Comprenez et activez les Skills pour votre agent IA

Grâce aux chapitres précédents, vous avez relevé avec brio le défi de l'évaluation et de l'optimisation de votre modèle de crédit. Vous avez déjoué le piège de l'exactitude qui peut être élevée malgré de mauvaises performances, codé un indicateur financier adapté à la réalité business et métier, mis en place des vérifications personnalisées pour interdire la mise en production de modèles déficitaires ou biaisés, et enfin, entraîné un algorithme robuste de Gradient Boosting évalué par validation croisée à 5 plis. En ajustant son seuil de décision, vous avez transformé un déficit en un gain financier pour la banque, prouvé par un rapport de comparaison irréfutable.

Mais alors que votre projet de crédit à la consommation touche à sa fin, une nouvelle perspective se dessine : la banque souhaite étendre cette méthodologie rigoureuse à tous ses autres produits de financement (crédits immobiliers, prêts automobiles, crédits étudiants).

Pour y parvenir à grande échelle, votre équipe souhaite s'appuyer sur la puissance des agents d'intelligence artificielle (comme Claude Code, Cursor, ou Copilot).

Dans ce chapitre final, vous allez découvrir comment pérenniser vos standards d'évaluation. Nous allons voir comment packager l'intégralité de vos règles bancaires (déséquilibre des classes, validation croisée, métrique de gain financier, et seuil ajusté) sous la forme de Skills. Ces "compétences" prêtes à l'emploi permettront à vos agents IA de reproduire automatiquement, fidèlement et sans oubli, l'exacte méthodologie d'audit que vous avez conçue au fil des chapitres.

Comprenez le rôle des Skills dans le travail de l'agent IA

Dans la pratique moderne de la science des données, l'intégration des agents est devenue incontournable. Ces agents possèdent une excellente connaissance des bibliothèques génériques comme scikit-learn ou pandas. Cependant, un modèle d'IA générique souffre d'un défaut majeur : il ne connaît ni vos conventions d'équipe, ni vos préférences de codage, ni vos exigences de conformité bancaire.

Si vous demandez aujourd'hui à un agent IA standard d'évaluer un nouveau modèle sur le crédit immobilier, il se contentera de générer un script d'évaluation classique utilisant le seuil par défaut de 50 % et une simple exactitude statistique. Il reproduira exactement les erreurs méthodologiques que vous avez mis plusieurs chapitres à corriger !

La première solution consisterait à lui réexpliquer l'intégralité de vos consignes de risque et de conformité au début de chaque session de discussion. Mais cette approche est fastidieuse, sujette aux oublis et inadaptée à un travail d'équipe régulier.

C'est ici qu'interviennent les Skills.

Chaque skill dispose d'une description qui permet à l'agent d'identifier de lui-même la situation où il a besoin de l'activer. Cela évite de surcharger inutilement la mémoire (le contexte) de votre agent en début de session, tout en garantissant que la bonne règle sera appelée au moment opportun.

Installez les skills Probabl pour votre agent

Pour commencer à travailler avec ces assistants enrichis, vous devez d'abord installer le dépôt de skills fourni en open source par Probabl. Ce catalogue contient un ensemble de compétences fondamentales de data science.

La bibliothèque Skore propose plusieurs méthodes d'installation selon vos outils préférés :

• Via la CLI skore : En exécutant skore skills install dans votre terminal [83]. Cette méthode est idéale si vous gérez déjà votre projet avec des gestionnaires de paquets modernes comme pip, uv ou pixi.

• Via npx : En exécutant la commande npx skills add probabl-ai/skills, parfaite si vous préférez travailler dans l'écosystème Node.js.

• Via l'interface graphique : En téléchargeant le script d'installation pour l'injecter directement dans l'interface de votre agent IA favori.

L'objectif de cette vidéo est de vous montrer comment installer concrètement les skills de data science dans votre projet de crédit et comment observer votre agent IA les activer en temps réel dès que vous lui soumettez une tâche.

Vous avez vu que l'agent n'a pas attendu vos consignes détaillées pour appliquer les bonnes pratiques : il s'est auto-régulé grâce aux connaissances du skill explore-ml-data.

Découvrons-le en analysant l'anatomie d'un de ces fichiers de compétence.

Examinez l'anatomie d'un fichier SKILL.md

Pour qu'un agent IA puisse interpréter et exécuter une compétence de manière autonome, celle-ci doit respecter une structure standardisée et rigoureuse. Chaque skill de votre projet est un simple fichier Markdown nommé SKILL.md.

Un fichier SKILL.md est divisé en deux grandes sections distinctes :

• L'en-tête (front matter) : Écrit au format YAML, il comporte deux attributs essentiels : le name (le nom technique de la compétence) et la description. La description est rédigée de manière extrêmement précise en langage naturel. C'est ce paragraphe que l'agent va analyser et comparer à vos prompts pour décider s'il doit "activer" le skill ou rester silencieux.

• Le corps du texte : Cette partie est rédigée spécifiquement pour l'agent (et non pour un lecteur humain). Elle dicte de manière impérative la marche à suivre, détaille les pièges méthodologiques à éviter (comme le sur-apprentissage ou l'évaluation sur l'Accuracy seule), et liste les autres sous-skills à appeler en complément si nécessaire. Elle intègre également des structures de code réutilisables (templates) et des scripts d'automatisation.

Dans cette vidéo, vous allez ouvrir pour la première fois le code source du skill d'audit de pipeline de Skore. L'objectif pédagogique est de comprendre comment les métadonnées et les instructions du fichier guident l'agent IA pour qu'il applique une méthodologie sans faille.

Vous comprenez désormais qu'un skill n'est rien d'autre qu'un fichier Markdown écrit avec rigueur, dont la description sert de déclencheur sémantique et dont le corps impose une méthodologie stricte à l'intelligence artificielle. 

Pour finir d'appréhender le fonctionnement de ces outils, observons la différence d'action concrète entre un agent doté de skills et un agent laissé à lui-même.

Découvrez comment les skills agissent

Pour mesurer l'intérêt de cette approche, il faut comparer le comportement d'un agent "nature" (qui utilise ses seules connaissances d'entraînement) à celui d'un agent "augmenté" par le dépôt de skills de Skore.

La bibliothèque de skills de Probabl couvre l'intégralité du cycle de vie d'un projet de science des données, depuis l'exploration initiale jusqu'à la phase d'audit finale de conformité. Les skills sont conçus pour être compatibles avec une grande variété de modèles de langage (légers ou lourds) et de frameworks d'agents (Claude Code, GitHub Copilot, Cursor ou OpenCode). Ils garantissent ainsi une uniformité des standards de développement au sein d'une équipe, peu importe l'éditeur de code ou le modèle d'IA utilisé par chaque collaborateur.

L'objectif de cette vidéo est de vous faire assister à un "match" en direct : nous allons soumettre la même tâche d'analyse exploratoire des risques à un agent IA classique, puis à un agent augmenté du skill explore-ml-data, pour comparer la rigueur de leurs livrables.

La démonstration est sans appel : l'agent augmenté par les skills a développé une analyse infiniment plus sûre et conforme aux exigences de notre industrie. Il a automatiquement mis en place les garde-fous méthodologiques requis. C'est maintenant à vous d'appliquer cette logique en concevant une instruction de skill personnalisée pour sécuriser l'audit d'un nouveau projet bancaire !

En résumé

• Les agents d'intelligence artificielle classiques sont génériques ; ils ignorent les standards de codage, les règles de conformité et les spécificités de vos cas d'usage métiers.

• Un Skill est un fichier de méthodologie enregistré (au format Markdown SKILL.md) qui fournit à l'agent IA des instructions de travail ciblées et persistantes.

• L'en-tête (front matter) d'un skill contient son nom et sa description en langage naturel, qui sert de déclencheur sémantique pour que l'agent sache quand l'activer.

• Le catalogue de compétences se déploie simplement à l'aide de la CLI Skore via la commande skore skills install.

• L'utilisation d'agents augmentés par les skills Probabl garantit une uniformité et une rigueur exemplaires dans la mise en place de vos diagnostics de Machine Learning, projet après projet.

Félicitations, vous êtes arrivé au bout de ce cours ! Au fil de ces cinq chapitres, vous avez découvert comment Skore peut enrichir votre pratique de la data science et faciliter l’utilisation d’agents. À l’image des Skills, qui permettent de personnaliser un agent selon vos usages, Skore apporte trois briques complémentaires : les diagnostics, qui permettent à l’agent de critiquer ses résultats, d’itérer et de vérifier qu’un modèle atteint le niveau attendu ; les abstractions, qui masquent la complexité technique pour vous permettre de vous concentrer sur l’essentiel ; et les reports, qui centralisent données, diagnostics et indicateurs de performance afin de rendre vos expérimentations plus faciles à reproduire, comparer et analyser. Vous avez ainsi appris à évaluer vos modèles, à intégrer des contraintes métiers, à automatiser vos vérifications et à comparer vos expérimentations pour sélectionner le modèle le plus pertinent. Il ne vous reste plus qu’une dernière étape : réalisez le quiz final pour valider les connaissances et compétences acquises tout au long du cours. Félicitations pour votre parcours, et bonne chance pour le quiz !