Comment Bayer Crop Science a créé un moteur de décision à base d'agents sur Amazon Bedrock AgentCore avec AWS Unified Operations
Bayer Crop Science a déployé l'Agentic Decision Engine (ADE), une interface multi-agents en langage naturel construite au-dessus de son Connected Decision Engine (CDE), le système qui permet de déployer, orchestrer, surveiller et réutiliser des workflows de machine learning pour la sélection végétale. Le CDE exécute des centaines de configurations de modèles sur des données couvrant la génomique, les essais au champ, l'imagerie et les conditions environnementales. Dans sa première phase, l'ADE répond à environ 80 % des questions des utilisateurs sans l'intervention d'un ingénieur. Un agent superviseur analyse chaque demande, la route vers un agent spécialisé, qui va chercher le contexte dans le système concerné. L'ADE tourne sur Amazon Bedrock AgentCore, avec une orchestration LangGraph, des images de conteneurs construites par GitHub Actions, stockées dans Amazon ECR puis déployées sur le runtime AgentCore. Les utilisateurs y accèdent par un front-end React, derrière un proxy d'identité Microsoft Entra ID.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de AWS ML Blog. Lire l'article original →
Le gain est très concret pour les sélectionneurs, analystes, chercheurs, data scientists et data engineers. À mesure que l'adoption du CDE progressait, le goulot d'étranglement n'était plus l'exécution des workflows mais leur compréhension. Savoir pourquoi un workflow avait échoué, ce que faisait un modèle ou d'où venait un résultat obligeait à recouper des API, de la documentation, des métadonnées, des tableaux de bord et des journaux, en sachant quel système consulter. L'ADE supprime cette navigation et conserve l'historique d'exécution et les contrôles opérationnels. Pour Bayer, cela libère aussi du temps d'ingénieur, sollicité auparavant pour expliquer des résultats. Trois caractéristiques d'AgentCore ont pesé dans le choix : un runtime managé qui isole chaque session utilisateur, un accès aux outils limité par des permissions IAM via AgentCore Gateway, qui garde l'authentification et l'autorisation hors du code des agents, et une conception indépendante du framework, qui a permis d'apporter LangGraph et le choix des modèles. L'équipe a ainsi pu se concentrer sur le comportement des agents plutôt que sur l'hébergement, l'isolation des sessions et la couche d'accès aux outils.
Ce projet s'inscrit dans la montée en charge des systèmes agentiques en entreprise, où la gouvernance, la reproductibilité et la sécurité comptent autant que la qualité des réponses. Pour le lancement puis l'exploitation, Bayer a fait appel à AWS Unified Operations, qui lui a affecté un Technical Account Manager, conseiller stratégique connaissant le modèle opérationnel et les priorités métier de Bayer, et un ingénieur spécialiste de l'IA générative. Ils ont travaillé comme une extension de l'équipe ADE, de la conception à la production, avec trois points techniques par semaine pour revoir et trancher les choix de conception. L'équipe a retenu LangGraph pour son contrôle explicite du flux sous forme de graphe et ses points de reprise, utiles aux workflows en plusieurs étapes. L'agent superviseur combine aussi les résultats lorsqu'une question couvre plusieurs domaines, et le plan de données est séparé par responsabilité. L'article annonce un retour sur cinq décisions de conception, la préparation à la production et l'exploitation après le lancement.
Bayer, groupe allemand, déploie des agents IA en production dans la sélection végétale, un cas d'usage agricole et industriel pertinent pour les entreprises européennes.