Cas d'utilisation d'IBM watsonx.ai

L'agent d'IA conversationnel s'articule autour d'une architecture d'agent de base et interagit avec IBM Maximo systèmes par le biais du langage naturel. Chaque agent possède un nom spécifique, un objectif défini, des modèles d'invite, un accès à des outils externes et est alimenté par un modèle de langage large (LLM) via LangGraph, LangChain et watsonx.ai.
‍

Cette configuration permet aux agents de traiter les entrées en langage naturel d'un utilisateur via un flux de travail structuré, ce qui leur permet de récupérer les données Maximo et d'effectuer des actions telles que la création de nouveaux bons de travail ou le lancement de flux de travail. L'image ci-dessous montre un exemple d'utilisateur demandant des bons de travail avec la priorité 1 le 31 décembre 1998. L'agent superviseur achemine la demande vers l'agent Maximo, qui interroge l'API Maximo. Les résultats sont renvoyés et mis en forme à la fois en langage naturel et en JSON pour que l'utilisateur puisse les consulter, comme indiqué dans la Figure 1.
‍

‍

Structure de l'agent

L'implémentation des cas d'utilisation utilise un système multi-agents construit à l'aide de LangGraph, LangChain et watsonx.ai avec plusieurs agents spécialisés. Chaque agent de base est configuré avec les attributs suivants :

• Nom: Identifiant pour la journalisation et la sélection de l'agent

• Finalité: objectif spécifique à une tâche ou à un domaine (par exemple, récupération d'enregistrements Maximo)

• Promptes: Des modèles pédagogiques pour orienter les réponses du LLM

• LLM: Modèle watsonx.ai connecté qui génère une sortie en langage naturel

• Outils: API ou modules utilitaires que l'agent peut appeler pour effectuer des actions
  ‍

L'agent est également conçu avec des fonctions de base telles que :

• Manipuler la saisie: gère les demandes des utilisateurs et interprète le contexte

• Invocation des outils et routage des réponses en fonction de la logique des agents

‍

Architecture des flux d'agents

‍

1. Entrée: Le système commence par l'agent superviseur qui agit en tant que coordinateur principal
2. Types d'agents
   
   1. Agent superviseur: Coordinateur principal
      
      1. Reçoit les entrées des utilisateurs
      2. Décide quel agent spécialisé doit traiter la demande
      3. Génère une réponse finale
   2. Maximo Agent: Gère les requêtes et les opérations spécifiques à Maximo
      
      1. Traite les demandes liées à Maximo
      2. Utilise les outils Maximo pour des opérations spécifiques
      3. Renvoie les résultats à l'agent superviseur
   3. Agent de base de données vectorielle: Gère les opérations de base de données vectorielles
      
      1. Traite les requêtes liées aux bases de données vectorielles
      2. Utilise des outils de base de données vectorielles pour les opérations
      3. Renvoie les résultats à l'agent superviseur
3. Contrôle du débit
   
   1. L'agent de supervision utilise une fonction de routeur pour déterminer quel agent spécialisé doit traiter la demande
   2. Chaque agent spécialisé a ses propres fonctions pour déterminer s'il doit utiliser ses outils spécifiques
   3. Après utilisation de l'outil, le contrôle revient à l'agent correspondant
   4. Les résultats sont renvoyés à l'agent superviseur pour le traitement final
4. Gestion de l'État
   
   1. Le système conserve les états par le biais du État de l'agent classe
   2. Les États incluent :
      
      1. Entrée de l'utilisateur: demande initiale fournie par l'utilisateur
      2. Décisions du superviseur: La logique utilisée par le Superviseur pour déterminer quel agent spécialisé doit gérer la tâche
      3. Charge utile maximale: données structurées envoyées ou reçues des API Maximo
      4. Appels d'outils: exécution de fonctions externes ou d'API déclenchées par un agent pour effectuer une tâche
      5. Réponses des agents: Les sorties ou messages intermédiaires générés par les agents spécialisés
      6. Réponse finale: La réponse complète et accessible à l'utilisateur par le superviseur
      7. Chaîne de mémoire: Contexte enregistré des interactions précédentes pour maintenir la continuité
5. Point de sortie: L'agent superviseur est également le point final car il génère la réponse finale en fonction des résultats des agents spécialisés

‍

L'architecture permet une gestion modulaire de différents types de demandes, sépare clairement les fonctionnalités entre les différents agents, met en œuvre un routage flexible des demandes en fonction de leur nature et une coordination centralisée via l'agent superviseur.

‍

Exploration d'idées de cas d'utilisation

Dans la démo avec IBM, aucun cas d'utilisation complet n'a été implémenté au-delà de celui décrit dans ce document. Cependant, les idées suivantes ont été discutées :

• Récupération des bons de travail : Les utilisateurs peuvent interroger l'agent sur des ordres de travail spécifiques dans Maximo, et l'agent peut récupérer et résumer les informations pertinentes via des appels d'API
• Création de bons de travail/Exécution du flux de travail : L'agent pourrait guider les utilisateurs tout au long du processus de création d'un nouveau bon de travail ou de déclenchement de flux de travail prédéfinis, en utilisant la saisie en langage naturel
• Assistance à l'inspection visuelle : Possibilité d'intégration à Maximo Visual Inspection (MVI) et à des outils mobiles pour évaluer les dommages aux actifs par le biais d'images ou de vidéos

‍

Ce cas d'utilisation montre comment l'IA conversationnelle peut rendre le travail avec Maximo beaucoup plus facile et intuitif. En utilisant le langage naturel, les utilisateurs peuvent demander à l'agent de rechercher ou de gérer des ordres de travail sans avoir à comprendre des systèmes ou des processus techniques complexes. Dans les coulisses, l'agent est composé de différents « agents auxiliaires », chacun ayant un rôle spécifique, qui travaillent ensemble pour comprendre la demande, récupérer les données de Maximo et renvoyer des réponses claires et concises. L'agent superviseur agit comme un chef d'équipe, s'assurant que le bon agent gère la tâche, puis organise la réponse finale.

‍

L'exemple actuel se concentre sur la récupération des bons de travail en fonction de critères spécifiques, mais la même configuration peut être étendue pour faire bien plus encore, comme créer des bons de travail, démarrer des flux de travail ou même analyser des images à partir de Visual Inspection. Cette approche montre comment des outils d'IA avancés tels que watsonx.ai peuvent simplifier les flux de travail complexes et aider les équipes à interagir avec les systèmes de l'entreprise de manière plus naturelle et plus efficace.