Note :

Créez un agent d'IA avec un serveur de protocole de communication multiagent pour la résolution des factures

Présentation

Les entreprises qui traitent un grand volume de produits - tels que les distributeurs, les industries et les chaînes de vente au détail - sont souvent confrontées au défi d'identifier des produits basés sur des descriptions textuelles inexactes, incomplètes ou variées. Dans les environnements où les données sont entrées manuellement, les fautes de frappe, les abréviations et les différents noms commerciaux peuvent rendre difficile l'identification correcte des éléments dans des systèmes tels que Enterprise Resource Planning (ERP), Customer Relationship Management (CRM) et les plateformes de commerce électronique.

Dans ce scénario, il existe un besoin commun d'outils qui peuvent :

Dans ce tutoriel, nous allons apprendre à créer un agent IA spécialisé dans la résolution des incohérences dans les factures de retour client. L'agent peut interagir avec un serveur MCP qui fournit des outils de recherche vectorielle et d'extraction de factures, ce qui permet à l'agent de trouver automatiquement la facture de comptes clients d'origine de la société en fonction des informations fournies par le client.

Un serveur MCP (protocole de contexte de modèle) est un composant logiciel responsable de la médiation de la communication entre des agents intelligents et des services externes au moyen d'un protocole normalisé de messages et d'outils. Il sert de pont entre les modèles de langage (LLM) et les API existantes, ce qui permet aux agents d'IA d'accéder à des fonctionnalités spécifiques des systèmes existants sans avoir à les réécrire ou les adapter directement.

Comment cela fonctionne-t-il?

Le serveur MCP :

Utilisation avec les applications existantes

Les applications existantes fournissent souvent déjà des fonctionnalités au moyen de bases de données, de fichiers ou d'API internes. Avec un serveur MCP, vous pouvez :

Avantages

Cet agent est basé sur un modèle de langage d'IA générative pour Oracle Cloud Infrastructure (OCI) et s'intègre aux outils déclarés dynamiquement gérés par un serveur MCP.

Avec l'intégration de ces deux composants, le système active un agent basé sur Oracle LLM :

Cette conception modulaire permet une réutilisation et une évolution facile du système vers des domaines autres que les factures.

Objectifs

Conditions requises

Installez requirements.txt avec :

pip install -r requirements.txt

Tâche 1 : Créer une base de données Oracle Database 23ai (toujours gratuite)

Dans cette tâche, nous allons apprendre à provisionner une base de données Oracle Database 23ai en mode Toujours gratuit. Cette version offre un environnement entièrement géré, idéal pour le développement, les tests et l'apprentissage, sans frais supplémentaires.

  1. Connectez-vous à la console OCI, naviguez jusqu'à Oracle Database, Autonomous Database et cliquez sur Créer une instance Autonomous Database.

  2. Entrez les informations suivantes .

    • Nom de la base de données : Entrez un nom d'identification pour votre instance.
    • Type de charge de travail : Sélectionnez Entrepôt de données ou Traitement des transactions, selon vos besoins.
    • Compartiment : Sélectionnez un compartiment approprié pour organiser vos ressources.

  3. Sélectionnez Toujours gratuit pour vous assurer que l'instance est provisionnée gratuitement.

  4. Créez un mot de passe sécurisé pour l'utilisateur ADMIN, qui sera utilisé pour accéder à la base de données.

  5. Vérifiez les paramètres et cliquez sur Créer une base de données Autonomous Database. Attendez quelques minutes que l'instance soit provisionnée et disponible pour utilisation.

Tâche 2 : Exécuter le script de création de table Autonomous Database

Préparez la base de données pour notre cas d'utilisation. Téléchargez et exécutez le script SQL à partir d'ici : script.sql qui crée trois tables essentielles (PRODUCTS, INVOICE et ITEM_INVOICE) pour le scénario de rapprochement des factures avec les agents IA.

  1. Allez à la console OCI, naviguez jusqu'à Oracle Database, Autonomous Database et cliquez sur le nom de l'instance nouvellement créée.

  2. Cliquez sur Database Actions et sur SQL pour ouvrir la console SQL dans le navigateur.

  3. Téléchargez et ouvrez le fichier script.sql localement et collez tout le contenu dans l'éditeur de console SQL.

  4. Cliquez sur Exécuter ou appuyez sur Ctrl + Entrée. Attendez la confirmation que les commandes ont été exécutées avec succès.

  5. Exécutez les commandes suivantes pour vérifier que les tables ont été créées.

    SELECT table_name FROM user_tables;

Tâche 3 : Insérer des exemples de données dans des tables

Insérez des données fictives qui simuleront un scénario réel pour l'application des agents d'IA. Nous utiliserons deux scripts SQL :

Ces données seront utilisées par les agents d'IA pour résoudre les incohérences dans les factures de retour.

  1. Allez à la console OCI, naviguez jusqu'à Oracle Database, Autonomous Database et cliquez sur le nom de l'instance nouvellement créée.

  2. Cliquez sur Database Actions et sur SQL pour ouvrir la console SQL dans le navigateur.

  3. Téléchargez et ouvrez le contenu du fichier insert_products_books.sql et collez-le dans l'éditeur SQL.

  4. Cliquez sur Exécuter ou appuyez sur Ctrl + Entrée.

  5. Maintenant, téléchargez et ouvrez le contenu du fichier invoice_data_insert.sql et collez-le dans l'éditeur.

  6. Cliquez sur Exécuter ou appuyez sur Ctrl + Entrée.

  7. Exécutez la commande suivante pour vérifier les données.

    SELECT * FROM PRODUCTS;
SELECT * FROM INVOICE;
SELECT * FROM ITEM_INVOICE;

Tâche 4 : Créer et compiler la fonction de recherche avancée dans la base de données

Créez une fonction PL/SQL nommée fn_advanced_search, qui effectue des recherches intelligentes de mots clés dans les descriptions de produit. Cette fonction sera utilisée par les agents d'IA dans le cadre de l'outil resolve_ean, leur permettant de trouver le code EAN le plus proche en fonction de la description fournie par un client sur la note de retour.

Que fait la fonction?

Voici la marche à suivre :

  1. Copiez et collez le script complet similarity_search.sql dans la console SQL de la base de données autonome.

    Il s'agit notamment des éléments suivants :

    • Création de la table products (si ce n'est pas déjà fait).
    • Création d'un index de texte.
    • Types product_result et product_result_tab.
    • Fonction fn_advanced_search.
    • Tests facultatifs.

  2. Exécutez le script complet. Le résultat doit être Function created et Type created.

  3. Exécutez l'interrogation suivante pour tester la fonction avec des descriptions simulées.

    SELECT *
FROM TABLE(fn_advanced_search('harry poter askaban'))
ORDER BY similarity DESC;

Tâche 5 : Vectoriser les produits pour la recherche sémantique avec l'intelligence artificielle

Dans cette tâche, nous allons compléter la recherche SQL avancée par une nouvelle approche basée sur des vecteurs sémantiques. Cela sera particulièrement utile pour les agents d'IA qui utilisent des intégrations (représentations numériques d'expressions) pour comparer la similarité entre les descriptions de produits - de manière plus flexible et intelligente que les recherches verbales ou phonétiques.

Pour ce faire, nous utiliserons le script Python (process_vector_products.py), qui se connecte à la base de données Oracle, extrait les produits de la table PRODUCTS, transforme leurs descriptions en vecteurs (intégrations) et crée un index vectoriel à l'aide de la base de données Oracle elle-même.

Que fait le script?

Note : Les plongements sont convertis en octets avec np.float32.tobytes() à stocker en tant que BLOB. Pour extraire les vecteurs, utilisez np.frombuffer(blob, dtype=np.float32).

Ce format permet d'effectuer des recherches de similarité futures directement à l'aide de SQL ou en chargeant les vecteurs de la base de données pour les opérations avec np.dot, cosine_similarity ou l'intégration aux LLM.

Ce script génère des plongements sémantiques pour les produits et écrit ces vecteurs dans la base de données Oracle 23ai. Les principaux points sont mis en évidence ci-après :

Exécuter le script :

N'oubliez pas qu'Oracle Wallet doit être téléchargé et configuré. Exécutez-le dans le terminal.

python process_vector_products.py

Terminé. Les produits de la base de données ont été vectorisés.

Pourquoi est-ce important?

La recherche vectorielle est très efficace pour trouver des produits même lorsque la description est subjective, imprécise ou en langage naturel.

Comprendre le code : Agent LLM avec serveur MCP

Ce projet est composé de 3 composantes principales :

Comprendre les fonctionnalités de chaque composant et mettre en évidence en détail les parties les plus importantes du code.

Tâche 6 : Configurer le modèle et les intégrations dans l'agent MCP

Configurons le modèle de langage et les intégrations utilisés par l'agent conversationnel en fonction du protocole MCP, à l'aide des services d'intelligence artificielle générative pour OCI.

  1. Configurez le modèle de langue (LLM).

    Le modèle linguistique est chargé d'interpréter les messages, de générer des réponses et d'agir comme le cerveau principal de l'agent.

    • Configurez le fichier main.py.

      from langchain_community.chat_models.oci_generative_ai import ChatOCIGenAI

llm = ChatOCIGenAI(
    model_id="cohere.command-r-08-2024",
    service_endpoint="https://inference.generativeai.us-chicago-1.oci.oraclecloud.com",
    compartment_id="ocid1.compartment.oc1..aaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaa",
    auth_profile="DEFAULT",
    model_kwargs={"temperature": 0.1, "top_p": 0.75, "max_tokens": 2000}
)
      Paramètre Description
      model_id ID modèle d'IA générative, par exemple cohere.command-r-08-2024
      service_endpoint Point d'extrémité régional du service d'intelligence artificielle générative
      compartment_id OCID du compartiment OCI
      auth_profile Nom du profil configuré dans le fichier ~/.oci/config
      model_kwargs Température, top-p et taille de réponse

    • Liste des modèles disponibles.

      • À l'aide de l'interface de ligne de commande OCI :

        oci generative-ai model list --compartment-id <seu_compartment_id>

      • À l'aide de la trousse SDK Python :

        from oci.generative_ai import GenerativeAiClient
from oci.config import from_file

config = from_file(profile_name="DEFAULT")
client = GenerativeAiClient(config)

models = client.list_models(compartment_id=config["compartment_id"])
for model in models.data:
    print(model.display_name, model.model_id)

  2. Configurer les plongements pour la recherche sémantique.

    La recherche de produits similaires ou d'informations contextuelles dépend des plongements vectoriels.

    Exemple d'utilisation dans l'agent :

    @mcp.tool()
def search_vectorized_product(description: str) -> dict:
    """
        Searches for a product by description using embeddings.
    """
    return sercher.search_similar_products(description)

    Modifiez les paramètres (product_search.py) comme indiqué ci-dessous :

    
class SimilarProductSearch:
    def __init__(
            self,
            top_k=5,
            minimum_distance=1.0,
            model_id="cohere.embed-english-light-v3.0",
            service_endpoint="https://inference.generativeai.us-chicago-1.oci.oraclecloud.com",
            compartment_id="ocid1.compartment.oc1..aaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaa",
            auth_profile="DEFAULT",
            wallet_path="/WALLET_PATH/Wallet_oradb23ai",
            db_alias="oradb23ai_high",
            username="USER",
            password="Password"
    ):
    Paramètre Description
    top_k Nombre de suggestions retournées.
    minimum_distance Distance maximale pour tenir compte du résultat pertinent.
    model_id ID du modèle d'intégration dans OCI (par exemple, cohere.embed-english-light-v3.0).
    service_endpoint Point d'extrémité régional du service d'intelligence artificielle générative pour OCI.
    compartment_id OCID du compartiment.
    auth_profile Nom du profil dans le fichier ~/.oci/config.
    wallet_path Chemin d'accès au portefeuille Oracle Database 23ai.
    db_alias Alias de base de données.
    username Utilisateur de base de données.
    password Mot de passe de base de données.

    Configurez le serveur MCP :

    Comme vous l'avez fait lors de l'exécution du code process_vector_products.py, vous devrez configurer Oracle Wallet pour la base de données Oracle Database 23ai.

    Modifiez les paramètres en fonction de vos paramètres :

    import os

# Oracle Wallet settings
WALLET_PATH = "/path/to/Wallet"
DB_ALIAS = "oradb23ai_high"
USERNAME = "admin"
PASSWORD = "..."

# Define the environment variable required for the Oracle client
os.environ["TNS_ADMIN"] = WALLET_PATH

    Ensuite, exécutez process_vector_products.py pour vectoriser les produits dans Oracle Database 23ai.

    python process_vector_products.py

Avec cela, le modèle de LLM et les intégrations sont prêts à être utilisés par l'agent MCP avec LangGraph et LangChain.

  1. Exécutez le fichier main.py à l'aide de la commande suivante.

    python main.py

  2. Lorsque l'invite You (Vous) : s'affiche, entrez l'énoncé suivant.

    { "customer": "Customer 108",  "description": "Harry Poter askaban", "price": 82.26, "location": "SP"}

    Note : Le nom du livre Harry Potter et Azkaban est mal orthographié, mais le moteur peut le trouver sans aucun problème.

    img.png

    img_1.png

    Notez que les services ont été exécutés :

    fetch_vectorized_product
resolve_ean
search_invoices_by_criteria

  3. Maintenant, entrez l'instruction suivante.

    { "customer": "Customer 108",  "description": "Harry Poter askaban", "price": 82.26}

    Vous verrez qu'aucun enregistrement de facture n'a été trouvé. En effet, l'emplacement est la clé pour trouver une facture.

    img_2.png

  4. Maintenant, entrez l'instruction suivante.

    { "customer": "Customer 108",  "description": "Harry Poter", "location": "SP"}

    Cette fois, nous entrons dans l'emplacement, mais nous omettons le prix unitaire.

    img_3.png

    Et pourtant la facture a été trouvée. C'est parce que le prix n'est pas fondamental, mais il aide à combler l'écart pour être plus affirmatif.

    Voici quelques exemples de tests :

     { "customer": "Customer 108",  "description": "Harry Poter askaban", "price": 82.26, "location": "SP"}

 { "customer": "Customer 108",  "description": "Harry Poter askaban", "price": 82.26}

 { "customer": "Customer 108",  "description": "Harry Poter askaban", "location": "SP"}

 { "customer": "Customer 108",  "description": "Harry Poter askaban", "price": 82.26, "location": "RJ"}

 { "customer": "Customer 125",  "description": "Harry Potter Chamber", "price": 79.16, "location": "SP"}

 { "customer": "Customer 125",  "description": "Harry Potter Chamber", "price": 79.15, "location": "SP"}

Tâche 8 : Voir l'observabilité avec Phoenix

Entrez http://localhost:6006/ dans votre navigateur pour voir l'observabilité avec Phoenix.

img.png

img.png

img.png

Remerciements

Ressources d'apprentissage supplémentaires

Explorez d'autres laboratoires sur le site docs.oracle.com/learn ou accédez à plus de contenu d'apprentissage gratuit sur le canal Oracle Learning YouTube. De plus, visitez education.oracle.com/learning-explorer pour devenir un explorateur Oracle Learning.

Pour obtenir la documentation sur le produit, visitez Oracle Help Center.