Self-evolving Agentic Customer Support System at LinkedIn
LinkedIn présente un système de support client agentique auto-évolutif qui combine la génération augmentée par récupération avec l'auto-prompting évolutif et un cadre d'évaluation modulaire pour parvenir à des améliorations continues et sûres sans réentraîner les modèles de fondation, ce qui se traduit par des gains significatifs en matière de résolution en libre-service et de précision du routage lors de tests A/B en production.
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 essayiez d'apprendre à un robot à devenir l'agent de service client parfait pour une entreprise massive et en constante évolution. Vous pourriez vous dire : « Donnez-lui simplement un gros cerveau et un livre de règles ! » Mais voici le hic : les produits, les règles et même le langage utilisés par l'entreprise changent chaque jour. Si vous donnez simplement au robot un livre de règles statique, il deviendra rapidement confus, commencera à inventer des choses ou donnera des conseils obsolètes. C'est le problème de l'IA « statique » dans un monde dynamique. Pour résoudre cela, les scientifiques expérimentent quelques idées clés. Premièrement, il y a la Génération Augmentée par Récupération (RAG), qui revient à donner au robot une carte de bibliothèque pour qu'il puisse chercher des faits dans une base de données au lieu de deviner à partir de sa mémoire. Deuxièmement, il y a l'Ingénierie de Prompt, qui est l'art d'écrire l'ensemble d'instructions parfait (un « prompt ») pour dire au robot comment penser et agir. Enfin, la Recherche Évolutive, une méthode inspirée de la nature où l'on crée de nombreuses versions légèrement différentes d'une solution, on les teste, et on garde les meilleures pour créer la génération suivante. La grande question que se posent les chercheurs est la suivante : pouvons-nous combiner ces outils pour construire un agent d'IA qui ne se contente pas de suivre des règles, mais qui apprend et s'améliore réellement de manière automatique à mesure que le monde change, sans qu'un humain ait besoin de réécrire son code chaque semaine ?
C'est exactement ce que l'équipe de LinkedIn s'est donné pour mission de construire : un Système de Support Client Agentique Auto-Évolutif. Voyez cela comme un robot de service client qui possède un « coach » et une « salle de sport » intégrés. Au lieu qu'un ingénieur humain passe des semaines à peaufiner les instructions du robot, le système exécute une boucle continue d'entraînement, de test et de mise à niveau de lui-même.
Voici comment la magie opère. Le système traite les instructions du robot (le « prompt ») comme un organisme vivant. Il utilise un Moteur d'Auto-Prompt qui agit comme un algorithme génétique. Imaginez un coach qui écrit 100 versions légèrement différentes d'un manuel de stratégie pour le robot. Le robot les essaie toutes sur des questions d'entraînement. Le coach utilise ensuite une équipe de robots « juges » pour noter la performance. Les meilleurs manuels sont mélangés (croisement) et légèrement modifiés (mutation) pour créer une nouvelle génération d'instructions plus intelligentes. Cela se produit automatiquement, encore et encore, garantissant que les instructions du robot restent parfaites même lorsque les produits de LinkedIn changent.
Crucialement, ce robot ne se contente pas de deviner les réponses. Il est équipé d'un outil RAG qu'il peut choisir d'utiliser. Lorsqu'un utilisateur pose une question, le robot décide : « Est-ce que je connais la réponse, ou dois-je la chercher ? » S'il doit la chercher, il fouille dans une bibliothèque versionnée d'articles d'aide et de documents de produits. Cela empêche le robot de « halluciner » (inventer des choses). En fait, lors de leurs tests, ce robot intelligent a halluciné moins de 0,1 % du temps, contre environ 5 à 6 % pour les systèmes standards qui se contentent de lire un document et de deviner.
L'équipe n'a pas seulement construit cela ; elle l'a testé dans le monde réel. Ils ont mené une expérience de deux semaines où la moitié des utilisateurs réels de LinkedIn ont utilisé l'ancien robot statique, et l'autre moitié le nouveau robot auto-évolutif. Les résultats sont une victoire massive pour le nouveau système. Le robot auto-évolutif a permis aux utilisateurs de résoudre leurs propres problèmes sans avoir recours à un agent humain 9,0 points de pourcentage de plus souvent. Il a également aidé les utilisateurs à résilier leurs abonnements par eux-mêmes 4,8 points de pourcentage de plus souvent. Peut-être plus impressionnant encore, il est devenu bien meilleur pour identifier le département humain vers lequel un utilisateur devait être dirigé, améliorant la précision du routage de 30,6 points de pourcentage.
L'article souligne clairement que ce n'est pas une baguette magique qui résout tout. Le système dépend toujours de la présence de bonnes informations dans sa bibliothèque ; si la bibliothèque ne possède pas la réponse, le robot n'en inventera pas une. De plus, le processus d'« évolution » prend du temps et de la puissance de calcul, fonctionnant sur un cycle hebdomadaire plutôt qu'instantanément. Mais l'étude prouve un point vital : en traitant le prompt, la récupération et l'évaluation comme une boucle fermée et contrôlée par version, nous pouvons construire des agents d'IA qui ne font pas que rester là à vieillir. Ils peuvent croître, s'adapter et devenir plus intelligents par eux-mêmes, en suivant le rythme effréné du support en entreprise.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.