💻 computer science

From Intent to AI Pipelines: A Controlled Agentic Framework for Non-AI Expert Scientists

L'article présente les Pipelines d'IA Adaptatifs Pilotés par le Domaine (DDAP), un cadre d'agents contrôlé et intégrant une boucle humaine qui exploite les grands modèles de langage pour guider les scientifiques non experts à travers un processus structuré en quatre étapes visant à générer des pipelines d'IA compétitifs et spécifiques à un domaine ainsi que le code d'implémentation correspondant.

Auteurs originaux : Hyacinth Ali, Jessie Galasso-Carbonnel, Houari Sahraoui

Publié 2026-05-20

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Hyacinth Ali, Jessie Galasso-Carbonnel, Houari Sahraoui

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

Imaginez que vous êtes un scientifique brillant en biologie, en agriculture ou en sciences sociales. Vous avez une excellente idée pour un projet de recherche, mais pour la concrétiser, vous devez construire une « machine à IA » complexe (un pipeline) pour analyser vos données. Le problème est que la construction de cette machine nécessite généralement un diplôme en informatique et des années d'expérience en programmation. La plupart des scientifiques n'ont ni ce temps ni cette formation, ils doivent donc attendre qu'un spécialiste les aide, ce qui ralentit tout.

Ce papier présente DDAP (Domain-Driven Adaptable AI Pipelines), un nouvel outil conçu pour agir comme un chef de chantier intelligent et méthodique pour ces scientifiques.

Voici comment fonctionne DDAP, en utilisant des analogies simples :

1. Le Problème : La « Boîte Noire » contre le « Plan »

Habituellement, si vous demandez à un ordinateur (spécifiquement un Grand Modèle de Langage ou LLM) de « construisez-moi une IA », il pourrait simplement vous vomir un tas de code. Parfois cela fonctionne, mais souvent c'est cassé, il manque des pièces, ou cela ne correspond pas à vos besoins spécifiques. C'est comme commander une maison sur mesure à un robot qui vous lance des briques sans plan.

DDAP change la donne. Au lieu de demander la maison entière d'un coup, DDAP décompose la construction en quatre étapes distinctes, garantissant que chaque étape est vérifiée et approuvée avant de passer à la suivante.

2. Les Quatre Étapes de la Construction

Étape 1 : La Réunion de l'Architecte (Définition du Problème)

Ce qui se passe : Vous parlez au système en anglais courant. Vous dites : « J'ai des images de parasites du jute et je veux les trier en 17 types. »
La Magie : Le système ne se contente pas de hocher la tête ; il agit comme un architecte curieux. Il vous pose des questions de clarification basées sur votre domaine (par exemple, demandant à un chercheur médical des précisions sur la confidentialité des patients, ou à un chercheur en agriculture des détails sur les types de cultures). Il transforme votre idée vague en un plan clair et écrit (un « artefact de définition du problème »).

Étape 2 : L'Enquête de Chantier (Environnement de Calcul)

Ce qui se passe : Avant de construire, vous devez savoir quels outils et quel espace vous avez. Avez-vous un ordinateur ultra-rapide (GPU) ou juste un ordinateur portable ordinaire ? Avez-vous un budget ?
La Magie : Le système vous aide à définir ces limites et les note sous forme de fiche technique. Cela garantit que l'IA finale n'est pas construite sur une fondation trop lourde pour que votre ordinateur puisse la porter.

Étape 3 : La Phase de Conception (Génération du Pipeline)

Ce qui se passe : Maintenant, le système conçoit la véritable « machine ».
La Magie : Au lieu de deviner une seule façon, le système agit comme une équipe de cinq ingénieurs différents. Il génère cinq options de conception différentes pour votre pipeline d'IA. Il pèse les avantages et les inconvénients de chacun (par exemple, « L'option A est plus rapide, mais l'option B est plus précise »). Il sélectionne les meilleures conceptions et les enregistre sous forme de documents de conception.

Étape 4 : L'Équipe de Construction (Génération de Code)

Ce qui se passe : Enfin, le système écrit le code informatique réel (les briques et le mortier) basé sur la conception choisie.
La Magie : Si le code contient une erreur (une faute de frappe ou un outil manquant), le système possède un mécanisme de « réparation » intégré. Il détecte l'erreur, demande à l'ordinateur de la corriger, et réessaie jusqu'à ce que le code fonctionne sans heurt.

3. Le Filet de Sécurité « Humain dans la Boucle »

La partie la plus importante de DDAP est qu'il est contrôlé. Il ne s'enfuit pas pour tout faire seul. Il garde le scientifique aux commandes.

Pensez-y comme à un GPS avec un copilote. Le GPS (l'IA) suggère l'itinéraire, mais vous (le scientifique) confirmez la destination et les arrêts. Si le GPS tente de vous emmener sur une route qui n'existe pas, le système s'arrête et demande des clarifications. Cela empêche l'IA de faire des suppositions sauvages et incorrectes.

4. Est-ce que ça a marché ? (Les Résultats)

Les auteurs ont testé ce « chef de chantier » sur des problèmes réels dans six domaines différents :

Biologie : Tri d'images de parasites.
Médecine : Prédiction de la progression de la maladie de Parkinson à partir d'enregistrements vocaux.
Commerce : Tri de titres de produits et regroupement de clients.
Environnement : Identification de types de déchets à partir de photos.
Finance : Prédiction des tendances du marché boursier.

Les Résultats :

Succès : Dans la plupart des cas (comme le tri des parasites, la prédiction de la maladie de Parkinson et le tri des produits), les pipelines d'IA construits par DDAP ont fonctionné aussi bien, voire mieux, que les modèles construits par des experts humains qui ont passé des semaines à les ajuster.
La Difficulté : Le système a un peu peiné avec le regroupement de texte (regrouper des documents textuels similaires). C'est comme si le chef de chantier était excellent pour construire des maisons mais apprenait encore à organiser une bibliothèque. Les résultats ici étaient beaucoup plus faibles que ceux des modèles experts.

La Conclusion

DDAP est un outil qui permet aux scientifiques non experts de construire des modèles d'IA puissants en ayant une conversation structurée et guidée avec un ordinateur. Il transforme le processus effrayant et complexe de « coder une IA » en une liste de contrôle gérable en quatre étapes.

Cela prouve que vous n'avez pas besoin d'être un magicien du code pour utiliser l'IA ; vous avez juste besoin d'un bon guide qui traduit vos objectifs scientifiques en une machine fonctionnelle, étape par étape, tout en vous gardant aux commandes en permanence.

Résumé Technique : Pipelines d'IA Adaptatifs Pilotés par le Domaine (DDAP)

Énoncé du Problème

Les pipelines d'Intelligence Artificielle (IA) sont devenus essentiels pour la recherche moderne dans divers domaines, y compris les sciences médicales, l'agriculture et les sciences sociales. Cependant, la conception et la mise en œuvre de systèmes d'IA de bout en bout restent un obstacle majeur pour les scientifiques non experts. Développer des solutions d'IA efficaces nécessite une expertise à plusieurs niveaux : formuler des questions de recherche en tant que tâches d'IA, préparer les données, sélectionner et entraîner des modèles, et déployer les solutions. Les solutions actuelles présentent des limitations spécifiques :

Plateformes Low-code/No-code : Bien qu'elles abaissent les barrières techniques d'entrée, elles manquent souvent de flexibilité, d'adaptabilité aux contraintes spécifiques au domaine et de soutien pour le cycle de vie complet du pipeline.
Utilisation directe des Grands Modèles de Langage (LLM) : L'utilisation de LLMs pour générer du code à partir de descriptions en langage naturel fait face à des défis concernant la fiabilité (production de pipelines incomplets ou non reproductibles), le respect des contraintes de domaine (par exemple, les exigences réglementaires) et la charge cognitive élevée requise des non-experts pour valider et déboguer les résultats.
Fossé Méthodologique : Les outils existants ne suffisent pas à opérationnaliser la transition des descriptions de problèmes vers des flux de travail d'apprentissage automatique d'une manière accessible aux non-experts tout en maintenant la reproductibilité et la transparence.

Méthodologie : Le Cadre DDAP

Pour répondre à ces défis, les auteurs proposent les Pipelines d'IA Adaptatifs Pilotés par le Domaine (DDAP), un cadre contrôlé, avec intervention humaine et agentique. DDAP traite la construction de pipelines d'IA comme un problème d'ingénierie logicielle, synthétisant des flux de travail exécutables à partir d'intentions de haut niveau dans un contexte d'incertitude. Plutôt que de s'appuyer sur une génération entièrement autonome, DDAP orchestre les LLMs en tant qu'agents spécialisés au sein d'un flux de travail en étapes.

Le cadre structure le processus de développement en quatre étapes distinctes, produisant un ensemble d'artefacts structurés ( $A = \{A_1, A_2, A_3, A_4\}$ ) qui sont persistés et réutilisés à travers les étapes :

Définition du Problème ( $A_1$ ) :
- Objectif : Éliciter et structurer la tâche d'IA en une représentation semi-formelle.
- Mécanisme : Un dialogue ouvert où le système profile le domaine du chercheur et son niveau d'expertise. Il utilise un prompting basé sur les rôles, des garde-fous et un raisonnement en chaîne de pensée (CoT) pour guider l'utilisateur dans la clarification des objectifs, des caractéristiques des données et des contraintes.
- Sortie : Un artefact de définition de problème structuré.
Spécification de l'Environnement de Calcul ( $A_2$ ) :
- Objectif : Aligner les exigences du problème avec les ressources de calcul réalisables.
- Mécanisme : L'orchestrateur réutilise la définition du problème pour contextualiser les prompts, en élicitant des détails sur l'emplacement de l'environnement (sur site/cloud), les accélérateurs (GPU/TPU), le stockage et le budget.
- Sortie : Un artefact de spécification d'environnement de calcul.
Génération du Pipeline ( $A_3$ ) :
- Objectif : Générer des spécifications de pipeline d'IA structurées.
- Mécanisme : Cette étape est décomposée en deux phases : (1) générer des stratégies de prétraitement candidates et (2) générer des conceptions de pipeline complètes. Le cadre génère cinq candidats de pipeline alternatifs par tâche pour atténuer la nature probabiliste des LLMs. Il emploie la Génération Augmentée par Récupération (RAG), le CoT et des garde-fous pour garantir que les conceptions s'alignent sur les exigences du domaine et les contraintes de ressources.
- Sortie : Plusieurs artefacts de spécification de pipeline alternatifs avec leurs avantages et inconvénients.
Génération de Code ( $A_4$ ) :
- Objectif : Traduire les spécifications de pipeline sélectionnées en code exécutable (par exemple, PyTorch, TensorFlow).
- Mécanisme : Des LLMs orientés code (par exemple, Code Llama) sont utilisés avec des prompts enrichis par les artefacts des étapes précédentes. Un mécanisme de réparation de code optionnel est inclus, où l'orchestrateur renvoie les messages d'erreur au LLM pour identifier et corriger les erreurs syntaxiques ou d'exécution sans débogage manuel.
- Sortie : Code d'implémentation exécutable.

Le cadre repose sur un Orchestrateur de Pipeline central qui gère la boucle d'interaction, assurant la traçabilité et maintenant la logique de contrôle tout au long du processus.

Contributions Clés

L'article expose quatre contributions principales :

Formulation Pilotée par les Artefacts : Il modélise la construction de pipelines comme un processus de synthèse en étapes transformant une intention de haut niveau en artefacts exécutables, dépassant les approches AutoML qui reposent uniquement sur la recherche de composants prédéfinis.
Cadre Agentique Contrôlé : Contrairement aux modèles statiques low-code, DDAP s'adapte dynamiquement au contexte du domaine, à l'expertise de l'utilisateur et aux contraintes de ressources grâce à une interaction guidée et un raffinement par étapes.
Flux de Travail Multi-Étapes Orchestré : Il décompose la génération de pipelines en étapes coordonnées avec une réutilisation explicite des artefacts et une logique de contrôle, améliorant la reproductibilité et le contrôle utilisateur par rapport au prompting unique en une étape des LLMs.
Évaluation Empirique : Il démontre que DDAP peut générer des pipelines d'IA compétitifs en un seul passage (sans optimisation itérative) à travers plusieurs domaines, tout en identifiant explicitement les limitations dans des tâches complexes comme le regroupement textuel.

Résultats Expérimentaux

Les auteurs ont évalué DDAP à travers six expériences couvrant la biologie, les affaires et les sciences de la santé, comparant les modèles générés par DDAP à des bases de référence développées par des experts issues de la littérature existante.

Performance Compétitive : Dans plusieurs tâches, DDAP a obtenu des résultats comparables ou supérieurs aux modèles experts sans réglage itératif des hyperparamètres.
- Télésurveillance de la Maladie de Parkinson (Régression) : Le modèle d'ensemble de DDAP a obtenu une Erreur Absolue Moyenne (MAE) de 0,30 (UPDRS moteur) et de 2,66 (UPDRS total), surpassant la base de référence experte (4,5 et 6,0 respectivement).
- Prévision du Marché Boursier (Régression/Classification) : DDAP a atteint une précision de 79,44 %, dépassant la base de référence experte de 68 %.
- Classification de Produits (Texte) : DDAP a atteint une précision de validation de 96,83 %, dépassant la base de référence experte de 95 %.
- Classification des Ravageurs du Jute (Image) : DDAP a obtenu un score F1 de 0,94, légèrement inférieur à la base de référence experte de 0,97, mais démontrant une forte capacité en un seul passage.
- Classification des Matériaux de Déchets (Image) : DDAP a obtenu un score F1 de 84 %, compétitif avec la base de référence experte de 90 %.
- Segmentation de Clients (Regroupement) : DDAP a généré des segments significatifs basés sur RFM avec un Score de Silhouette de 0,53, s'alignant sur les distinctions comportementales pilotées par les experts.
Limitations : Le cadre a montré des écarts de performance significatifs dans les tâches de regroupement basées sur le texte. Pour la tâche de regroupement de produits, le meilleur score F1 de DDAP était de 0,001, considérablement inférieur à la base de référence experte de 0,59. Les auteurs attribuent cela au besoin d'apprentissage de représentations plus avancé et de stratégies d'optimisation itérative pour les données textuelles complexes.

Importance et Revendications

L'article revendique que DDAP démontre la viabilité d'un cadre agentique contrôlé pour démocratiser le développement de l'IA. En combinant interaction guidée, adaptabilité et reproductibilité, le cadre permet aux utilisateurs non experts de générer des pipelines d'IA compétitifs.

L'importance de ce travail réside dans sa capacité à combler le fossé entre accessibilité et rigueur technique. Il ne prétend pas remplacer entièrement l'intervention d'experts, mais plutôt fournir un chemin structuré et piloté par les artefacts qui abaisse la barrière à l'entrée tout en maintenant l'alignement avec les principes de l'ingénierie logicielle (modularité, séparation des préoccupations). Les auteurs positionnent DDAP comme une unification de l'accessibilité Low-code/No-code, de la génération structurée de l'AutoML et de l'adaptabilité contextuelle des LLMs, offrant une alternative reproductible au code généré par des LLMs ad hoc et fragile. Le cadre est présenté comme une étape vers un développement de l'IA plus accessible, adaptable et reproductible à travers les disciplines scientifiques.