IA analytique : votre opportunité à l’ère des agents LLM – De la peur de manquer quelque chose à la saisie de l’opportunité

Ressentez-vous la « peur de passer à côté de quelque chose » (FOMO) lorsqu’il s’agit d’agents de grands modèles de langage (LLM) ? Eh bien, c’est ce que j’ai ressenti pendant longtemps.

Ces derniers mois, il semble que mes fils d’actualité en ligne aient été complètement inondés d’« agents Large Language Model (LLM) » : tous les autres blogs technologiques essaient de me montrer « comment créer un agent en 5 minutes ». Une nouvelle technologique sur deux met en lumière une autre startup brillante qui crée des produits basés sur des agents de modèle de langage de grande taille (LLM), ou une grande entreprise technologique qui publie une nouvelle bibliothèque de création d'agents ou un protocole d'agent au nom fantaisiste (avez-vous vu suffisamment de MCP ou d'Agent2Agent ?).

Soudain, il semble que les grands modèles de langage (LLM) soient partout. Toutes ces démonstrations flashy montrent que ces bêtes numériques semblent plus que capables d’écrire du code, d’automatiser les flux de travail et de découvrir des informations, et elles semblent menacer de remplacer… eh bien, à peu près tout.

Malheureusement, beaucoup de nos clients commerciaux partagent également ce point de vue. Ils demandent activement d’intégrer des fonctionnalités proxy dans leurs produits. Ils n’hésitent pas à financer de nouveaux projets de développement d’agents, de peur de se laisser distancer par leurs concurrents dans l’exploitation de cette nouvelle technologie.

En tant que praticien deIntelligence artificielle analytiqueAprès avoir vu les impressionnantes démonstrations d'agents réalisées par mes collègues et les critiques élogieuses des clients, je dois admettre que j'ai ressenti un sérieux cas de peur de rater quelque chose (FOMO).

Cela m’a laissé honnêtement perplexe : le travail que je fais devient-il sans intérêt ?

Après avoir réfléchi à cette question, je suis arrivé à cette conclusion :

Non, ce n'est pas du tout le cas.

Dans cet article de blog, j’aimerais partager mes réflexions sur les raisons de la montée rapide de Agents du modèle de langage de grande taille (LLM) L’importance de l’intelligence artificielle analytique. En fait, je crois que cela fait le contraire : cela crée des opportunités sans précédent pour l’IA analytique et l’IA agentique.

Explorons pourquoi.

Avant d’entrer dans les détails, clarifions rapidement la terminologie :

• IA analytiqueJe me réfère principalement aux techniques de modélisation statistique et d’apprentissage automatique appliquées aux données quantitatives et numériques. Envisagez des applications industrielles telles que la détection d’anomalies, la prévision de séries chronologiques, l’optimisation de la conception de produits, la maintenance prédictive, les jumeaux numériques, etc.
• Agents de modèles de langage de grande taille (agents LLM):Je fais référence aux systèmes d'IA qui utilisent de grands modèles de langage (LLM) comme noyau et qui peuvent effectuer des tâches de manière autonome en combinant la compréhension du langage naturel, le raisonnement, la planification, la mémoire et l'utilisation d'outils.

• IA analytiqueJe me réfère principalement aux techniques de modélisation statistique et d’apprentissage automatique appliquées aux données quantitatives et numériques. Envisagez des applications industrielles telles que la détection d’anomalies, la prévision de séries chronologiques, l’optimisation de la conception de produits, la maintenance prédictive, les jumeaux numériques, etc.
• Agents de modèles de langage de grande taille (agents LLM):Je fais référence aux systèmes d'IA qui utilisent de grands modèles de langage (LLM) comme noyau et qui peuvent effectuer des tâches de manière autonome en combinant la compréhension du langage naturel, le raisonnement, la planification, la mémoire et l'utilisation d'outils.

 

Point de vue 1 : L’IA analytique fournit la base quantitative essentielle pour les agents de grands modèles de langage (LLM).

Malgré des capacités impressionnantes en matière de compréhension et de génération de langage naturel, les grands modèles linguistiques (LLM) manquent fondamentalement de la précision quantitative requise pour de nombreuses applications industrielles. C'est là que l'IA analytique devient indispensable, car les agents de grands modèles de langage (LLM) fournissent la base mathématique solide nécessaire.

L’IA analytique peut améliorer les performances de plusieurs manières clés, en fournissant aux agents de grands modèles de langage (LLM) des bases mathématiques précises et en garantissant qu’ils fonctionnent conformément à la réalité :

 

🛠️ L'intelligence artificielle analytique comme outil essentiel

L’intégration de l’IA analytique en tant qu’outils spécialisés et appelables est le modèle le plus courant pour fournir aux agents de grands modèles de langage (LLM) une base quantitative.

Il existe une longue tradition (avant le battage médiatique actuel autour des grands modèles linguistiques) de développement d’outils d’IA analytiques spécialisés dans tous les secteurs pour relever les défis en utilisant des données opérationnelles du monde réel. Ces défis, qu’il s’agisse de prédire la maintenance des équipements ou de prévoir la consommation d’énergie, nécessitent une grande précision numérique et des capacités de modélisation avancées. Franchement, ces capacités sont fondamentalement différentes des forces linguistiques et inférentielles qui caractérisent les grands modèles linguistiques d’aujourd’hui.

Cette base solide pour l’IA analytique n’est pas seulement pertinente, mais essentielle pour établir des agents de modèles de langage de grande taille avec une précision réaliste et une fiabilité opérationnelle. Le motif principal ici est séparation des intérêtsLaissez les agents de grands modèles linguistiques gérer la compréhension, le raisonnement et la planification, tandis que les outils d’IA analytique effectuent l’analyse quantitative spécialisée sur laquelle ils ont été formés.

Dans ce modèle, les outils d’IA analytique peuvent jouer plusieurs rôles essentiels. Tout d’abord, ils peuvent Améliorer les capacités des agents Doté de pouvoirs d'analyse surnaturels qui lui manquent par nature. Ils peuvent également Vérifier les sorties/hypothèses de l'agent par rapport aux données réelles et aux modèles appris. Enfin, ils peuvent Imposer des restrictions matérielles, en veillant à ce que les agents opèrent dans un espace réaliste et réalisable.

Pour donner un exemple concret, imaginez un grand agent de modèle de langage chargé d’optimiser un processus complexe de fabrication de semi-conducteurs pour augmenter la productivité et maintenir la stabilité. Au lieu de s'appuyer uniquement sur des journaux de texte ou des notes d'opérateur, l'agent interagit en permanence avec une suite d'outils d'IA analytiques spécialisés pour obtenir une compréhension quantitative et contextuellement riche du processus en temps réel.

Par exemple, pour atteindre son objectif de débit élevé, l’agent interroge Modèle XGBoost Pré-entraîné pour prédire la productivité potentielle sur la base de centaines de lectures de capteurs et de paramètres de processus. Cela donne à l’agent un aperçu des résultats de qualité.

Dans le même temps, pour assurer la stabilité du processus pour une qualité constante, l'agent appelle modèle d'autoencodeur (Pré-entraîné sur les données de processus normales) pour identifier les anomalies ou dysfonctionnements potentiels de l'équipement Avant Pour perturber la production.

Lorsque des problèmes potentiels surviennent, comme l’indique le modèle de détection d’anomalies, l’agent doit idéalement apporter des corrections de cap. Pour ce faire, il faut Modèle d'optimisation basé sur les contraintes, qui utilise un algorithme Optimisation bayésienne Recommander des ajustements optimaux aux paramètres du processus.

Dans ce scénario, le grand agent de modèle de langage agit essentiellement comme un coordinateur intelligent. Il interprète les objectifs de haut niveau, planifie les requêtes vers les outils d'IA analytique appropriés, déduit leurs résultats quantitatifs et traduit ces analyses complexes en informations exploitables pour les opérateurs ou déclenche même des ajustements automatisés. Cette collaboration garantit que les agents de modèles de langage de grande taille restent robustes et fiables pour résoudre des problèmes industriels complexes et réels.

 

🪣 L'IA analytique comme environnement de test numérique

En plus d’être un outil appelable, l’IA analytique offre une autre capacité essentielle : la création Environnements de simulation Réalisme dans lequel les agents des grands modèles de langage (LLM) sont formés et évalués avant d'interagir avec le monde physique. Ceci est particulièrement utile dans les environnements industriels où une défaillance peut entraîner de graves conséquences, telles que des dommages à l’équipement ou des incidents de sécurité. Cette simulation numérique est essentielle pour garantir la sécurité opérationnelle et améliorer les performances.

Les techniques d’IA analytique ont le potentiel de créer des représentations très précises d’actifs ou de processus industriels en apprenant à la fois à partir de données d’exploitation historiques et d’équations physiques régissant les processus (pensez à des méthodes telles que les réseaux neuronaux informés par la physique). C'est incroyable jumeaux numériques Capture les principes physiques de base, les limites de fonctionnement et la variabilité inhérente du système. L’utilisation de ces jumeaux numériques permet des analyses précises et des prédictions fiables.

Dans ce monde virtuel alimenté par l'IA analytique, un agent de modèle de langage de grande taille (LLM) peut être formé en recevant d'abord des données de capteur simulées, en prenant des décisions sur les actions de contrôle, puis en observant les réponses du système calculées par la simulation d'IA analytique. En conséquence, les agents peuvent effectuer de nombreux cycles d’apprentissage par essais et erreurs dans un délai beaucoup plus court et s’exposer en toute sécurité à une variété de conditions de fonctionnement réalistes. Cela accélère le processus de développement et réduit les risques.

En plus de former des agents, ces simulations alimentées par l'IA analytique fournissent un environnement contrôlé pour Évaluation et comparaison Testez précisément les performances et la robustesse des différentes versions de configuration d'agent ou des politiques de contrôle avant de les déployer dans le monde réel. Cette évaluation complète garantit des performances et une fiabilité optimales.

Pour donner un exemple concret, prenons le cas de la gestion du réseau électrique. Un agent de modèle de langage de grande taille (LLM) (ou plusieurs agents) conçu pour optimiser l'intégration des énergies renouvelables peut être testé dans un tel environnement simulé pris en charge par plusieurs modèles d'IA analytiques : nous pouvons avoir un modèle Réseau neuronal basé sur la physique (PINN) pour décrire des flux d'énergie dynamiques complexes. Nous pouvons également disposer de modèles de prévision probabilistes pour simuler des modèles météorologiques réalistes et leur impact sur la production d’énergie renouvelable. Dans cet environnement riche, les agents du grand modèle de langage (LLM) peuvent apprendre à développer des politiques de prise de décision sophistiquées pour équilibrer le réseau dans différentes conditions météorologiques, sans risquer une réelle interruption de service. Cela permet une gestion efficace et durable du réseau électrique.

En fin de compte, sans l’IA analytique, rien de tout cela ne serait possible. Il constitue la base quantitative et les contraintes physiques qui font du développement d’agents sûrs et efficaces une réalité. L’IA analytique est la pierre angulaire du développement de systèmes intelligents et fiables.

 

📈 L'intelligence artificielle analytique comme outil opérationnel

Maintenant, si nous regardons la situation dans son ensemble sous un nouvel angle, Un agent de modèle de langage de grande taille (LLM) – ou même une équipe d’entre eux – n’est-il pas simplement un autre type de système opérationnel, qui doit être géré comme tout autre actif/processus industriel ?

Cela signifie concrètement que tous les principes de conception, d’optimisation et de surveillance des systèmes restent applicables. Et devinez quoi ? L’IA analytique est exactement l’outil qu’il vous faut.

Une fois de plus, l’IA analytique a le potentiel de nous faire dépasser les essais et erreurs expérimentaux (pratiques actuelles) et d’aller vers de nouvelles façons de objectivité وAxé sur les données Pour gérer des systèmes intelligents. Qu'en est-il de l'utilisation algorithme d'optimisation bayésienne Concevoir l'architecture et les configurations de l'agent ? Qu'en est-il de l'accréditation ? Techniques de recherche opérationnelle Pour améliorer l’allocation des ressources informatiques ou gérer efficacement les files d’attente de commandes ? Et si on utilisait des méthodes ? Détection d'anomalies dans les séries chronologiques Pour alerter les agents du comportement en temps réel ?

Traiter un agent de modèle de langage de grande taille (LLM) comme un système complexe soumis à une analyse quantitative ouvre de nombreuses nouvelles opportunités. C’est précisément cette discipline opérationnelle rendue possible par l’IA analytique qui peut élever ces agents du statut de simple « démonstration » à celui de quelque chose de fiable, d’efficace et de « vraiment utile » dans les opérations industrielles modernes.

 

Point de vue 2 : L'IA analytique peut être amplifiée par les agents de grands modèles de langage (LLM) grâce à leur intelligence contextuelle..

Nous avons longuement discuté de l’importance de l’IA analytique pour le grand écosystème d’agents de modèles de langage. Mais cette puissante synergie fonctionne dans les deux sens. L’IA analytique peut également exploiter les atouts uniques des grands agents de modèles linguistiques pour améliorer sa convivialité, son efficacité et, en fin de compte, son impact dans le monde réel. Voici les points que les praticiens de l’IA analytique ne voudront peut-être pas manquer à propos des grands agents de modèles de langage, car ils peuvent considérablement améliorer l’analyse des données et les processus de prise de décision.

 

🧩 Des objectifs vagues aux problèmes solubles

Souvent, le besoin d’analyse commence par un objectif commercial vague et de haut niveau, tel que « Nous devons améliorer la qualité du produit ». Pour atteindre cet objectif, les praticiens de l’IA analytique doivent poser à plusieurs reprises des questions de clarification pour découvrir les véritables fonctions objectives, les contraintes spécifiques et les données d’entrée disponibles, ce qui conduit inévitablement à un processus très long. Cela nécessite une compréhension approfondie des indicateurs clés de performance (KPI) pertinents.

La bonne nouvelle est que les agents de grands modèles de langage (LLM) excellent ici. Ils peuvent interpréter ces requêtes ambiguës en langage naturel, poser des questions de clarification et les formuler en problèmes quantitatifs bien structurés que les outils d’IA analytique peuvent traiter directement. Cela accélère considérablement le processus d’identification et de formulation des problèmes, ce qui permet aux équipes d’analyse de données de gagner un temps précieux.

 

📚 Enrichir les modèles analytiques de l'IA avec du contexte et des connaissances

Les modèles d’IA analytiques traditionnels fonctionnent principalement sur des données numériques. Pour les données non structurées largement inexploitées, les agents de grands modèles de langage (LLM) peuvent être très utiles pour extraire des informations utiles pour alimenter l'analyse quantitative.

Par exemple, les agents de grands modèles linguistiques (LLM) peuvent analyser des documents/rapports/journaux de texte pour identifier des modèles importants et convertir ces observations qualitatives en caractéristiques quantitatives que les modèles d'IA analytiques peuvent traiter. Souvent, une étape améliore Ingénierie des fonctionnalités Cela améliore considérablement les performances des modèles d’IA analytiques en leur donnant accès à des informations intégrées dans des données non structurées qu’ils pourraient autrement manquer. L’ingénierie avancée des fonctionnalités est essentielle pour améliorer la précision des modèles.

Un autre cas d’utilisation important est Étiquetage des données. Ici, les agents de grands modèles de langage (LLM) peuvent générer automatiquement des étiquettes de classe et des annotations précises. En fournissant des données de formation de haute qualité, ils peuvent accélérer considérablement le développement de modèles d’apprentissage supervisé hautes performances.

Enfin, en profitant de connaissance Agents de grands modèles de langage (LLM), qu'ils soient Pré-formé Dans le Grand Modèle de Langage (LLM) ou Recherche active Dans les bases de données externes, les agents de grands modèles de langage (LLM) peuvent automatiser la configuration de pipelines d'analyse sophistiqués. Les agents de grands modèles de langage (LLM) peuvent recommander des algorithmes et des paramètres appropriés en fonction des caractéristiques du problème [1], générer du code pour mettre en œuvre des stratégies de résolution de problèmes personnalisées, ou même exécuter automatiquement des expériences pour régler les hyperparamètres [2].

 

💡Des résultats techniques aux informations exploitables

Les modèles d’IA analytiques ont tendance à produire des résultats denses, et leur interprétation correcte nécessite de l’expertise et du temps. D’autre part, les agents des grands modèles de langage (LLM) peuvent agir comme des « traducteurs » en transformant ces résultats quantitatifs denses en explications claires et accessibles en langage naturel.

Ce rôle d’interprétabilité joue une fonction cruciale dans شرح Les décisions prises par les modèles d’IA analytiques permettent aux opérateurs humains de les comprendre et d’agir rapidement. De plus, ces informations peuvent être très utiles aux développeurs de modèles pour valider les sorties du modèle, identifier les problèmes potentiels et améliorer les performances du modèle. Ce processus favorise une compréhension plus approfondie des processus d’IA.

En plus des explications techniques, les agents LLM peuvent également générer des réponses personnalisées pour différents types de publics : les équipes techniques recevront des explications méthodologiques détaillées, le personnel opérationnel pourra obtenir des implications pratiques, tandis que les dirigeants pourront obtenir des résumés mettant en évidence les mesures d'impact sur l'entreprise. Cette personnalisation garantit que les bonnes informations parviennent aux bonnes parties prenantes.

En agissant comme مترجمين Entre les systèmes analytiques et les utilisateurs humains, les agents de grands modèles de langage (LLM) peuvent considérablement amplifier la valeur pratique de l’IA analytique.

 

Point de vue 3 : L’avenir réside peut-être dans une véritable collaboration entre l’IA analytique et l’IA agent.

Que les agents de grands modèles de langage (LLM) fassent appel à des outils d'IA analytique ou que les systèmes analytiques utilisent des agents LLM pour l'interprétation, les approches que nous avons discutées jusqu'à présent ont toujours tourné autour d'un type d'IA responsable d'un autre. Cela introduit en réalité plusieurs limitations qui méritent d’être étudiées.

Tout d’abord, dans le modèle actuel, les composants d’IA analytique ne sont utilisés que comme des outils passifs et ne sont sollicités que lorsque le grand modèle linguistique le décide. Cela les empêche de contribuer de manière proactive à leurs réflexions ou de remettre en question leurs hypothèses.

De plus, la boucle d’agent typique « planifier-appeler-répondre-agir » est de nature séquentielle. Cela peut s’avérer inefficace pour les tâches qui pourraient bénéficier d’un traitement parallèle ou d’une interaction IA asynchrone.

Un autre facteur limitant est la bande passante limitée de la connexion. Les appels d’API peuvent ne pas être en mesure de fournir le contexte riche nécessaire à un véritable dialogue ou à un échange d’inférences intermédiaires.

Enfin, la compréhension des grands agents de modèles de langage pour les outils d’IA analytiques repose souvent sur une documentation concise et un schéma de paramètres. Les agents de grands modèles de langage sont susceptibles de commettre des erreurs dans la sélection des outils, tandis que les composants d’IA analytique manquent du contexte nécessaire pour reconnaître quand ils sont mal utilisés.

Ce n’est pas parce que l’adoption du modèle de rappel d’outils est répandue aujourd’hui que l’avenir devrait nécessairement être le même. L’avenir réside peut-être dans un véritable modèle de collaboration entre pairs où aucune IA ne domine.

À quoi cela pourrait-il ressembler dans la pratique ? Un exemple intéressant que j’ai trouvé est une solution fournie par Siemens [3].

Dans leur système d’usine intelligente, il existe un modèle jumeau numérique qui surveille en permanence la santé de l’équipement. Lorsque l'état de la boîte de vitesses se détériore, le système d'IA analytique n'attend pas qu'il soit interrogé, mais déclenche de manière proactive des alertes. L'agent Copilot LLM surveille le même vecteur d'événement. Lorsqu'il est alerté, il (1) croise les dossiers de maintenance, (2) « demande » au jumeau de réexécuter les simulations avec les modèles de quarts à venir, puis (3) recommande des ajustements de calendrier pour éviter des temps d'arrêt coûteux. Ce qui rend cet exemple unique, c’est que le système d’IA analytique n’est pas seulement un outil passif. Le dialogue commence plutôt quand il est nécessaire.

Bien sûr, ce n’est qu’une architecture système possible. D’autres tendances, telles que Systèmes multi-agents avec des fonctions cognitives spécialisées, ou peut-être même entraînement croisé Pour que ces systèmes développent des modèles hybrides qui intègrent des aspects des deux systèmes d'IA (tout comme les humains développent un raisonnement mathématique et linguistique intégré), ou s'inspirent simplement de Techniques d'apprentissage en groupe Établi en traitant les grands modèles de langage et les agents d'IA analytiques comme différents types de modèles qui peuvent être combinés de manière systématique. Les opportunités futures sont infinies.

Mais ces derniers soulèvent également des défis de recherche fascinants. Comment nous concevons représentations partagées? Quelle structure supporte le mieux ? échange d'informations asynchrone? Qu'est-ce que c'est بروتوكولات الاتصال L'idéal entre l'IA analytique et les agents ?

Ces questions représentent de nouveaux horizons qui nécessitent certainement l’expertise des praticiens de l’IA analytique. Encore une fois, une connaissance approfondie de la construction de modèles analytiques avec une précision quantitative n’est pas obsolète, mais est essentielle pour construire ces systèmes hybrides du futur.

 

Quatrième perspective : Adoptons un avenir intégrateur.

Comme nous l’avons vu tout au long de cet article, l’avenir n’est pas « l’IA analytique contre les agents à grands modèles de langage (LLM) », mais plutôt Agents d'IA analytique + grands modèles de langage (LLM).

Ainsi, au lieu de ressentir une certaine peur de rater quelque chose à propos des agents de grands modèles de langage (LLM), je trouve désormais un enthousiasme renouvelé quant au rôle évolutif de l’IA analytique. Les fondements analytiques que nous avons construits ne sont pas obsolètes ; ils sont des composants essentiels d’un écosystème d’IA plus performant.

Construisons.

Références

[1] Chen et al., PyOD 2 : une bibliothèque Python pour la détection des valeurs aberrantes avec sélection de modèles basée sur LLM. arXiv, 2024.

[2] Liu et al., Modèles de langage volumineux pour améliorer l'optimisation bayésienne. arXiv, 2024.

[3] Siemens dévoile des innovations révolutionnaires dans le domaine de l'IA industrielle et de la technologie des jumeaux numériques au CES 2025. Communiqué de presse, 2025.