Note : cet article a été publié pour la première fois sur le site de l'ICAEW. Vous pouvez consulter l'article original ici.
Il est important de noter que l'agent IA développé dans cet article a été créé pour démontrer une application pratique et pour explorer comment l'IA peut être utilisée par les comptables et les auditeurs. Il s'agit d'une preuve de concept très simple qui peut produire des réponses inexactes, et l'outil ne doit pas être utilisé pour le travail client ou pour remplacer l'expertise professionnelle. Pour plus d'informations sur les risques et les limites de l'IA, consultez les directives de l'ICAEW concernant les risques et les limites de l'IA générative.
Les débuts de l'IA sont encore récents, mais elle évolue à une vitesse fulgurante. Même la terminologie peut être déroutante. « Agents IA », « systèmes agentiques », « copilotes », « assistants », « travail numérique » – l'industrie regorge de termes pour ce qui se résume souvent à la même idée fondamentale : un logiciel qui utilise l'IA pour prendre des décisions et les exécuter.
Dans mon rôle chez Circit, je parle à des centaines de cabinets comptables, et presque toutes les personnes que je rencontre se sentent en retard en matière d'IA. Les entreprises technologiques elles-mêmes sont aux prises avec ce que l'IA signifie pour l'avenir ; personne n'a vraiment toutes les réponses. La meilleure façon d'apprendre est de se lancer et d'essayer. C'est ce que j'ai décidé de faire pendant les fêtes de Noël, en construisant mon premier agent IA très simple.
Défis technologiques
J'ai été formé chez Moore Kingston Smith et j'ai rejoint leur équipe d'analyse de données nouvellement formée au cours de ma deuxième année. Cela signifiait moins d'audits et plus de tutoriels Python. Dans une équipe de trois, je me sentais souvent dépassé – il y a une quantité impressionnante de syntaxe à apprendre, plus des batailles sans fin avec le terminal juste pour faire fonctionner votre environnement de développement. J'ai passé beaucoup plus de temps à fouiller sur Stack Overflow qu'à coder réellement.
Avec l'arrivée d'assistants de codage basés sur l'IA tels que GitHub Co-pilot, la donne a complètement changé. Ces petites nuances de syntaxe ne sont plus des obstacles insurmontables. Vous pouvez désormais vous concentrer sur le « quoi » et le « pourquoi » du projet plutôt que de vous battre avec le « comment ». Cela débloque un niveau de productivité difficile à imaginer auparavant.
Que sont les agents IA ?
En termes simples, un agent IA est un logiciel qui utilise un modèle d'IA pour raisonner et ensuite agir en conséquence. C'est de là que vient le terme « agent ReAct » – raisonner et agir.
Il est important de noter qu'il existe un éventail d'agents :
- Agents « workflow » structurés ont un chemin plus prédéfini, où les grands modèles linguistiques (LLM) sont associés à des outils ou des étapes spécifiques, de sorte que l'IA dispose de certaines directives à suivre.
- Agents entièrement autonomes décident dynamiquement de la prochaine étape, choisissant les bons outils ou processus à la volée sans beaucoup d'intervention humaine.
Le passage du SaaS aux agents
Pour comprendre en quoi cela diffère d'un modèle traditionnel de logiciel en tant que service (SaaS), imaginez un responsable confiant un outil SaaS à un membre junior du personnel. Le junior se connecte, navigue dans le logiciel, effectue le travail et renvoie les résultats au responsable. C'est encore assez manuel, même si le logiciel sous-jacent est puissant.
Un agent IA, en revanche, assume une grande partie du rôle d'un junior. Plutôt que d'exiger de l'utilisateur qu'il clique à travers chaque étape, l'agent utilise son propre savoir-faire pour récupérer automatiquement les données, les analyser et présenter les résultats pour validation finale. C'est ce que le PDG de Microsoft, Satya Nadella, veut dire lorsqu'il affirme : «Les agents IA transformeront le SaaS tel que nous le connaissons.
En fin de compte, tout se résume à l'expérience utilisateur. En gérant les tâches fastidieuses en coulisses, les agents IA commencent à ressembler davantage à des membres d'équipe qu'à un simple logiciel.
L'agent IA de transformation du grand livre
En tant que junior en audit, j'ai passé des heures à mapper les données clients, qu'il s'agisse d'un plan comptable ou d'en-têtes de colonnes, avant de télécharger les données dans un outil. C'est donc sur cela que je me suis concentré pour mon premier projet d'agent IA : la transformation des données du grand livre.
L'utilisation de l'IA pour le mappage des données, plutôt que de s'appuyer sur des règles codées en dur, offre plusieurs avantages pratiques, notamment l'adaptation aux entrées changeantes, une maintenance réduite, l'évolutivité et, surtout, une meilleure expérience utilisateur.
L'IA fournit des suggestions, permettant à l'utilisateur de confirmer ou de corriger le mappage – ce que l'on appelle le « human in the loop » (humain dans la boucle). Ce flux de travail interactif rend l'expérience utilisateur plus naturelle et pourrait aider le modèle à s'améliorer avec le temps :
- Chargement CSV/Excel L'utilisateur sélectionne un fichier contenant des données brutes du grand livre.
- Traitement IA L'agent IA analyse comment chaque colonne s'aligne avec le schéma cible.
- Retour utilisateur L'utilisateur approuve ou ajuste ces suggestions.
- Transformation: L'outil applique des conversions de données et génère un fichier prêt à l'emploi.
Comment j'ai créé mon agent IA
- Le choix de LangChain comme framework principal
Il existe une multitude d'outils et de frameworks, mais j'ai décidé d'utiliser LangChain. Il est réputé pour aider les développeurs à créer rapidement des agents IA, et il dispose d'un écosystème robuste d'intégrations, de tutoriels et de démos qui facilitent grandement la prise en main.
- Brainstorming avec ChatGPT
Avant d'écrire le moindre code, j'ai passé quelques sessions à faire du brainstorming avec ChatGPT. J'ai demandé des instructions sur la façon de transformer un grand livre général aléatoire en un format standardisé. Il a décomposé le processus en étapes gérables – ingestion de données, mappage de schémas, nettoyage de données, transformation de champs, validation, et ainsi de suite.
3. Recueil d'instructions techniques
Une fois que j'ai eu les grandes lignes, j'ai demandé à ChatGPT des conseils techniques plus détaillés : comment configurer mon environnement de développement, quelles dépendances installer et comment structurer mon projet. Cela a agi comme un tutoriel personnalisé, bien plus interactif qu'un article de blog ou une vidéo standard.
- Sélection de la pile technologique et de l'UI
Je voulais quelque chose de rapide et facile pour afficher mes résultats. ChatGPT a suggéré Streamlit – un outil populaire pour créer des interfaces utilisateur (UI) simples et interactives en Python. ChatGPT a détaillé exactement comment intégrer Streamlit à ma logique d'IA back-end, de l'installation du package à la création d'un widget de téléchargement de fichiers de base pour que les utilisateurs puissent glisser-déposer leur CSV de grand livre.
- Passage à VS Code et GitHub Copilot
Une fois que les fondations du projet étaient posées, je suis passé du copier-coller de fragments de code de ChatGPT à la programmation directe dans VS Code avec GitHub Copilot. Cela a changé la donne.
Pas une seule fois je n'ai eu à écrire une seule ligne de code, ni même à les copier-coller. Chaque fois que j'avais besoin d'une mise à jour, comme modifier la façon dont les champs décimaux étaient analysés, j'ajoutais simplement un commentaire, et Copilot proposait la correction. Il est cependant utile de comprendre le code que l'on utilise, ou de le faire vérifier par quelqu'un qui le comprend, pour s'assurer qu'il fonctionne comme prévu.
Le résultat
Vous pouvez essayer l'application ici. Veuillez ne pas utiliser de données clients réelles lors de l'essai – vous pouvez demander à ChatGPT de créer un jeu de données de démonstration.
Les utilisateurs peuvent télécharger leur fichier de grand livre brut, voir les mappages suggérés par l'IA, les ajuster via des menus déroulants, puis cliquer sur « Transformer ». Instantanément, ils obtiennent un aperçu des données finales et peuvent télécharger un fichier CSV.
Adoptez la courbe d'apprentissage
Les outils d'IA deviennent plus faciles à construire. Le véritable défi est de savoir quoi créer. C'est le moment de briller en tirant parti de votre expertise comptable.
Les LLM sont incroyablement intelligents et ne cessent de s'améliorer. Mais ils ont besoin d'accéder aux données pour fonctionner. Connecter les systèmes et accéder aux bonnes données reste un défi majeur.
Adoptez la courbe d'apprentissage, c'est amusant. Expérimenter avec l'IA vous permet d'être créatif et de combiner vos connaissances comptables avec les technologies émergentes d'une manière qui semble nouvelle et gratifiante.
• Pour en savoir plus sur la prise en main, consultez les ressources de l'ICAEW sur l'IA générative et l'ingénierie des invites, et n'hésitez pas à me contacter (dudley@circit.io) si vous avez des questions sur ce projet ou si vous souhaitez accéder au dépôt GitHub.
