Comment fonctionnent les agents IA d’Ecodex?
Nous pouvons séparer les 4 agents IA d’Ecodex en 2 catégories :
- Les agents de recherche dans des documentations, à savoir l’agent Doc et l’agent Méthodo : ces agents vont à partir d’une question posée par l’utilisateur être en mesure d’extraire des éléments de réponse (texte, formules, tableaux, etc.) pertinents dispersés au-sein de certains documents (généralement .pdf), puis les restituer de manière intelligible à l’utilisateur.
- Les agents de recherche dans des bases de données, à savoir l’agent FE et l’agent Décarbo : ces agents vont *transformer la question utilisateur en une requête au moteur de recherche, puis analyser et restituer les réponses renvoyées par le moteur en éléments de réponse synthétisés.
Exemples :
. Interaction avec l’agent FE, l’utilisateur pose sa question : « Quel est l’impact carbone des matières premières d’un vélo? »
. L’agent convertit la demande en mots-clés pour la recherche : « acier, aluminium, etc.»
. Le moteur de recherche renvoie un jeu de réponses qui matchent avec les mots-clés, par ordre décroissant de pertinence : (1) « Acier ou fer blanc neuf, Base carbone », (2) « Acier ou fer blanc recyclé, Base carbone », etc.
. L’agent prend le relais une dernière fois, synthétise les différentes propositions de FE et propose une réponse structurée : « Je vous suggère d’utiliser tel FE de la Base Carbone, etc.»
En langage technique, on parle ainsi de RAG (Retrieval-Augmented Generation) : cette manière de faire solidifie la qualité de réponse d’une IA générative, qui a ainsi beaucoup moins de probabilités d’halluciner, car elle est directement « branchée » (augmentée) à une source de référence (i.e les documentations ou bases de données carbone publiques de référence).
Pour encore renforcer la qualité des réponses proposée, les modèles de langage utilisés par les agents Doc et Méthodo ne vont pas directement cherchés dans les fichiers bruts -ce qui se passerait par exemple si vous demandiez à un chatbot d’aller naviguer directement dans une documentation, et conduit généralement à des réponses de qualité limitée.
Plusieurs étapes préalables de numérisation (OCR), parsing et extraction ont été réalisés pour chaque document pour les transformer en éléments structurés ingérables par les modèles de langage.