🤖 AI

REGAL: A Registry-Driven Architecture for Deterministic Grounding of Agentic AI in Enterprise Telemetry

Le papier présente REGAL, une architecture pilotée par un registre qui assure l'ancrage déterministe des agents IA dans les données de télémétrie d'entreprise en traitant le calcul déterministe comme une primitive de premier ordre et en synthétisant des outils via une couche de compilation déclarative pour garantir la cohérence sémantique et la gouvernance.

Auteurs originaux : Yuvraj Agrawal

Publié 2026-03-04

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Yuvraj Agrawal

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🏗️ Le Problème : L'usine en panne et le robot confus

Imaginez une grande entreprise comme une usine géante. Cette usine produit des millions de petits rapports chaque jour (des "télemétries") : qui a réparé quelle machine, quel camion est en retard, quelle pièce a cassé, etc.

Aujourd'hui, les entreprises veulent utiliser des Intelligences Artificielles (IA) pour aider les humains à comprendre ces rapports et à résoudre les problèmes. C'est comme engager un robot super-intelligent pour analyser l'usine.

Mais il y a trois gros problèmes si on laisse ce robot lire directement les rapports bruts :

Le robot étouffe (Contexte limité) : L'usine produit trop de papiers. Si on donne tout au robot, il ne peut pas tout lire d'un coup. C'est comme essayer de boire l'océan avec une paille.
Le robot ne comprend pas le jargon (Sémantique locale) : Dans l'usine, "P1" veut dire "Urgence absolue", mais pour un robot, ce n'est qu'un mot bizarre. Sans explication claire, le robot invente des choses (des hallucinations).
Le robot se perd quand les règles changent (Dérive des outils) : Les règles de l'usine changent souvent. Si le robot utilise des outils qu'on lui a appris à la main, et que l'usine change ses règles sans prévenir, le robot continue d'utiliser les vieilles règles et fait des erreurs.

🚀 La Solution : REGAL (Le Chef d'Orchestre)

Les auteurs proposent une architecture appelée REGAL. Au lieu de laisser le robot lire les papiers bruts, ils créent un système de filtre et de traduction très rigoureux.

Voici comment cela fonctionne, avec une analogie culinaire :

1. La Cuisine de Base : Le "Gold Artifacts" (L'Or Pur)

Imaginez que les données brutes de l'usine sont des ingrédients crus, sales et en vrac (des légumes non lavés, de la viande brute).

L'approche REGAL dit : "Ne donnons pas les légumes crus au chef (le robot) !"
À la place, on a une cuisine de transformation (le pipeline ELT). Des robots de cuisine déterministes (qui ne font jamais d'erreur) lavent, coupent, cuisinent et transforment ces ingrédients en plats finis, emballés et étiquetés.
Ces plats finis sont appelés "Gold Artifacts". Ils sont propres, réutilisables, et on sait exactement ce qu'ils contiennent.

2. Le Menu Fixe : Le Registre (La Carte du Restaurant)

Au lieu de laisser le client (le robot) commander n'importe quoi dans la cuisine, on lui donne un menu fixe.

Ce menu est généré automatiquement à partir d'un Registre (une liste officielle de tous les plats disponibles).
Si l'usine change une recette, le menu est mis à jour automatiquement. Le robot ne peut commander que ce qui est sur le menu.
Cela empêche le robot de demander des choses impossibles ou dangereuses. C'est ce qu'on appelle une "interface-as-code" (une interface comme du code) : tout est défini par écrit, pas à l'arrache.

3. Le Chef : L'IA (Le Robot)

Maintenant, le robot (l'IA) n'a plus besoin de cuisiner ou de chercher des ingrédients.

Il regarde le Menu (le Registre).
Il choisit un plat (un outil) qui correspond à la question du client.
Il reçoit le plat fini (l'artefact Gold) et l'analyse pour donner une réponse.

🌟 Pourquoi c'est génial ? (Les avantages)

Moins d'erreurs (Pas d'hallucinations) : Comme le robot ne peut choisir que sur le menu, il ne peut pas inventer des plats qui n'existent pas.
Économie d'argent et de temps : Le robot ne lit pas des milliers de pages de recettes brutes. Il lit juste le résumé du plat (le Gold Artifact). C'est comme lire un résumé de livre au lieu de lire le livre entier.
Sécurité et Confiance : Si on change une règle dans l'usine, le menu se met à jour tout seul. On sait exactement ce que le robot a utilisé pour répondre. C'est auditable (on peut vérifier le travail).
Réactivité : Si un problème survient (un feu dans l'usine), le système peut envoyer une alerte au robot immédiatement (mode "Push") sans qu'il ait besoin de demander "Est-ce qu'il y a un feu ?" toutes les 5 minutes.

🎯 En résumé

Le papier REGAL dit : "Arrêtez de laisser vos IA lire des données brutes et confuses."

Au lieu de cela :

Nettoyez et transformez vos données en produits finis et fiables (Gold).
Créez un menu officiel (Registre) qui définit exactement ce que l'IA a le droit de faire.
Laissez l'IA commander sur le menu et analyser les plats finis.

C'est une façon de rendre l'IA sûre, prévisible et utile dans les grandes entreprises, en remplaçant le chaos des données brutes par une structure ordonnée et contrôlée. C'est comme passer d'un bazar bruyant à un restaurant étoilé où tout est parfaitement organisé.

1. Problématique : Les limites de l'ancrage probabiliste

Les organisations d'ingénierie logicielle génèrent des volumes massifs de données de télémétrie hétérogènes (systèmes de contrôle de version, pipelines CI/CD, traqueurs de problèmes, plateformes d'observabilité). Bien que les modèles de langage (LLM) permettent de nouvelles formes d'automatisation agentique, l'exposition directe de ces données brutes aux agents LLM pose trois défis majeurs :

Limites de contexte et coûts : Le volume de télémétrie dépasse largement la taille de contexte des modèles. L'envoi de logs bruts entraîne des coûts de tokens prohibitifs et une surcharge de contexte.
Sémantique locale et ambiguïté : Les concepts organisationnels (ex: "P1", "release-candidate", "régression") sont définis localement. Une récupération probabiliste sans ancrage déterministe conduit à des interprétations incohérentes et à des hallucinations.
Dérive des interfaces (Tool Drift) : Les outils codés à la main divergent souvent des définitions de métriques évolutives, créant un risque de gouvernance et d'incohérence entre la spécification de l'outil et son exécution.

L'approche naïve (ex: RAG sur des logs bruts ou Text-to-SQL) expose les agents à un espace d'action non borné et à des risques de sécurité, de coût et de fiabilité.

2. Méthodologie : L'architecture REGAL

L'article propose REGAL (Registry-Driven Architecture for Grounded Agentic LLMs), une architecture de référence qui sépare strictement le calcul déterministe du raisonnement probabiliste.

A. Principe fondamental : Séparation Non-Interférente

L'architecture repose sur l'invariant que le calcul déterministe (ingestion, transformation, compilation) produit des artefacts versionnés, et que le raisonnement probabiliste (LLM) ne peut que consommer ces artefacts sans les modifier.

Flux de données : $D(input) \rightarrow G$ (Artefacts Gold) puis $P(G) \rightarrow Output$ .
Contrainte : $\partial D / \partial P = 0$ . Les changements dans le modèle (P) ne doivent jamais altérer le calcul des données (D).

B. Composants Clés de l'Architecture

Pipeline ELT Medallion (Voie d'écriture) :
- Bronze : Archivage des charges utiles brutes immuables.
- Silver : Harmonisation des schémas et validation des enregistrements.
- Gold : Artefacts métriques compacts, sémantiquement riches et déterministes, destinés à la consommation par l'IA.
- Garanties : Idempotence, rejouabilité (replayability) et versionnage des transformations.
Couche Sémantique et Compilation Pilotée par Registre (Voie de lecture) :
- Registre Unique : Une source de vérité déclarative contenant les définitions de métriques, la logique de récupération et les métadonnées de gouvernance (ACL, politiques de cache).
- Compilation "Interface-as-Code" : Un processus de compilation transforme automatiquement les définitions du registre en outils concrets exposés via le Model Context Protocol (MCP).
- Espace d'action borné : L'agent ne peut invoquer que les outils compilés à partir du registre. Il ne peut pas générer de requêtes SQL arbitraires ni synthétiser de nouvelles métriques à l'exécution.
Modèle d'Interaction Hybride (Push/Pull) :
- Pull (Raisonnement historique) : L'agent interroge les outils MCP pour obtenir des artefacts Gold pré-agrégés sur des fenêtres temporelles.
- Push (Conscience en temps réel) : Des flux de changements (change streams) propagent les transitions d'état des artefacts Gold vers des déclencheurs d'alerte, assurant une cohérence sémantique entre l'analyse rétrospective et la détection proactive.

3. Contributions Clés

Compilation Sémantique Pilotée par Registre :
- Introduction d'un motif "interface-as-code" où les schémas d'outils, la logique de récupération et les contrôles d'accès sont générés automatiquement à partir d'un registre déclaratif. Cela élimine la divergence entre la documentation de l'outil et son implémentation.
Architecture d'Ancrage Déterministe :
- Une séparation stricte où la télémétrie est compressée et versionnée avant d'être exposée à l'IA. Cela transforme la gouvernance d'un problème de "prompt engineering" en un problème de "système engineering".
Réduction de la Surface d'Hallucination :
- En contraignant l'agent à un ensemble fini d'outils compilés, l'architecture réduit drastiquement les risques d'interprétations erronées et simplifie l'application des politiques de sécurité.
Validation par Prototype :
- Mise en œuvre d'un prototype validant la faisabilité de cette approche sur des charges de travail d'entreprise réelles, avec des mesures sur la latence, l'efficacité des tokens et la gouvernance opérationnelle.

4. Résultats et Validation

Le prototype et l'étude de cas (enquête sur une augmentation du taux de plantage iOS) démontrent :

Réduction de la surcharge d'enquête : L'agent assisté a consolidé la navigation multi-systèmes en une interaction unique, éliminant le besoin de basculer manuellement entre plusieurs interfaces (observabilité, CI/CD, tickets).
Latence Interactive : La récupération des artefacts Gold reste sub-secondaire et ne domine pas le temps de réponse global (qui est principalement dicté par l'inférence du modèle).
Efficacité des Tokens : L'architecture réduit considérablement la consommation de tokens. Au lieu de sérialiser des milliers de logs bruts, l'agent ne reçoit que des métriques agrégées compactes. La consommation de tokens évolue avec le nombre de métriques sélectionnées et non avec le volume de logs.
Cohérence Sémantique : L'absence de divergence entre les définitions de métriques et leur exécution garantit que les agents interprètent correctement les concepts métier.

5. Signification et Impact

L'article REGAL ne propose pas un nouvel algorithme d'apprentissage, mais une contrainte architecturale fondamentale pour l'IA agentique en entreprise.

Changement de paradigme : Il déplace la responsabilité de la précision et de la gouvernance de la couche de prompt (probabiliste) vers la couche de calcul des données (déterministe).
Sécurité et Conformité : En rendant les définitions de métriques explicites, versionnées et auditable, l'architecture répond aux besoins des environnements réglementés où la "boîte noire" des requêtes SQL générées ou du RAG sur logs bruts est inacceptable.
Évolutivité : L'approche "interface-as-code" permet de gérer l'évolution des schémas de données sans casser les agents, en recompilant simplement les outils à partir du registre.

En conclusion, REGAL établit que pour une IA agentique fiable et scalable en entreprise, le calcul déterministe et la compilation sémantique doivent être traités comme des primitives architecturales de premier ordre, précédant et encadrant tout raisonnement probabiliste.