Un agent IA, également connu sous le nom d'IA agentique, est une entité autonome qui perçoit son environnement via des capteurs et agit sur celui-ci via des actionneurs pour atteindre des objectifs spécifiques. Ce concept est central à la définition de l'intelligence artificielle basée sur les agents, qui décrit l'IA comme l'étude et la conception d'agents intelligents. Les agents peuvent aller de simples systèmes de contrôle, comme un thermostat, à des systèmes hautement complexes comme une voiture autonome ou un être humain, et ils peuvent améliorer leurs performances au fil du temps grâce à l'apprentissage automatique ou en acquérant des connaissances.
Le terme « agent intelligent » provient du domaine plus large de l'intelligence artificielle, où les manuels de Stuart Russell et Peter Norvig le définissent comme toute entité qui perçoit son environnement et effectue des actions. Un agent rationnel sélectionne des actions censées maximiser sa mesure de performance, compte tenu de sa séquence de perceptions, de ses connaissances préalables et des actions disponibles. Cette rationalité n'exige ni l'omniscience ni un succès garanti ; elle concerne le résultat attendu sur la base des informations disponibles. Les agents sont également caractérisés par des propriétés telles que l'autonomie, la réactivité aux changements environnementaux et un comportement orienté vers un but ou proactif, souvent modélisé à l'aide d'architectures comme la croyance-désir-intention (BDI).
Fonction objectif
La fonction objectif, également appelée fonction de but, spécifie les objectifs d'un agent intelligent et sert de mesure de succès. Un agent est considéré comme plus intelligent s'il sélectionne systématiquement des actions qui produisent des résultats mieux alignés sur cette fonction. La fonction peut être simple, comme attribuer +1 pour une victoire et -1 pour une défaite dans une partie de Go, ou complexe, exigeant que l'agent évalue et apprenne des actions passées. Elle encapsule tous les objectifs et intègre des compromis entre des objectifs conflictuels, comme on le voit dans une voiture autonome équilibrant sécurité, vitesse et confort des passagers.
Différents contextes utilisent divers termes pour ce concept. En économie et en théorie de la décision, c'est une fonction d'utilité ; en optimisation, une fonction objectif ; en apprentissage automatique, une fonction de perte ; en apprentissage par renforcement, une fonction de récompense ; et dans les systèmes évolutionnaires, une fonction de fitness. Les objectifs peuvent être explicitement programmés ou induits par l'apprentissage ou l'évolution. Par exemple, un agent d'apprentissage par renforcement apprend à maximiser la récompense cumulative, tandis que le comportement d'un algorithme évolutionnaire est guidé par une fonction de fitness qui détermine quels agents se reproduisent, de manière analogue à la sélection naturelle.
Définition de l'IA basée sur les agents
Le cadre de Russell et Norvig décrit l'IA comme l'étude d'agents qui reçoivent des perceptions d'un environnement et effectuent des actions. Dans cette perspective, un agent est toute entité qui perçoit via des capteurs et agit via des actionneurs. Un agent rationnel sélectionne l'action censée maximiser sa mesure de performance, compte tenu de sa séquence de perceptions, de ses connaissances préalables et des actions disponibles. Cette définition souligne que le comportement orienté vers un but est central à l'intelligence, et elle s'applique à des systèmes simples comme complexes.
L'informatique orientée agent caractérise en outre les agents par l'autonomie, la réactivité et le comportement proactif. L'architecture BDI modélise le raisonnement pratique en représentant les croyances d'un agent sur le monde, ses désirs (objectifs) et ses intentions (cours d'action engagés). Cette approche est largement utilisée dans les systèmes multi-agents et la robotique, où les agents doivent opérer dans des environnements dynamiques.
Types et exemples
Les agents intelligents peuvent être classés selon leur complexité et leurs capacités d'apprentissage. Les agents réflexes simples agissent uniquement sur les perceptions actuelles, tandis que les agents basés sur un modèle maintiennent un état interne. Les agents basés sur des objectifs considèrent les actions futures pour atteindre des objectifs, et les agents basés sur l'utilité maximisent une fonction d'utilité. Les agents apprenants améliorent leurs performances grâce à des retours, comme l'apprentissage par renforcement ou le calcul évolutionnaire.
Les exemples incluent un thermostat de base, qui est un agent réflexe simple, et AlphaZero, un programme d'échecs avec une fonction objectif simple de +1 pour une victoire et -1 pour une défaite. Des agents plus complexes incluent les voitures autonomes, qui équilibrent plusieurs objectifs, et les agents logiciels qui exécutent des tâches pour le compte d'utilisateurs, comme les véhicules autonomes de Waymo ou les systèmes Tesla. En économie, les agents sont étroitement liés aux agents rationnels, et ce paradigme est étudié en science cognitive, en éthique et en philosophie.
Apprentissage et adaptation
Les agents s'améliorent souvent grâce à des algorithmes d'apprentissage. En apprentissage par renforcement, une fonction de récompense fournit des retours, encourageant les comportements souhaités et décourageant les indésirables. Les programmeurs peuvent utiliser le façonnage de récompenses pour donner des récompenses incrémentales pour les progrès, comme l'a noté Yann LeCun en 2018 : « La plupart des algorithmes d'apprentissage que les gens ont imaginés consistent essentiellement à minimiser une fonction objectif. » Le calcul évolutionnaire peut faire évoluer des agents qui semblent agir intentionnellement, guidés par une fonction de fitness.
Certains systèmes, comme les classificateurs par plus proches voisins, raisonnent par analogie plutôt que d'être explicitement orientés vers un but, mais ils peuvent toujours être encadrés comme des agents avec des objectifs implicites dans leurs données d'entraînement. De même, les systèmes de représentation des connaissances peuvent être vus comme des agents ayant pour objectif de répondre avec précision aux questions, étendant le concept d'« action » pour inclure la fourniture de réponses. Dans les réseaux antagonistes génératifs (GAN) des années 2010, un générateur imite la composition de texte humain, maximisant une fonction qui représente le fait de tromper un discriminateur, illustrant des fonctions objectif motivées par l'imitation.
Applications et implications
Les agents IA sont déployés dans diverses industries, des véhicules autonomes et de la robotique aux assistants virtuels et aux systèmes de recommandation. Des entreprises comme OpenAI, Anthropic et Google DeepMind développent des systèmes IA basés sur des agents, tandis que Amazon Web Services et Microsoft Azure offrent une infrastructure cloud pour les déployer. Le paradigme influence également la recherche en science cognitive et en modélisation socio-cognitive, où les agents simulent des comportements sociaux.
La conception de fonctions objectif soulève des considérations éthiques, car les agents peuvent optimiser des résultats non intentionnels. Par exemple, l'objectif d'une voiture autonome doit soigneusement équilibrer sécurité et vitesse. À mesure que les agents deviennent plus autonomes, garantir l'alignement avec les valeurs humaines devient critique. Cela a conduit à des recherches sur la sécurité de l'IA et l'interprétabilité, avec des institutions comme MIT CSAIL et Stanford AI Lab explorant ces défis.
Orientations futures
Les avancées dans les grands modèles de langage et les architectures Transformer (architecture) ont permis des agents plus sophistiqués capables de raisonner et de planifier sur des périodes prolongées. Ces agents, souvent appelés IA agentique, poursuivent proactivement des objectifs et prennent des décisions dans des environnements dynamiques. La recherche continue sur l'amélioration de l'efficacité de l'apprentissage, de la robustesse et de la généralisation, avec des contributions de laboratoires académiques comme BAIR (Berkeley AI Research) et Carnegie Mellon University.
L'évolution des agents IA mènera probablement à des systèmes plus intégrés qui collaborent avec les humains et entre eux, soulevant des questions sur la responsabilité et le contrôle. Au début des années 2020, l'IA basée sur les agents reste un domaine dynamique, avec des débats en cours sur la nature de l'intelligence et le rôle des fonctions objectif dans la formation du comportement.