ArcGIS et IA : Par où commencer ? - N°8/8
Je termine mon tour d'horizon sur les différents points d'entrée pour l'usage de l'IA dans ArcGIS. Aujourd'hui, je vous propose d'évoquer ce qui constitue probablement l'option la plus avancée dans l'usage de l'IA dans ArcGIS à savoir d'étendre les capacités des agents IA.
Un niveau de sophistication au-delà de l'agent IA personnalisé réside dans l'extension de ses capacités avec la génération augmentée de récupération (RAG) et le Protocole de Contexte de Modèle (MCP). Ces méthodes permettent aux agents d'élargir leurs sources d'information et de communiquer avec d'autres agents IA. Cela conduit à des agents plus intelligents et plus adaptatifs.
Le RAG consiste, sans avoir à ré-entrainer le un modèle de langage (fine-tuning), à connecter le LLM à une base de connaissances externe pour qu’il réponde de manière plus précise et contextualisée.
Dans un SIG comme ArcGIS, cela signifie que l’agent IA peut :
- Interroger dynamiquement des données géospatiales (couches d'entités, tables, métadonnées, etc.),
- Extraire des informations (ex. attributs, géométries, statistiques spatiales),
- Formuler une réponse enrichie à l’utilisateur.
Le MCP est une norme émergente de protocole proposé par Anthropic et reprise dans les assistants OpenAI, ... qui permet à un agent IA de se connecter à des outils et des services externes de façon normalisée. Concrètement, il définit un langage d’échange universel entre le modèle et des “extensions” (ou tools). Il y a peu, un protocole appelé Agent2Agent (A2A) a même été proposé par Google pour standardiser la communication entre différents agents.
Dans un SIG comme ArcGIS, un agent MCP peut interagir directement avec :
- Les API REST d’ArcGIS Online / Enterprise,
- Des scripts Python/arcpy,
- Des services ArcGIS Server (Services de géotraitement, de géocodage, de calcul d'itinéraire, ...),
- Des bases de données spatiales (PostGIS, SQLServer, ),
- Ou encore des modèles IA spécialisés (vision, détection, classification, etc.).
Comment démarrer ?
- Identifiez les cas d'utilisation où la logique statique de l'agent est insuffisante et où un accès aux données en temps réel est nécessaire.
- Intégrez des pipelines RAG pour récupérer des données ou des documents pertinents.
- Utilisez MCP pour appeler d'autres agents IA spécialisés dans des sous-tâches connexes (par exemple, résumer une politique, exécuter une tâche de géotraitement, créer une carte).
Considérations pratiques :
- RAG et MCP ont des exigences techniques complexes (par exemple, l'indexation de documents).
- La qualité de la récupération impacte directement la qualité de la sortie ; investissez dans les métadonnées et le balisage.
- Soyez attentif au contrôle de version des données lorsque vous faites référence à des données externes.
- Considérez attentivement l'accès des agents aux données sensibles.