Remarques :

Développement d'un outil d'agent AI simple à l'aide des API REST et Oracle Cloud Infrastructure Generative AI

Introduction

L'utilisation des grands modèles de langage (LLM) a révolutionné la façon dont nous interagissons avec les systèmes et les processus métier. Grâce à la capacité de comprendre le langage naturel et de s'intégrer aux services hérités, ces modèles rendent les applications plus intelligentes et efficaces.

Ce matériel vise à démontrer, à travers un exemple pratique, comment les concepts de LLM peuvent être appliqués pour optimiser les intégrations avec des systèmes hérités. En utilisant des agents d'IA, il est possible de réduire considérablement la complexité de la consommation d'API, ce qui rend l'automatisation des processus plus flexible et accessible.

Tout au long du document, des scénarios communs seront présentés dans lesquels l'application d'agents d'IA peut simplifier les opérations commerciales, réduisant ainsi le besoin de configuration manuelle et facilitant la communication entre différents systèmes.

Utilisez des modèles de LLM pour comprendre les processus métier et l'exécution directe pour les services hérités. La compréhension est possible grâce à l'inclusion du contexte, ce qui facilite et accélère considérablement la construction des applications. Les modèles LLM utilisent le langage naturel, y compris la traduction dans plusieurs autres langues.

Le tutoriel suivant montrera comment créer une application simple basée sur un héritage. Lorsqu'il existe un héritage d'API, l'utilisation d'agents d'IA permet des intégrations puissantes. L'application de concepts de LLM aux agents d'IA permet souvent de résoudre des problèmes complexes de consommation d'API. Sans l'IA, une API nécessite beaucoup de travail pour l'intégration, car elle implique de connaître tous les attributs d'entrée et de sortie

Objectifs

Tâche 1 : télécharger et comprendre le code

Téléchargez le code à partir de cette page : agent_ocigenai.py.

Le code est divisé en cinq modules :

Services de persistance de base de données simple : le code définit la création d'une base de données simple pour l'insertion, la suppression, l'interrogation et la synthèse de l'ordre.

Définition de service : le code définit plusieurs services, tels que insert_order, delete_order, search_order, order_cost et delivery_address. Ces services sont décorés avec le décorateur @tool, ce qui indique qu'ils peuvent être appelés par l'agent conversationnel.

Définition du modèle de langue : le code utilise le modèle de langue ChatOCIGenAI pour générer des réponses aux questions utilisateur.

Définition d'agent conversationnel : le code crée un agent conversationnel à l'aide de la fonction create_tool_calling_agent de LangChain, en transmettant comme paramètres le modèle de langage, les services définis et un modèle d'invite.

Boucle conversationnelle : le code entre dans une boucle sans fin, où il attend la saisie utilisateur et traite les réponses à l'aide de l'agent conversationnel.

Dans chaque définition de service, il est possible de déterminer un contexte spécifique afin que, lors de l'envoi d'une demande en langage naturel, la bibliothèque puisse interpréter ce qui a été demandé et déterminer le service approprié à exécuter.

La bibliothèque langchain_core.tools comprend la portée du travail en associant les contextes et les services disponibles pour utilisation. Pour ce faire, utilisez la déclaration illustrée dans l'image suivante.

img.png

Un autre point intéressant à propos de la bibliothèque langchain_core.tools est que les attributs de signature de service sont également interprétés, c'est-à-dire que la bibliothèque elle-même détermine comment transmettre la demande en langage naturel et définir les attributs des paramètres du service en question. Cela est déjà très impressionnant en soi, car il réduit considérablement la charge d'implémentation des intégrations. Dans le modèle d'intégration traditionnel, il reste du temps à consacrer à la définition de FROM-TO entre la source et la destination de ces intégrations. C'est un effort très raisonnable. Dans le modèle AI d'agent, c'est via le contexte que les attributs sont transmis, c'est-à-dire que la bibliothèque peut déterminer ce qu'est chaque paramètre et le transmettre au service de la bonne manière.

img.png

Tâche 2 : modifier le code

Vous pouvez tester et modifier le code à vos fins. Le service nommé delivery_address a été implémenté en appelant une API REST. Dans cet exemple, vous pouvez tester le code et remplacer la demande REST réelle par une fausse demande.

  1. Mettez en commentaire le code suivant en plaçant # dans les lignes.

    img_2.png

    img_3.png

  2. Annulez la mise en commentaire du code suivant.

    img_3.png

Vous pouvez intégrer votre propre API à l'aide des ressources OCI. Vous pouvez utiliser :

img.png

Vous pouvez également procéder à une intégration avec des ressources sur site ou d'autres ressources cloud.

Tâche 3 : configuration du code

  1. Ce code python a besoin de bibliothèques. Vous devez donc télécharger le fichier requirements.txt. Ce fichier contient les bibliothèques.

  2. Exécutez la commande suivante pour installer les bibliothèques.

    pip install -r requirements.txt

  3. Vous devez configurer l'interface de ligne de commande Oracle Cloud Infrastructure (interface de ligne de commande OCI) et créer un lien avec votre location. Pour installer et configurer, reportez-vous à Installation de l'interface de ligne de commande OCI.

  4. Configurez un compartiment pour stocker vos ressources pour OCI Generative AI. Mettez à jour compartment_id et conservez auth_profile en tant que DEFAULT.

    img_5.png

Tâche 4 : exécution du code

Exécutez le code à l'aide de la commande suivante.

python agent_ocigenai.py

img_4.png

Scénarios pour les agents AI

Il existe plusieurs scénarios pour l'intégration à plusieurs API REST et l'utilisation de l'IA par les agents. Les complexités entre la mise en correspondance des informations métier et des API disponibles sont nombreuses. Cela est très courant dans plusieurs situations d'entreprise. Voici quelques exemples où un agent AI peut faciliter cette tâche :

  1. Automatisation des processus financiers (ERP et banques)

    • Scénario : les entreprises doivent s'intégrer à plusieurs banques pour obtenir des relevés, générer des bordereaux de paiement, traiter les paiements et valider les informations fiscales.
    • Défis : chaque banque dispose de sa propre API, avec des paramètres spécifiques pour les paiements, PIX, les transferts et le rapprochement financier.
    • Comment les agents AI aident : ils peuvent interpréter des demandes telles que Payer la facture pour le fournisseur X et rediriger vers l'API bancaire appropriée avec les paramètres requis.

  2. Order Management et logistique (e-commerce, ERP, WMS)

    • Scénario : un commerce électronique doit orchestrer les commandes, mettre à jour les stocks et demander des transporteurs pour différents types de livraison.
    • Défis : les API de transporteur varient (Post Office, FedEx, DHL, opérateurs locaux), ce qui nécessite des formats de demande spécifiques.
    • Comment les agents AI aident : ils peuvent traduire des demandes telles que Expédier cette commande via le transporteur le moins cher et sélectionner automatiquement le bon service.

  3. Service client et service d'assistance

    • Scénario : les entreprises ayant des CRM comme Siebel, Oracle CX, ServiceNow doivent intégrer les demandes des clients avec différentes API.
    • Défis : chaque système dispose de différentes adresses pour la création de tickets, la mise à jour des statuts, l'extraction des informations client et le suivi de l'historique.
    • Comment les agents AI aident-ils : ils peuvent comprendre des demandes telles que Afficher les derniers appels du client X et appeler l'API CRM appropriée.

  4. Intégration des RH et de la paie

    • Scénario : les systèmes RH doivent synchroniser la paie, les avantages sociaux et l'intégration entre plusieurs fournisseurs et ERP.
    • Défis : les API de gestion des avantages sociaux, de la paie et des talents ont des paramètres réglementaires et des validations différents.
    • Comment les agents d'IA aident : ils peuvent interpréter des commandes telles que Admettre de nouveaux employés à la paie et les traduire en appels appropriés vers les bonnes API.

  5. Surveillance de l'infrastructure et de la sécurité (SIEM et ITSM)

    • Scénario : les grandes entreprises utilisent plusieurs systèmes de surveillance (Splunk, Datadog, ServiceNow, Zabbix) pour suivre les incidents et les anomalies.
    • Défis : chaque outil dispose d'une API différente pour les alertes, les journaux et les réponses automatisées.
    • Aide des agents AI : ils peuvent interpréter des commandes telles que répertorier les dernières alertes critiques et ouvrir un ticket dans ServiceNow.

  6. Gestion des contrats et signatures numériques

    • Scénario : les entreprises utilisent des services tels que DocuSign et Adobe Sign pour gérer les contrats et les signatures.
    • Défis : chaque service a des exigences différentes pour l'envoi de documents, la validation de signatures et le suivi du statut.
    • Aide apportée par les agents AI : ils peuvent recevoir une demande telle que Envoyer ce contrat au client X pour signature et m'avertir lorsqu'il est signé, puis le diriger vers l'API appropriée.

  7. Gestion des soins de santé et dossiers médicaux électroniques (HIS, PACS, LIS, ERP)

    • Scénario : les hôpitaux et les cliniques utilisent différents systèmes pour stocker les informations sur les patients, les tests de laboratoire et les images médicales.
    • Défis : les API de systèmes tels que Tasy (Philips), MV, Epic et PACS (fichiers d'image DICOM) ont des formats de demande différents.
    • Comment les agents d'IA aident : ils peuvent interpréter des commandes telles que Extraire le dernier test sanguin du patient John Smith et l'associer au dossier médical, appelant automatiquement les API appropriées.

  8. Télécommunications (Support technique et fourniture de services)

    • Scénario : les opérateurs de télécommunications offrent des services téléphoniques, Internet et télévisuels et doivent intégrer plusieurs systèmes de facturation, de CRM et de surveillance réseau.
    • Défis : chaque opération (par exemple, ouverture d'appels, modification de plans, vérification de la consommation) implique différentes API propres à chaque service.
    • Comment les agents AI aident : ils peuvent comprendre que je veux augmenter mon allocation Internet à 500 Mo et déclencher l'API appropriée pour mettre à niveau le plan.

  9. Automatisation des assurances (demandes et émission de police)

    • Scénario : les compagnies d'assurance doivent intégrer des API pour l'établissement de devis, l'émission de polices et les réclamations.
    • Défis : chaque compagnie d'assurance dispose de sa propre API et les paramètres varient en fonction du type d'assurance (véhicule, santé, domicile).
    • Comment les agents d'IA aident : ils peuvent traduire une demande telle que Inscrire une réclamation pour la voiture du client Pedro Souza, avec un impact secondaire en appels automatiques vers les bonnes API.

  10. Commerce extérieur et dédouanement

    • Scénario : les entreprises qui importent/exportent doivent traiter avec les API IRS, les transporteurs internationaux et les systèmes de contrôle douanier.
    • Défis : chaque pays a des règles et des formats différents pour la documentation (DU-E, DI, Facture, Liste de colisage).
    • Comment les agents d'IA aident : ils peuvent interpréter Suivre la libération de la cargaison X au port de Santos et la traduire en demandes dans l'API de l'IRS et des transporteurs.

  11. Gestion d'hôtel et réservation en ligne

    • Scénario : les hôtels doivent s'intégrer à des plates-formes telles que Booking, Expedia et Airbnb pour gérer les réservations et la disponibilité des chambres.
    • Défis : chaque plate-forme dispose de règles différentes pour les annulations, les ajustements de taux et les temps de réponse.
    • Comment les agents AI aident : ils peuvent comprendre Ajuster le tarif à 400 R$ le vendredi et bloquer les réservations pour lundi et appeler les API correctes.

  12. Automatisation du marketing et campagnes publicitaires

    • Scénario : les entreprises utilisent des outils tels que Meta Ads, Google Ads, HubSpot et RD Station pour les campagnes numériques.
    • Défis : La création de campagnes, la segmentation des audiences et l'analyse des métriques nécessitent une intégration avec plusieurs API.
    • Comment les agents d'IA aident : ils peuvent interpréter Créer une annonce sur Facebook pour le public de 25 à 40 ans intéressé par la technologie, avec un budget de 500 R$ et configurer la campagne automatiquement.

  13. Supply Chain and Inventory Management

    • Scénario : Les grandes chaînes de vente au détail doivent surveiller les stocks en temps réel et prévoir le réapprovisionnement automatique.
    • Défis : les systèmes ERP, WMS et fournisseur disposent d'API distinctes pour la prévision des demandes de produits et de la demande.
    • Comment les agents d'IA aident : ils peuvent comprendre Réapprovisionner le produit X lorsqu'il atteint 10 unités et déclencher les API appropriées.

  14. Intégration des chatbots et du service omnicanal

    • Scénario : les entreprises proposent une assistance via WhatsApp, Telegram, email et chatbot, nécessitant de centraliser tout dans le CRM.
    • Défis : API différentes pour chaque canal, avec des règles différentes pour les réponses automatiques et le routage.
    • Comment les agents AI aident : ils peuvent interpréter Transférer cette question de paiement à un préposé humain et rediriger vers le canal approprié.

  15. Gestion de l'énergie et IoT (Smart Grid)

    • Scénario : les compagnies d'électricité utilisent des API pour mesurer la consommation, prévoir la demande et la maintenance préventive.
    • Défis : les systèmes, les capteurs et les distributeurs d'énergie IoT ont des API différentes et réglementées.
    • Aide des agents AI : il peut comprendre Surveiller la consommation de la fabrique X et m'avertir si elle dépasse 100 kWh et configurer des alertes automatiques.

Etapes suivantes

L'adoption d'agents d'IA optimisés par les LLM a démontré un potentiel énorme pour rationaliser l'intégration avec les systèmes hérités. En interprétant les commandes en langage naturel et en traduisant les demandes en appels d'API précis, ces agents réduisent considérablement la complexité de l'automatisation des processus métier.

Les exemples présentés ici démontrent comment cette approche peut être appliquée à une variété d'industries, de la finance et de la logistique au service à la clientèle et au suivi de l'infrastructure. La capacité des agents d'IA à s'adapter dynamiquement à différents services et contextes offre un nouveau niveau de flexibilité et d'efficacité dans la transformation numérique des entreprises.

Alors que les modèles d'IA continuent d'évoluer, ces intégrations devraient devenir encore plus intelligentes, permettant des interactions de plus en plus naturelles et précises entre les utilisateurs et les systèmes. L'avenir de l'automatisation implique la combinaison de l'intelligence artificielle et des API, et les agents d'IA sont la clé de cette nouvelle ère de connectivité numérique.

Remerciements

Ressources de formation supplémentaires

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

Pour obtenir la documentation produit, consultez le site Oracle Help Center.