

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

Lorsque vous travaillez sur un point de l’ordre du jour, changez la couleur du pense-bête correspondant en jaune. Lorsque vous avez terminé, passez-le en vert. Ainsi, l’équipe garde toujours une vue d’ensemble de l’avancement.

II. Analyse des processus métier

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

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

② Commencez par le début du processus, sur le 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 Continuez ensuite avec la fin du processus, sur le côté droit du Canevas de la chaîne de valeur :a) Quel est l’État final, quels sont les Produits finaux ou quels sont 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 interviennent‑elles ? Quels flux alternatifs ou parallèles existent‑ils ?

⑤ En complément des Activités principales, des 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, inscrivez-les dans Fournisseurs généraux.

⑦ Les fournisseurs spécialisés qui n’exécutent ou n’appuient que des étapes individuelles du processus doivent être placés sous Fournisseurs spécialisés.

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 précisez les valeurs cibles correspondantes.

Enfin, extrayez tous les objectifs, résultats clés et kPI pertinents pour l’IA agentique depuis le canevas de la chaîne de valeur et indiquez-les dans le cadre vert Objectifs commerciaux et résultats clés comme sortie des agents.

III. Identification des rôles des utilisateurs

Maintenant que nous connaissons et comprenons le processus métier, nous pouvons répondre à la question : qui sont les parties prenantes dans le contexte de ce processus ? Pour y répondre, 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 même personne/rôle peut également assumer plusieurs fonctions) :

① Dans le champ Axé sur, inscrivez 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 décisions relatives aux 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 acheteurs économiques ou les utilisateurs finaux ?

⑦ Conseillers : Qui participe activement au processus à titre consultatif ou apporte un soutien en fournissant des informations ?

⑧ Responsables de la mise en œuvre : Qui met effectivement le processus en œuvre, c.-à-d. qui exécute les actions ?

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

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

• Vert : agents humains qui interviennent dans le processus d’IA agentique.

• Rouge : parties prenantes qui ne doivent plus intervenir (c’est‑à‑dire, pas d’agents humains).

• Jaune : parties prenantes dont nous ne sommes pas encore sûrs (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’IA agentique et les agents IA à l’étape suivante.

IV. Conception du workflow agentique

Pour la conception du workflow agentique, nous utilisons le DiagrammeFormat et la fonctionnalité Formes « Workflows agentiques » de Miro. Nous connaissons déjà les résultats attendus des agents, définis à l’étape II. Analyse du processus métier. À partir de l’étape III. Identification des rôles utilisateurs, nous connaissons les parties prenantes qui fournissent des entrées aux agents, c’est‑à‑dire 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 (provisoires).

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

1. Conserver en grande partie le flux du processus existant et remplacer les agents humains par des agents d’IA qui exécutent les actions et prennent les décisions.

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

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

Pour identifier les candidats au rôle d’agent d’IA, 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 d’IA.

• Quelles tâches spécialisées exigent des connaissances spécifiques dans le domaine  ?

➡️ Un agent d’IA est entraîné avec ces connaissances du domaine.

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

➡️ Un agent d’IA fait office d’interface avec la source de données ou le système informatique.

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

➡️ Un agent d’IA prend en charge la communication avec les utilisateurs.

• Quelles activités peuvent être parallélisées ?

➡️ Les activités sont réparties entre différents agents d’IA.

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

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

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

➡️ Ces activités sont effectuées par des agents d’IA spécialement sécurisés.

• Quels agents d’IA internes sont déjà utilisés ?

➡️ L’agent d’IA existant est réutilisé.

• Quels agents d’IA externes sont déjà en place ?

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

• Quels agents d’IA peuvent assurer la coordination des autres agents d’IA ?

➡️ Des agents d’IA spécialisés se chargent de la délégation, de l’agrégation, de la synchronisation, etc., des flux d’information et de travail.

Pour achever la conception du MAS, il faut modéliser les flux d’information et de travail entre les agents d’IA et les agents humains. Pour ce faire, reliez les éléments du diagramme (agents humains, agents d’IA, livrables) à l’aide de flèches. En règle générale, les flux d’information et de travail sont identiques. Lorsqu’ils diffèrent, une ligne en pointillés peut être utilisée pour représenter uniquement le flux d’information.

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

Certains agents IA ont besoin d’un accès en lecture aux sources de données existantes, voire d’un accès en écriture aux systèmes IT afin de modifier ou de créer des enregistrements de données ou de déclencher certains sous-processus. D’autres agents IA 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 prévoir des événements et des tendances.

Nous utilisons la zone bleue du diagramme de conception du MAS pour spécifier les systèmes IT / BI / IA requis et les connecter aux agents IA à l’aide de flèches. C’est aussi ici que nous pouvons définir des interfaces telles que Agent2Agent (A2A) ou Model Context Protocol (MCP).

Ensuite, nous évaluons si nous disposons déjà des systèmes requis, s’ils sont encore en phase de planification ou en cours de déploiement, 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 selon différents niveaux de complexité et de maturité.

② Les cases vertes décrivent les applications spécifiques pour :

a) Opérations métier : applications de simple traitement des données sans fonction d’analyse ni d’IA.

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

c) Découverte métier : applications permettant d’explorer tendances, corrélations, anomalies, etc., afin d’obtenir des perspectives fondées sur l’analytique diagnostique.

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

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

f) Automatisation des processus 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 & d’analyse qui peuvent être utilisés pour implémenter les agents d’IA :

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

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

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

d) Analyse prédictive : Outre les logiciels pour l’apprentissage automatique et l’apprentissage profond, il y a aussi 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 spécifiques pour une IA pilotée par des agents.

Veillez à ce 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 afin de garantir que notre système multi-agent est viable, souhaitable et réalisable. Il manque encore un critère important : les systèmes d’IA doivent être responsables.

Après tout, un grand pouvoir implique une grande responsabilité. Ce principe est également inscrit dans la loi, par exemple dans le règlement de l’UE sur l’IA.

Pour garantir que nos agents d’IA respectent les principes de l’IA responsable (rAI), nous avons besoin de ce qu’on appelle des garde-fous pour 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 souhaitons imposer au MAS. Nous utilisons le Canevas des 3 boîtes pour répartir les règles en trois catégories :

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

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

3. Confidentialité & 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 agents d’IA :

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

• Model Rail : Par exemple, pour garantir l’équité, on peut 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, une vérification de plausibilité de la sortie est utile, par exemple.

Dans l’étape finale, les Agents de garde-fous (boîte grise sur le diagramme) définissent comment mettre en œuvre ces règles et comment ils sont reliés par des flèches aux agents IA.

Pour conclure l’atelier, spécifiez des tâches concrètes à réaliser et assignez-les aux participants. Et ensuite : réalisez-les !

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 Data & AI Business Design Community gratuite est disponible pour les échanges, les événements et le contenu d’experts.

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

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

• Notre service de conseil Data & IA pour les entreprises propose un accompagnement pour votre stratégie données et IA, ainsi que pour vos projets d’innovation et de transformation.

Si cela vous intéresse ou si vous avez des questions ou du feedback, contactez-nous à : info@datentreiber.de.

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