Function calling : comment l'IA utilise des outils externes

Qu'est-ce que le function calling ?

Le function calling (aussi appelé « tool use ») est la capacité d'un LLM à demander l'exécution de fonctions externes en fonction des requêtes des utilisateurs.

Limitation traditionnelle des LLM

Utilisateur : "Quel est le prix du Bitcoin en ce moment ?"

LLM (sans outils) : 
"Selon mes données d'entraînement, le Bitcoin valait environ X $..."
→ Obsolète, potentiellement faux

Avec le function calling

Utilisateur : "Quel est le prix du Bitcoin en ce moment ?"

Réflexion du LLM : "J'ai besoin de données en temps réel. Je vais appeler get_crypto_price()"

Appel de fonction : get_crypto_price(symbol="BTC")
→ Retourne : 94 521,32 $

Réponse du LLM : "Le Bitcoin se négocie actuellement à 94 521,32 $"
→ Précis, en temps réel

Pourquoi le function calling est important

1. Informations en temps réel

Les LLM ont une date limite de connaissances. Les outils fournissent des données en direct :

Météo, cours boursiers, résultats sportifs, actualités
→ Tout nécessite un accès en temps réel

2. Calculs précis

Les LLM approximent les mathématiques. Les outils calculent avec précision :

LLM : "15 % de 3 847 $ font environ 577 $"
Outil calculatrice : "15 % de 3 847 $ font exactement 577,05 $"

3. Actions dans le monde réel

Les LLM génèrent du texte. Les outils agissent :

- Envoyer un e-mail
- Créer un événement dans l'agenda
- Mettre à jour une base de données
- Effectuer un appel API
- Exécuter du code

4. Accès aux données privées

Les LLM ne connaissent pas vos données. Les outils peuvent les interroger :

"Quels sont mes meilleurs clients ce mois-ci ?"
→ L'outil interroge votre CRM
→ Retourne les données clients réelles

Comment fonctionne le function calling

Étape 1 : Définir les outils disponibles

Vous indiquez à l'IA quelles fonctions existent :

{
  "name": "get_weather",
  "description": "Obtenir la météo actuelle pour un lieu",
  "parameters": {
    "location": "string (nom de la ville)",
    "units": "celsius ou fahrenheit"
  }
}

Étape 2 : L'IA décide d'utiliser un outil

En fonction de la requête, l'IA choisit :

Utilisateur : "Dois-je prendre un parapluie à Londres aujourd'hui ?"

Raisonnement de l'IA :
- L'utilisateur a besoin d'informations météo pour Londres
- Je dois appeler get_weather

Étape 3 : L'IA génère l'appel de fonction

L'IA produit une requête structurée :

{
  "function": "get_weather",
  "arguments": {
    "location": "London",
    "units": "celsius"
  }
}

Étape 4 : Votre système exécute

Votre application exécute la fonction réelle :

result = get_weather("London", "celsius")
# Retourne : {"temp": 12, "rain_chance": 85}

Étape 5 : L'IA interprète le résultat

Le résultat est renvoyé à l'IA :

Données météo : 12°C, 85 % de chances de pluie

Réponse de l'IA : "Oui, vous devriez absolument prendre un 
parapluie ! On prévoit de la pluie à Londres aujourd'hui avec 
85 % de probabilité de précipitations. La température est de 
12°C, plutôt fraîche."

Types d'outils courants

Récupération d'informations

- Recherche web
- Requêtes de base de données
- Consultations d'API
- Récupération de documents

Calculs

- Opérations mathématiques
- Conversions d'unités
- Calculs de dates/heures
- Formules financières

Actions

- Envoyer des messages (e-mail, Slack, SMS)
- Créer des enregistrements (CRM, base de données)
- Planifier des événements (agenda)
- Déclencher des workflows

Exécution de code

- Exécuter du Python/JavaScript
- Lancer des requêtes SQL
- Effectuer des analyses de données
- Générer des visualisations

Exemples concrets

Assistant de voyage

Utilisateur : "Réserve-moi un vol pour Tokyo le mois prochain"

Outils disponibles :
- search_flights(origin, destination, dates)
- check_calendar(dates)
- get_user_preferences()
- create_booking(flight_id)

Workflow de l'IA :
1. Vérifier le calendrier pour les disponibilités
2. Récupérer les préférences de l'utilisateur (compagnies, type de siège)
3. Rechercher les vols correspondants
4. Présenter les options à l'utilisateur
5. Créer la réservation une fois confirmée

Analyste de données

Utilisateur : "Quelles étaient les tendances de ventes du dernier trimestre ?"

Outils disponibles :
- query_database(sql)
- create_chart(data, chart_type)
- calculate_statistics(data)

Workflow de l'IA :
1. Interroger la base de données pour les données de ventes
2. Calculer les statistiques (croissance, moyennes)
3. Créer la visualisation
4. Présenter les insights avec le graphique

Support client

Utilisateur : "Je veux retourner la commande #12345"

Outils disponibles :
- lookup_order(order_id)
- check_return_eligibility(order_id)
- create_return_label(order_id)
- update_ticket(status)

Workflow de l'IA :
1. Rechercher les détails de la commande
2. Vérifier l'éligibilité au retour
3. Générer l'étiquette de retour
4. Mettre à jour le ticket de support

Function calling vs RAG

Ils sont souvent utilisés ensemble :

• →Le RAG fournit le contexte de connaissances
• →Les fonctions permettent les actions

Considérations de sécurité

Le risque

L'IA a accès à : delete_database()

Utilisateur : "Nettoie les anciens enregistrements"

Catastrophe potentielle si l'IA interprète mal

Stratégies d'atténuation

1. Confirmation pour les actions destructives
   "Êtes-vous sûr de vouloir supprimer 500 enregistrements ?"

2. Périmètre des permissions
   L'IA peut lire les commandes, mais pas les supprimer

3. Limitation du débit
   Maximum 10 appels API par conversation

4. Contrôle humain pour les actions sensibles
   Les actions au-dessus de 1 000 $ nécessitent une approbation

Points clés à retenir

1. →Le function calling permet à l'IA d'utiliser des outils externes
2. →Il permet des données en temps réel, des calculs précis et des actions réelles
3. →Fonctionne selon le cycle définir → décider → appeler → exécuter → interpréter
4. →Alimente des cas d'usage avancés : assistants, agents, automatisation
5. →Nécessite une conception sécuritaire rigoureuse pour les actions sensibles

Prêt à construire des agents IA ?

Cet article a couvert le quoi et le pourquoi du function calling. Mais construire des agents IA fiables nécessite de comprendre l'architecture complète des agents.

Dans notre Module 6 — Agents IA et ReAct, vous apprendrez :

• →L'architecture complète des agents ReAct
• →La conception et l'implémentation de jeux d'outils
• →Les patterns de gestion d'erreurs et de récupération
• →Les garde-fous de sécurité et le contrôle humain
• →Le déploiement d'agents en production

→ Explorer le Module 6 : Agents IA et ReAct