Churn : un pipeline scikit-learn relié à un agent LLM Groq

Un workflow Python associe prédiction de l’attrition client et actions automatisées. Le modèle, entraîné sur un jeu synthétique de 500 clients, atteint 91,0 % de précision sur l’ensemble de test avant de déléguer des décisions à un agent motorisé par un LLM accessible via Groq. L’ensemble est exécutable gratuitement dans Google Colab ou en local, avec des outils d’intervention simulés comme l’envoi de remises ou l’escalade vers un humain.

L’agent déclenche deux actions simulées pour la rétention

Deux fonctions servent d’outils que l’agent est autorisé à activer. Les actions sont simulées par des messages paramétrés : l’une renvoie l’envoi d’un code de réduction de 20 % au client ciblé, l’autre indique l’escalade du dossier vers un agent humain pour un suivi. Le tutoriel précise que le cœur cognitif de l’agent porte le raisonnement et l’exécution. L’agent s’appuie sur un modèle de langage accessible via la bibliothèque Groq pour interpréter les prédictions et sélectionner une action. Une classe dédiée à la cognition est amorcée dans la suite du code pour orchestrer cet enchaînement.

Le modèle est entraîné sur 400 enregistrements et affiche 91,0 %

Le jeu de données est divisé en apprentissage et test avec un test_size de 0,2 et un random_state de 42. Le classificateur retenu est une forêt aléatoire paramétrée avec 50 estimateurs, une profondeur maximale de 5 et la même graine aléatoire. Après entraînement sur 400 enregistrements, la précision mesurée sur l’ensemble de test atteint 91,0 %. Le guide considère ce niveau suffisant pour passer à l’intégration de l’agent.

Un jeu synthétique de 500 clients, deux variables et un seuil à 0,5

Le dataset comprend 500 clients, chacun décrit par deux variables explicatives et une cible binaire d’attrition. Les deux caractéristiques sont la dépense mensuelle et le nombre de tickets de support émis par le client, avec ajout de bruit aléatoire pour plus de réalisme. La génération fixe la graine à 42 et n_samples à 500. Les dépenses suivent une loi uniforme entre 10 et 150, tandis que les tickets obéissent à une loi de Poisson de moyenne 1,5. Le risque de churn de base augmente de 0,15 par ticket, s’accroît de 0,3 si la dépense est inférieure à 30 et décroît de 0,2 si elle dépasse 100. Un bruit gaussien de moyenne 0 et d’écart-type 0,1 est ajouté, puis la valeur est bornée entre 0 et 1. La cible vaut 1 si ce risque excède 0,5 (0 signale la conservation, 1 l’attrition). La matrice X assemble en colonnes dépense et tickets.

Exécuter gratuitement sous Colab ou Jupyter et configurer Groq

L’ensemble peut s’exécuter gratuitement dans Google Colab ou en local dans Jupyter, sous réserve d’installer et d’importer les bibliothèques nécessaires. Dans Colab, le guide indique que groq peut être la seule dépendance à ajouter, via la commande d’installation fournie. Les imports incluent numpy, RandomForestClassifier et train_test_split de scikit-learn, ainsi que Groq. L’accès au LLM via Groq requiert une clé API : l’utilisateur doit en générer une, l’intégrer au notebook ou à Colab, puis la stocker dans la section Secrets sous le nom GROQ_API_KEY. Le code illustre l’injection de ce secret dans les variables d’environnement en important os et userdata depuis google.colab et en affectant la valeur correspondante à GROQ_API_KEY.

Relier un modèle prédictif à un agent LLM pour agir

Le tutoriel a pour objectif de combiner un pipeline d’apprentissage automatique classique et un système d’IA agentique afin de créer un flux de rétention autonome. Il montre comment entraîner avec scikit-learn un modèle prédictif, puis transmettre ses résultats à un agent outillé et piloté par un LLM pour en déduire et exécuter des actions. L’approche revendique le passage d’une chaîne de traitement essentiellement réactive à un dispositif capable de raisonner et d’agir avec un guidage humain limité. Le chaînage est réalisé dans une application Python unique, l’agent accédant à un LLM via la bibliothèque Groq.