05 · Syner-IA · interne
Concevoir un workflow d'IA agentique exploitable en production
Lead technique sur un système combinant agents autonomes, chaîne NLP et API GPT, conçu dès le départ pour être supervisé.
- Traitement découpé en étapes inspectables plutôt qu'un prompt unique
- Sorties du modèle contrôlées avant intégration
- Orchestration déterministe, modèle cantonné aux tâches linguistiques
Le point de départ était une masse de commentaires clients en texte libre, arrivant en continu. Tout le monde savait qu'il y avait de l'information dedans ; personne ne les lisait. J'étais lead technique : roadmap, répartition des tâches et arbitrages d'architecture.
Le choix structurant : découper
La tentation était de tout confier à un seul appel de modèle : classification, sentiment et détection d'irritants d'un coup. Ça fonctionne, et ça donne une démonstration convaincante.
Le problème apparaît quand une sortie est mauvaise : impossible de savoir quelle partie a échoué. On se retrouve à modifier un prompt long en espérant que ça aille mieux, sans rien pouvoir mesurer.
J'ai donc découpé le traitement en étapes distinctes, chacune produisant un dataset inspectable. Ça coûte plus d'appels et un peu de latence. En échange, on peut localiser une erreur et mesurer l'effet d'une modification sur une seule étape.
Traiter les sorties du modèle comme des données douteuses
Chaque sortie passe des contrôles avant intégration : format attendu, valeurs appartenant à un référentiel connu, cohérence entre le sentiment détecté et la catégorie attribuée. Une sortie qui échoue est isolée, pas silencieusement absorbée par la suite du pipeline.
Un modèle qui se trompe franchement ne pose pas de problème : on le voit. Le risque, c'est la sortie plausible et fausse, qui traverse tout le pipeline sans rien déclencher.
Le rôle des agents
Les agents orchestrent ces étapes : ils déterminent quelles analyses lancer selon le contenu reçu et relancent une étape dont la sortie n'a pas passé les contrôles. L'API GPT intervient sur les tâches linguistiques, jamais sur l'orchestration — décision délibérée, parce qu'un enchaînement décidé par un modèle est beaucoup plus difficile à déboguer.
Résultat
Workflow livré dans les délais, avec un dashboard exploitable par les équipes métier et une traçabilité complète. Il a été conçu dès l'origine pour être supervisé comme n'importe quel autre traitement de production, pas adapté après coup.