Découvrez comment transformer un contexte métier de confiance en agents IA spécialisés et prêts pour la production
par Megan Tupper
• Les Genie Agents transforment un contexte métier de confiance en agents IA spécialisés à partir d'un seul prompt. Ils peuvent raisonner sur des données structurées, des documents et des fichiers gouvernés par Unity Catalog.
• La plupart des réponses d'agents faibles ou incohérentes proviennent d'un manque de contexte, et non du prompt. En ancrant les agents dans des données, des définitions et de la documentation de confiance, les Genie Agents évitent d'avoir à ajuster constamment les prompts.
• Commencer par un cas d'usage ciblé rend les agents plus faciles à tester et à adopter en toute confiance. Définir le périmètre et évaluer par benchmark la première version donne aux équipes une base fiable qu'elles peuvent enrichir avec plus de connaissances, d'outils et de flux de travail récurrents.
Si vous interrogez un agent générique sur le chiffre d'affaires, il choisira probablement la première table de revenus qu'il trouve, et non celle que la finance gère réellement. Votre premier réflexe pourrait être de corriger le prompt. Mais le véritable problème ne vient souvent pas du prompt lui-même ; c'est plutôt que l'agent ne dispose pas du contexte métier nécessaire pour interpréter la demande.
Les Databricks Genie Agents résolvent ce problème de contexte en vous permettant de créer des agents spécialisés capables de raisonner sur des données structurées ainsi que sur des documents et des fichiers pour automatiser les tâches. Un agent de données d'opportunités de vente (Sales Opportunity Data) pourrait identifier les risques du pipeline à partir de tables CRM gouvernées, un agent de gestion logistique (Logistics Management) pourrait suivre les expéditions et signaler les retards dans les données de la chaîne d'approvisionnement, et un agent de recherche de gamme de produits (Product Line Lookup) pourrait répondre à des questions détaillées sur les produits à partir d'un catalogue interne. Auparavant, la création de Genie Agents nécessitait une configuration manuelle. Désormais, des Genie Agents efficaces peuvent être déployés à l'aide de Genie One ou de Genie Code avec un seul prompt, en tirant parti du contexte de Unity Catalog et de la conversation de l'utilisateur.
Vous pouvez créer votre premier agent en quelques minutes, à partir d'un seul prompt. Dans de nombreux cas, il suffit que le prompt décrive le résultat souhaité de l'agent et oriente Genie vers la source d'information pertinente.
Prenons cet exemple : « Utilisez nos guides de résolution d'incidents (runbooks) et nos données sur l'état des services pour créer un agent qui aide les ingénieurs du support à enquêter sur les incidents de production. »
Le prompt est simple, mais il donne à Genie suffisamment d'informations pour démarrer. Il identifie le problème et indique les sources que l'agent doit utiliser.
Bien entendu, la qualité d'un agent dépend de la qualité de son contexte. Les Genie Agents raisonnent sur les données, les documents et les fichiers que vous gouvernez déjà dans Unity Catalog, le véritable travail consiste donc à organiser ces sources de confiance. Une fois qu'elles sont en place, Genie peut les assembler pour vous dans un agent. Pour un agent IT, ce contexte peut inclure des FAQ, de la documentation de support, des runbooks d'incidents, des inventaires de systèmes et des données de service. Pour un agent de données, il peut inclure des tables gouvernées, des définitions de métriques, des tableaux de bord, des règles de qualité des données et de la documentation interne.
Le contexte ne se limite pas aux données structurées. Les Genie Agents peuvent également raisonner sur des données non structurées stockées dans des volumes Unity Catalog, tels que des PDF, des documents Word, des présentations et des images. Lorsque quelqu'un pose une question, l'agent récupère le contenu du fichier le plus pertinent et raisonne dessus en conjonction avec vos tables gouvernées pour produire une réponse, tout en respectant les autorisations de la personne qui pose la question. Cela signifie qu'un agent d'enquête sur les incidents (Incident Investigation) peut s'appuyer sur les véritables PDF de runbooks, et qu'un agent de recherche de gamme de produits (Product Line Lookup) peut extraire des informations de la documentation produit réelle.
Bien que les Genie Agents puissent prendre en charge des flux de travail complexes et en plusieurs étapes, le meilleur point de départ est généralement un problème ciblé et identifiable qui nécessite des analyses ou des tâches répétitives. Un cas d'usage restreint permet de vérifier plus facilement si l'agent s'appuie sur les bonnes sources et se comporte comme prévu, tout en rendant la définition du périmètre et le benchmarking plus significatifs.
Prenons l'exemple de l'agent d'enquête sur les incidents (Incident Investigation) mentionné plus haut. Avant de le déployer, testez-le sur une poignée d'incidents passés dont vous connaissez déjà la cause racine, et vérifiez non seulement s'il parvient à la bonne conclusion, mais aussi s'il cite les bons runbooks et les bonnes données sur l'état des services pour y parvenir. S'il s'appuie sur un runbook obsolète ou sur le mauvais service, cela indique que vous devez ajuster le contexte, et non réécrire le prompt.
Les Genie Agents intègrent des benchmarks à cet effet. Vous pouvez définir un ensemble de questions de test, chacune associée à une réponse attendue, et les exécuter pour obtenir un score de précision pour l'agent. Réexécuter ce benchmark après chaque modification transforme l'impression vague que l'agent « semble meilleur » en un chiffre mesurable que vous pouvez suivre, et l'onglet de suivi (monitor) affiche les questions réelles et les commentaires soumis par les utilisateurs, ce qui vous permet d'intégrer les nouvelles lacunes dans le benchmark au fur et à mesure de votre progression.
Une fois votre premier cas d'usage opérationnel, vous pouvez ajouter d'autres sources de connaissances et de données, chaque extension s'appuyant sur une version déjà testée. L'agent de données d'opportunités de vente (Sales Opportunity Data) pourrait évoluer, passant de l'identification des risques du pipeline à la rédaction de résumés de transactions ou à la réponse à des questions sur les taux de réussite par segment. L'agent de gestion logistique (Logistics Management) pourrait s'étendre du signalement des retards à la recommandation d'itinéraires alternatifs ou au suivi des performances des transporteurs au fil du temps. L'agent de recherche de gamme de produits (Product Line Lookup) pourrait passer de la réponse aux questions du catalogue à la comparaison de produits ou au signalement des lacunes dans la documentation.
Parmi les bons points de départ, citons la réponse aux questions d'une FAQ produit, l'enquête sur un type courant d'incident de production, l'explication des variations de coûts cloud ou la surveillance d'un ensemble défini de pipelines de données. Le point commun entre les cas d'usage et les départements est que chaque agent commence par une tâche bien précise.
La création d'un agent à partir d'un seul prompt ne remplace pas la documentation ni l'expertise métier. Elle donne simplement aux équipes un moyen plus rapide de transformer ces investissements en un service en libre-accès pour les utilisateurs. Plus les bases sont solides, meilleur est l'agent. La sémantique organisée de Unity Catalog, telle que les vues de métriques, les domaines et les certifications, est ce sur quoi le prompt s'appuie réellement pour produire des réponses cohérentes et fiables.
Le prompt lance le processus, mais la qualité de l'agent dépend toujours des connaissances et des systèmes qui le soutiennent. C'est là que les responsables des données et de l'IT font la différence : l'investissement consacré à un contexte gouverné et bien défini est ce qui se traduit directement par la qualité de l'agent.
Les agents efficaces commencent par un besoin métier clair et le contexte de confiance nécessaire pour y répondre.
Le moyen le plus rapide de le constater est de commencer par un cas d'usage ciblé. Par exemple :
Les Genie Agents permettent de transformer des données, des documents et des flux de travail existants en un agent spécialisé à partir d'un seul prompt, puis d'en définir le périmètre, de l'évaluer par benchmark et de l'étendre au fil du temps.
(Cet article de blog a été traduit à l'aide d'outils basés sur l'intelligence artificielle) Article original
Abonnez-vous à notre blog et recevez les derniers articles directement dans votre boîte mail.