L’intelligence artificielle, nouveau système multi-agent (Partie 1)

Depuis le lancement de ChatGPT par OpenAI en novembre 2022, le monde de l’intelligence artificielle n’a cessé d’évoluer. Ces mots : « intelligence artificielle » semblent être sur toutes les lèvres. Tout le monde veut en être, aucune entreprise ou État ne veut louper le virage de l’IA. Ses évolutions sont devenues des enjeux géopolitiques et économiques majeurs comme l’a démontré le sommet de l’IA tenu à Paris début février 2025. Parmi ses évolutions récentes, l’intelligence artificielle multi-agent semble très prometteuse. Mais le multi-agent est-il réellement si performant et va-t-il freiner la course aux plus gros modèles qui dure depuis quelques années ?

Les États et entreprises souhaitent tous monter dans le TGV IA, lancé à pleine vitesse et en constante évolution. Chaque jour une nouvelle technologie IA promet de révolutionner le secteur et d’offrir des performances toujours plus impressionnantes, comme l’une des évolutions les plus médiatisées dans les sphères IA : le « multi-agent » ou encore « l’Agentic AI ». Une technologie pleine de promesses et d’interrogations.

Pour répondre aux questions qu’elle soulève, commençons déjà par comprendre comment fonctionne un système IA « traditionnel ».

Architecture en chaîne

La plupart des systèmes d’intelligence artificielle sont construits avec une architecture en chaîne dans laquelle chaque maillon est exécuté successivement dans un ordre défini lors de l’implémentation du système et invariable.

Dans un système d’intelligence artificielle classique, une donnée d’entrée est saisie par l’utilisateur, nettoyée par une fonction de preprocessing, puis envoyée à l’agent IA qui produit un output pour l’utilisateur. Ce pipeline peut varier d’un système à l’autre mais au sein d’un même système, il sera toujours exactement le même quelle que soit la requête de l’utilisateur.

Ces systèmes, bien que performants pour réaliser des tâches simples et récurrentes, présentent de nombreux défauts. Ils sont extrêmement rigides et réagissent mal à l’évolution de leur environnement ou de la donnée qui leur est fournie.

De plus, face à des tâches plus complexes, nécessitant plusieurs étapes de raisonnement, les systèmes d’intelligence artificielle tels que nous les connaissons aujourd’hui peinent à produire des résultats satisfaisants sans être pris par la main et accompagnés tout au long du processus. 

Systèmes d’intelligence artificielle mono-agents

On appelle « agent » une entité autonome qui perçoit son environnement, prend des décisions et agit en fonction de ses objectifs. Il peut s’agir d’un programme informatique, d’un modèle de machine learning, d’un robot physique, d’un LLM, ou encore d’un simple processus logiciel autonome.

De manière générale, dans les systèmes d’intelligence artificielle, les agents sont des briques expertes. Ils ne sont confrontés qu’à des sous-briques d’un problème général. Ce sont des spécialistes qui exécutent avec des hauts degrés de précision les tâches qui leur sont attribuées. Il existe une grande variété d’agents avec plus ou moins d’autonomie et de capacité de prise de décision. Commençons alors par étudier un système simple : le système mono-agent

Un système d’intelligence artificielle mono-agent ou système à agent unique est un système IA qui se différencie des systèmes en chaîne par le fait qu’il s’adapte aux changements de son environnement ainsi qu’à la donnée qui lui est fournie. Il est capable de prendre des décisions qui influencent le pipeline d’exécution du système. Il en existe des plus ou moins complexes avec des degrés d’autonomie variés, allant du simple routeur à un agent totalement autonome qui effectue des tâches diverses.

Pour simplifier :

Un agent routeur est un système qui analyse la donnée qu’on lui transmet puis décide, parmi une liste d’outils à sa disposition, lequel est le plus adapté à la tâche à réaliser.

Par exemple : dans une voiture autonome un agent routeur pourrait être une caméra qui lit les panneaux sur le bord de la route et transmet l’information à l’outil responsable de l’adaptation du comportement du véhicule (c’est-à-dire limitation de vitesse ou activation des feux obligatoires à l’entrée d’un tunnel).

Ici, les outils sont extrêmement concrets mais un système multi-agent peut en utiliser de toutes sortes, comme des API externes ou des systèmes plus complexes.

Les agents sont extrêmement prometteurs pour deux raisons :

• Premièrement, leur capacité de prise de décision donne un plus grand dynamisme au système qui s’adapte à son environnement et à la donnée qui lui est fournie. Ainsi, il n’est plus un simple exécutant d’une tâche donnée mais un véritable chef d’orchestre dans un processus de raisonnement plus complexe.
• Deuxièmement, la segmentation des tâches à réaliser par un système en actions plus simples permet d’utiliser des modèles plus petits et moins coûteux du point de vue de la puissance de calcul. Ils sont par conséquent plus sobres écologiquement.

Qu’est-ce qu’un système multi-agent ?

Logiquement un système multi-agent (SMA) met plusieurs agents en relation. Chacun est formé à une tâche précise et l’accomplit avec un taux de réussite plus important que si un unique agent était responsable de l’ensemble des tâches. Les agents ont la possibilité de communiquer entre eux, de faire appel l’un à l’autre, ou de mettre en commun et d’exploiter les résultats obtenus par les uns et les autres. Ainsi, le système tout entier est capable de résoudre des tâches de haut niveau tout en s’adaptant aux différentes situations auxquelles il est confronté.

L’enjeu est alors d’organiser le système pour que seuls les appels d’agent les plus judicieux soient réalisés et que le système s’adapte au mieux à l’environnement dans lequel il évolue. Chaque agent devra alors adapter son activité en fonction de celle des autres.

Exemple multi-agent 

Les systèmes multi-agents sont déjà envisagés à grande échelle aujourd’hui dans des domaines autres que l’IA. Deux systèmes qui utiliseront sans doute le système multi-agent IA à grande échelle sont :  

• Les villes intelligentes dans lesquelles les agents sont des feux de circulation, des capteurs, des lampadaires… ;
• Les voitures autonomes où les agents ne sont autres que les véhicules ayant à leur disposition des outils (capteurs, caméras, etc.).

Le dilemme autonomie – fiabilité pour les agents

Chaque agent dispose d’un degré plus ou moins important d’autonomie qui influencera ses performances. Rendre un agent plus autonome a ses avantages. Parmi lesquels : renforcer la flexibilité et la robustesse du système, faciliter l’émergence de comportements innovants…

Cependant, plus un agent devient autonome, moins le système sera prévisible et explicable. Utiliser les résultats dont on ne sait expliquer les sources peut s’avérer dangereux et entraîner une perte de contrôle du développeur et de l’utilisateur. De plus, augmenter l’autonomie d’un agent l’incite à halluciner et, par conséquent, entraîne une perte de fiabilité du système tout entier.

Lors de la phase de développement, il faut donc faire des choix quant à l’organisation du système ainsi que sur le degré d’autonomie transmis. À l’image des organisations humaines, il existe plusieurs architectures de systèmes multi-agents dans lesquelles chacun dispose d’un certain niveau d’autonomie et de capacité de prise de décision. Comme pour les organisations humaines, ces décisions influencent fortement les résultats et le flux de tâches du système.

Les différentes architectures multi-agents

Tout comme un gouvernement peut être unitaire selon le modèle français ou fédéral à l’image de l’Allemagne, un système multi-agent peut être centralisé ou décentralisé.

Ces différentes architectures déterminent les droits et les fonctions précises de chaque agent. L’organisation suivante illustre bien les systèmes multi-agents et les interactions qui peuvent exister entre tous les agents et avec leurs outils respectifs.

En pratique, quand le nombre d’agents augmente, cette architecture dense devient incontrôlable, non optimisée et trop coûteuse en raison de la puissance de calcul considérable nécessaire. C’est pourquoi des architectures plus subtiles et plus performantes ont été mises au point.

Conclusion 

Ainsi, les systèmes d’intelligence artificielle multi-agents sont une avancée prometteuse. Ils permettent une grande flexibilité et une autonomie accrue par rapport aux systèmes IA traditionnels. Ils posent cependant des défis en termes de fiabilité et de contrôle. Afin de tirer pleinement parti de ces systèmes et de pallier leurs limites, différentes architectures peuvent être mises en place. Nous les aborderons en détail dans un prochain article.