NVIDIA KGMON : concevoir des agents d'analyse fiables
L'équipe KGMON de NVIDIA s'est classée deuxième lors de la compétition KDD Cup 2026 dédiée aux agents de données. Le défi consistait à créer des systèmes capables de répondre à des questions en langage naturel à partir de sources hétérogènes, incluant bases de données SQL, fichiers CSV, PDF et vidéos, en s'appuyant sur un petit modèle de langage fixe. Pour réussir, le développement a dû se concentrer sur l'architecture du système d'encadrement plutôt que sur la puissance du modèle lui-même. La stratégie repose sur la réduction drastique de l'espace d'action des agents. Au lieu de multiplier les outils d'interrogation, KGMON a unifié l'accès aux données structurées via une interface SQL unique, en convertissant les fichiers CSV et JSON dans une base SQLite temporaire. Un examen préalable du schéma des données a été intégré avant la phase de raisonnement, informant l'agent des colonnes, des jointures possibles et des ambiguïtés potentielles. Cette approche élimine les erreurs de routage et préserve les appels au modèle pour l'analyse proprement dite. Le système utilise un environnement informatique persistant avec un ensemble restreint et spécialisé de fonctions. Un middleware répare automatiquement les erreurs de syntaxe des outils, évitant l'arrêt prématuré des tentatives, tandis que la conservation des variables intermédiaires réduit la répétition des étapes. Pour les documents textuels et les vidéos, le pipeline de prétraitement extrait sélectivement les informations pertinentes. Les textes longs ne sont pas chargés en intégralité mais traités par morceaux ciblés, et les vidéos sont analysées par extraction de transcripts et d'images clés, préservant ainsi la fenêtre de contexte de l'agent. La traçabilité et l'évaluation constituent le pilier opérationnel de l'approche. Chaque exécution enregistre en détail les requêtes, les appels d'outils et les résultats intermédiaires, permettant une inspection précise des échecs et une catégorisation systématique des erreurs. Pour optimiser la fiabilité, le système autorise plusieurs tentatives par tâche, mais sélectionne celles qui offrent des résultats stables, en mesurant précisément leur coût en calcul. Les boucles d'amélioration automatique sont contrôlées par des garde-fous humains pour éviter la mémorisation du benchmark. La KDD Cup 2026 démontre que la robustesse des agents d'analyse de données ne dépend pas uniquement de la taille des modèles sous-jacents, mais de la rigueur de leur architecture. En limitant les chemins d'exécution, en structurant l'accès aux données et en intégrant une supervision humaine ciblée, les équipes peuvent construire des systèmes inspectables, reproductibles et adaptés à des environnements de production exigeants. Ces enseignements offrent une feuille de route concrète pour les développeurs souhaitant déployer des agents intelligents fiables dans des workflows analytiques complexes.
