[ИАД, весна 2026] Математические методы анализа текстов. Лекция 11: AI agents

Valeur des informations & solidité de l’argumentation

La valeur des informations est bonne pour une introduction : elle couvre les concepts clés et les références historiques, ce qui permet de situer le domaine. L’argumentation est solide, s’appuyant sur des sources reconnues et des exemples concrets (AlphaGo, AlphaStar). La conférencière explique clairement les différences entre les patterns et l’importance de la mémoire et de la description des outils. Cependant, certains points restent superficiels, comme les détails d’implémentation ou les benchmarks, qui sont simplement mentionnés sans analyse critique.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est correcte : les sources citées sont pertinentes (Wiener, Searle, Minsky, Russell & Norvig, ReAct, Reflexion). La qualité des sources est bonne, mais la conférencière ne fournit pas de références précises pour toutes les affirmations (ex. limites de ChromaDB). L’adéquation titre/contenu est partielle : le titre mentionne ‘méthodes mathématiques d’analyse de textes’, mais le contenu est centré sur les agents IA, ce qui peut surprendre. Cependant, le sous-titre ‘AI agents’ clarifie le sujet. Aucun commentaire n’est fourni, donc aucune tendance du public n’est analysée.

Le titre annonce une leçon sur les méthodes mathématiques d'analyse de textes, mais le contenu se concentre sur les agents IA, ce qui constitue un écart notable. Toutefois, le sous-titre 'AI agents' est explicite et correspond au contenu réel.

7/10

Exposé structuré et pédagogique, s'appuyant sur des références classiques (Wiener, Searle, Minsky, Russell & Norvig) et des articles fondateurs (ReAct, Reflexion). Les concepts sont présentés avec clarté, mais la conférence reste une introduction sans démonstration expérimentale approfondie. La praticienne partage son expérience, ce qui renforce la crédibilité, mais certaines affirmations (ex. limites de ChromaDB) mériteraient des sources précises.

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

• 00:00Introduction et présentation de la conférencière, Galina Boeva (Antiplagiat, SberUniversity).
• 02:00Définition historique de l'agent : Wiener (cybernétique), Searle (chambre chinoise), Minsky (société de l'esprit).
• 05:00Définition formelle de l'agent selon Russell & Norvig : autonomie, réactivité, proactivité, sociabilité.
• 08:00Introduction aux agents LLM : différence avec les chatbots, nécessité d'outils et d'autonomie.
• 10:00Présentation des patterns : réflexion, utilisation d'outils, ReAct, planification.
• 15:00Systèmes multi-agents : orchestration, collaboration, structures (hiérarchique, décentralisée).
• 20:00Types de mémoire : court terme, long terme, sémantique, épisodique, et leur implémentation (RAG, mémoire vectorielle).
• 25:00Composants d'un agent : rôle (system prompt), raisonnement, mémoire, connaissances, autonomie.
• 30:00Apprentissage des agents : SFT, RLHF, feedback, et exemples de trajectoires.
• 35:00Articles clés : ReAct (raisonnement-action-observation) et Reflexion (réflexion verbale et mémoire épisodique).
• 40:00Benchmarks : SWE-bench, GAIA, AgentBench, MLE-bench.
• 45:00Frameworks : LangChain, LangGraph, Codex, et considérations d'infrastructure.
• 50:00Transition vers la partie pratique (non transcrite) : construction d'agents avec LangChain et LangGraph.

• Norbert Wiener, Cybernetics — Référence historique sur les systèmes de contrôle et de rétroaction.
• John Searle, Chinese Room argument — Expérience de pensée sur la compréhension et l'intentionnalité.
• Marvin Minsky, Society of Mind — Théorie de l'intelligence comme émergence d'agents simples.
• Russell & Norvig, Artificial Intelligence: A Modern Approach — Définition formelle de l'agent.
• ReAct: Synergizing Reasoning and Acting in Language Models — Article fondateur sur le pattern ReAct.
• Reflexion: Language Agents with Verbal Reinforcement Learning — Article sur la réflexion verbale et la mémoire épisodique.

• ReAct: Synergizing Reasoning and Acting in Language Models — Confirme le pattern ReAct présenté dans la vidéo.
• Reflexion: Language Agents with Verbal Reinforcement Learning — Confirme le concept de réflexion verbale et de mémoire épisodique.