Ce document fournit une architecture de haut niveau pour créer un système d'IA agentique fiable et efficace, basé sur des données contextuelles réelles provenant de Google Maps Platform et de Google Agenda. Le système élabore des plans de voyage pour les lieux que les utilisateurs indiquent dans leur prompt. Le plan tient compte de l'emploi du temps de l'utilisateur, de l'emplacement géographique des lieux, des horaires d'ouverture et des distances des itinéraires.
Ce document s'adresse aux architectes, développeurs et administrateurs d'IA qui créent et gèrent des applications d'IA agentique. Dans ce document, nous partons du principe que vous possédez des connaissances de base sur les concepts d'IA et de ML, ainsi que sur l'architecture cloud.
La section Déploiement de ce document fournit un lien vers un atelier de programmation que vous pouvez utiliser pour apprendre à créer et à tester un système d'IA agentique fonctionnel basé sur cette architecture.
Architecture
Le schéma suivant illustre l'architecture d'une application qui utilise un système d'IA multi-agent pour générer un itinéraire de voyage pour les lieux qu'un utilisateur souhaite visiter au cours d'une journée. Les utilisateurs interagissent avec l'application via une interface de chat. Un agent orchestrateur collecte les informations nécessaires en appelant des agents spécialisés, puis crée un programme de la journée. Les agents s'exécutent dans Gemini Enterprise et leur raisonnement est ancré à l'aide de données réelles provenant de Google Maps Platform et de Google Agenda.
L'architecture du diagramme précédent est constituée des composants suivants :
Gemini Enterprise : composant principal de l'architecture. Il héberge le système d'IA agentique, qui contient les agents suivants :
- Agent orchestrateur : reçoit les requêtes des utilisateurs via une interface de chat, interprète l'objectif, puis se coordonne avec des agents spécialisés pour répondre à la requête.
- Agent Places : gère les tâches basées sur la localisation, comme la recherche de lieux et la vérification de leur ouverture.
- Agent d'itinéraires : gère les tâches de routage et de planification des trajets, par exemple en s'assurant que le temps de trajet est suffisant pour se rendre aux lieux requis.
- Agent de planification : gère la planification et les tâches liées à l'agenda, comme le chargement de l'agenda et le déplacement d'événements pour tenir compte du temps de trajet.
Tous les agents de cette architecture sont créés à l'aide d'Agent Development Kit (ADK). Les agents s'exécutent dans Agent Runtime sur Gemini Enterprise Agent Platform et utilisent un modèle Gemini.
Outils et données : les agents utilisent les outils suivants pour obtenir les données dont ils ont besoin :
- Ancrage avec Google Maps : fournit un contexte géographique réel de Google Maps Platform aux agents Places et Routes.
- Places Insights : fournit des analyses et des informations détaillées spécifiques au site à partir de Google Maps Platform pour aider les agents à créer des artefacts appropriés en fonction du type de réunion.
- Agenda : permet à l'agent de planification d'accéder aux événements d'agenda et de les gérer.
Observabilité : ce composant permet de surveiller et de déboguer les opérations de l'agent.
- Les événements de l'agent sont consignés dans Cloud Logging et publiés dans une base de données Firestore.
- L'architecture inclut une application de visionneuse d'événements déployée en tant que service Cloud Run. Les administrateurs peuvent utiliser cette application pour surveiller les événements consignés et afficher le flux de pensée et les actions des agents, comme la validation des lieux et des itinéraires.
Produits utilisés
Cette architecture utilise les produits et outils Google suivants :
- Google Maps Platform : plate-forme qui fournit des services de cartographie, d'itinéraire et de recherche de lieux.
- Google Agenda : outil permettant aux équipes et aux individus de gérer leurs plannings et leurs événements.
- Gemini Enterprise : plate-forme sécurisée entièrement gérée permettant de déployer et de gérer des agents IA au sein d'une entreprise.
- Agent Development Kit (ADK) : ensemble d'outils et de bibliothèques permettant de développer, de tester et de déployer des agents IA.
- Cloud Logging : système de gestion des journaux en temps réel avec stockage, recherche, analyse et alertes.
- Firestore : conçu pour le scaling automatique et les hautes performances, il s'agit d'une base de données de documents NoSQL qui simplifie le développement d'applications.
- Cloud Run : plate-forme de calcul gérée qui vous permet d'exécuter des conteneurs directement sur l'infrastructure évolutive de Google.
Cas d'utilisation
Voici des exemples de cas d'utilisation de cette architecture :
Planification automatisée des voyages d'affaires : un employé doit planifier un voyage pour un sommet client.
- Un agent de voyage trouve des vols et des hôtels, et effectue des réservations.
- Un agent de gestion de la relation client (CRM) récupère l'adresse du sommet et la liste des participants.
- Un agent de planification planifie des réunions dans l'agenda du voyageur. Le résultat final est un itinéraire de voyage complet.
Répartition intelligente des interventions sur site : un client signale une interruption de service.
- Un agent CRM identifie le contrat et l'emplacement du client.
- Un agent de voyage trouve le technicien disponible le plus proche et optimise son itinéraire.
- Un agent de planification prend un rendez-vous pour un service.
Coordination de la logistique et de la chaîne d'approvisionnement : un responsable logistique doit rediriger une expédition en raison d'un événement météorologique.
- Un agent logistique surveille le trafic et la météo en temps réel à l'aide de Google Maps Platform.
- L'agent de logistique trouve un autre itinéraire et un autre entrepôt.
- Un agent CRM informe le client du nouveau calendrier d'expédition.
Considérations de conception
Cette section décrit les facteurs de conception, les bonnes pratiques et les recommandations à prendre en compte lorsque vous utilisez cette architecture de référence pour développer une topologie répondant à vos exigences spécifiques en termes de sécurité, de fiabilité, d'efficacité opérationnelle, de coût et de performances.
Les conseils de cette section ne sont pas exhaustifs. Pour en savoir plus sur les facteurs de conception et les bonnes pratiques, et pour obtenir des recommandations sur la création et le déploiement d'un système d'IA multi-agent, consultez Système d'IA multi-agent dans Google Cloud.
Sécurité, confidentialité et conformité
Pour aider à gérer les risques de sécurité uniques des agents d'IA, Google recommande une approche qui combine des contrôles de sécurité déterministes avec des défenses dynamiques basées sur le raisonnement :
- Supervision humaine : intégrez un flux human-in-the-loop (avec intervention humaine) dans les systèmes critiques pour l'entreprise afin que les superviseurs humains puissent examiner les résultats et approuver, ignorer ou suspendre les actions des agents.
- Agent Identity : attribuez à chaque agent une identité liée à la charge de travail pour appliquer le contrôle des accès basé sur le principe du moindre privilège et gérer de manière centralisée les identifiants des outils externes.
- Agent Gateway : appliquez la gouvernance du trafic entrant et sortant, des règles d'accès de refus par défaut, ainsi que l'inspection intégrée des prompts et des outils avec Model Armor.
- Agent Registry : vérifiez que les agents ne se connectent qu'aux sous-agents et aux outils MCP approuvés.
Fiabilité
Pour vous assurer que vos configurations d'agent répondent à vos exigences de fiabilité, tenez compte des recommandations suivantes :
- Validation des actions critiques : incluez une validation human-in-the-loop (avec intervention humaine) pour les tâches critiques, comme la réservation de billets non remboursables.
- Pistes d'audit : créez des pistes d'audit claires pour les décisions des agents en créant un pipeline d'observabilité avec Logging et Pub/Sub.
Efficacité opérationnelle
Établissez une gouvernance solide avec des rôles clairs pour chaque agent et des consignes pour le traitement des données. Utilisez un processus de développement itératif qui inclut une surveillance continue. Ce processus permet d'affiner le comportement des agents et de s'assurer qu'il est conforme aux exigences de l'entreprise.
Optimisation des coûts
Gérez les coûts en définissant précisément les tâches de chaque agent pour éviter les requêtes ouvertes ou inutiles. Réduisez les appels d'API en utilisant la mise en cache pour les données fréquemment demandées, comme les itinéraires courants ou les lieux populaires.
Optimisation des performances
Le modèle de coordinateur multi-agent modulaire de cette architecture permet d'améliorer les performances en permettant à des agents spécialisés de travailler en parallèle. Par exemple, l'agent Places peut rechercher des lieux pendant que l'agent Schedule vérifie simultanément les conflits d'agenda.
Lorsque vous concevez l'architecture de votre charge de travail d'IA agentique, tenez compte des bonnes pratiques et des recommandations du FrameworkGoogle Cloud Well-Architected : perspective de l'IA et du ML.
Déploiement
Pour apprendre à créer et à tester un système d'IA agentive fonctionnel basé sur cette architecture, suivez les instructions de l'atelier de programmation Créer un agent de planification d'itinéraire avec ADK et l'ancrage Google Maps. L'atelier de programmation vous guide tout au long du processus de déploiement, y compris les tâches suivantes :
- Activer les services Google Cloud nécessaires.
- Utiliser ADK pour créer des agents
- Configurer les agents pour qu'ils utilisent l'ancrage avec Google Maps pour un contexte réel.
- Exécuter et tester vos agents via une interface Web
Étapes suivantes
- En savoir plus sur l'ancrage avec Google Maps
- En savoir plus sur Gemini Enterprise.
- Pour découvrir d'autres architectures de référence, schémas et bonnes pratiques, consultez le Centre d'architecture cloud.
Contributeurs
Auteur : Kenneth Nevarez | Ingénieur relations avec les développeurs, Google Maps Platform
Autres contributeurs :
- Caio Moreira | Ingénieur DevX
- Kumar Dhanagopal Développeur de solutions multiproduits
- Mike Pegg | Responsable des relations avec les développeurs