Intelligence d'ingénierie à base d'agents avec Amazon Nova Multimodal Embeddings et Amazon Bedrock AgentCore
Des ingénieurs aérospatiaux perdent parfois plusieurs jours à recouper fiches techniques de fournisseurs, documents de contrôle d'interface (ICD) et dossiers de qualification lorsqu'un composant qualifié devient obsolète ou affiche des délais d'approvisionnement trop longs. Amazon présente une architecture multi-agents conçue pour réduire ce travail de recoupement lors de l'évaluation d'une substitution de pièce. Elle s'appuie sur Amazon Bedrock AgentCore, sur Amazon Nova Multimodal Embeddings et sur le SDK open source Strands Agents. Un planificateur, fondé sur Claude Haiku 5.5, établit un plan de routage vers trois agents spécialisés (Catalogue, Évaluation, Connaissance), qui tournent sur Claude Sonnet 5.5. Un superviseur, fondé sur Claude Opus 5.5, ne synthétise leurs résultats que lorsque plusieurs spécialistes sont intervenus. Les agents interrogent une base de connaissances multimodale gérée, créée avec Amazon Bedrock Managed Knowledge Bases et accessible via une AgentCore Gateway. Celle-ci donne aussi accès à un connecteur de recherche web pour les données en direct. Pour les requêtes par image, par exemple téléverser un graphique afin d'identifier une pièce, l'agent interroge directement un index Amazon S3 Vectors, car l'API de récupération de la base gérée n'accepte pas les images en entrée. Une question complexe comme « vérifier si cette roue arrive en fin de vie, trouver des alternatives et les noter » enchaîne les trois spécialistes.
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 →
L'enjeu est élevé, car une substitution erronée sur un composant critique pour le vol peut provoquer l'échec d'une mission. Or les éléments qui justifient chaque décision sont souvent dispersés dans des courriels ou relèvent d'un savoir institutionnel non documenté, ce qui empêche un relecteur de vérifier un dossier formel et reproductible. Le système apporte ici trois garanties. D'abord, un code Python applique des règles de tolérance déterministes pour noter chaque pièce candidate par rapport à la pièce de référence et aux exigences de l'ingénieur. Les mêmes entrées produisent donc toujours les mêmes verdicts de validation ou de signalement, ce qui permet de les verser à une revue d'ingénierie formelle. Ensuite, chaque évaluation écrit une entrée de piste d'audit alignée sur les sections 8.4 et 8.5.6 de la norme AS9100. Enfin, le système rédige des mémos de justification et des évaluations d'impact d'intégration, mais ne recommande ni n'approuve jamais une substitution.
Cette réalisation prolonge un article précédent, consacré à l'intelligence de fabrication avec Amazon Nova Multimodal Embeddings. Celui-ci montrait comment le modèle retrouve des réponses enfermées dans des schémas techniques, des courbes thermiques et des graphiques de fiches techniques que les chaînes de traitement textuelles manquent. La nouvelle étape place ces capacités de recherche dans un système d'agents qui assemble les preuves, de la récupération jusqu'à l'ébauche d'évaluation. Le principe de conception est que l'ingénieur prend toutes les décisions et que le système réunit les preuves. Ce principe fixe la frontière entre les usages des grands modèles de langage et ceux du code déterministe. Il répond à une exigence propre aux secteurs régulés, où l'IA doit accélérer la préparation du dossier sans diluer la responsabilité humaine. Il reflète aussi une tendance plus large, qui combine orchestration d'agents, récupération multimodale et règles vérifiables pour rendre les systèmes d'IA acceptables dans des environnements à forte exigence de traçabilité.
Pas d'impact direct sur la France/UE