L'ingénierie de l'IA : une course effrénée vers le futur des graphes

L'évolution rapide de l'ingénierie de l'IA

En 2026, un développeur a posé une question qui a rapidement captivé l'attention de millions de personnes : « Parlons-nous toujours de boucles, ou sommes-nous déjà passés aux graphes ? » Cette interrogation, bien que concise, a généré un intérêt massif, provoquant des débats sur plusieurs définitions et même inspirant une étude fictive qui a circulé largement. Cette question illustre la tendance de l'industrie à renommer fréquemment des concepts, un phénomène observé depuis 2022 avec une régularité presque trimestrielle.

L'ingénierie de l'IA a d'abord été connue sous le nom d'ingénierie des prompts. Puis, elle a évolué vers des termes tels que l'ingénierie des contextes, des outils, des boucles, et plus récemment, des graphes. Entre chaque transition, une phase d'utilisation d'outils et d'agents a été observée. En quatre ans, six appellations ont été utilisées pour décrire ce qui, en essence, reste un travail constant : faire en sorte qu'une machine comprenne et exécute nos intentions.

Ce guide explore ces six appellations, permettant aux novices de suivre chaque étape. La question sous-jacente est de savoir si ces disciplines sont réellement distinctes ou si elles représentent une seule idée évoluant d'une simple phrase à un système complexe. L'idée centrale est que, malgré les changements de nom, l'objectif reste le même : étendre l'unité de travail de la conception d'une phrase à l'ingénierie d'un réseau de programmes interconnectés, ou graphes. À chaque étape, la complexité du travail se déplace du modèle lui-même vers la structure qui l'entoure.

Les six phases de l'évolution

Ingénierie des prompts

L'ingénierie des prompts consiste à formuler des instructions précises pour un modèle afin qu'il exécute la tâche souhaitée. Un prompt est essentiellement le texte que l'on soumet au modèle, et à ce stade, il représente toute l'interaction : les mots en entrée et en sortie. En 2022, avec l'arrivée de ChatGPT, le public a découvert les grands modèles de langage (LLM), des programmes entraînés sur d'énormes volumes de texte pour prédire la suite d'une séquence. Ces modèles, une fois entraînés, ne peuvent pas accéder à de nouvelles informations ni interagir directement avec le monde extérieur.

La formulation du texte est devenue cruciale, car elle détermine la qualité des réponses du modèle. Un exemple célèbre a montré qu'en ajoutant une simple instruction pour raisonner étape par étape, les performances des modèles sur des problèmes d'arithmétique et de logique s'amélioraient considérablement. Cette technique, connue sous le nom de chain of thought prompting, a été développée par Google en 2022. Elle a démontré que le modèle, bien que figé, pouvait produire de meilleures réponses simplement en modifiant la façon dont les questions lui étaient posées.

Des techniques telles que le few-shot prompting, qui consiste à fournir quelques exemples avant la question principale, ou l'assignation d'un rôle pour orienter le ton du modèle, ont émergé. Ces méthodes n'affectent pas le modèle lui-même mais modifient la manière dont les demandes sont formulées. Cette découverte a révélé que le goulet d'étranglement n'était pas seulement le modèle, mais aussi l'interface avec celui-ci. Cela a conduit à la question suivante : si la formulation de la demande peut débloquer autant de capacités, que pourrait-on encore améliorer autour de cette demande ?

Utilisation des outils et agents

Le passage suivant dans l'évolution de l'ingénierie de l'IA n'a pas été marqué par un nom précis ni une date de lancement, ce qui explique pourquoi il est souvent négligé dans les chronologies. Cependant, il représente un changement majeur : le moment où le modèle a commencé à agir au-delà de la simple conversation. En 2023, deux concepts ont émergé simultanément. Le premier est l'utilisation d'outils, ou appel de fonction, qui permet au modèle d'invoquer des capacités externes comme une recherche web, une calculatrice ou une requête de base de données.

Le second concept est celui de l'agent, un modèle intégré dans une boucle où il peut raisonner, agir via un outil, observer les résultats, puis raisonner à nouveau. Ce schéma, connu sous le nom de ReAct (raisonner et agir), a été introduit par des chercheurs en 2022 et a pris de l'ampleur en 2023. Il s'agit d'un processus itératif où le modèle écrit une pensée, choisit une action, observe le résultat et continue ainsi jusqu'à l'accomplissement de la tâche.

Ingénierie des contextes et des boucles

L'évolution a continué avec l'ingénierie des contextes, où l'accent est mis sur la compréhension et la gestion des informations contextuelles entourant une tâche. Cette phase a permis d'améliorer la pertinence des réponses en tenant compte des données environnantes et des précédentes interactions. L'ingénierie des boucles, quant à elle, a introduit des mécanismes permettant au modèle de réévaluer et d'ajuster ses actions en fonction des résultats obtenus, créant ainsi un système plus dynamique et adaptatif.

Ingénierie des graphes

Enfin, l'ingénierie des graphes représente la phase actuelle, où les modèles sont conçus pour interagir au sein de réseaux complexes de programmes interconnectés. Cette approche permet une communication fluide entre différents systèmes, facilitant des tâches plus sophistiquées et intégrées. Les graphes offrent une structure qui permet de gérer efficacement les interactions et les flux de données entre les différents composants d'un système d'IA.

En conclusion, bien que les noms et les approches aient évolué, l'objectif fondamental de l'ingénierie de l'IA reste constant : améliorer l'interaction entre les humains et les machines pour accomplir des tâches de manière plus efficace et intuitive.