Au-delà des chatbots : créer des applications agentiques avec Altair & Mendix
À retenir
- MendixAltair Graph Studio et MCP créent une nouvelle architecture puissante qui transforme les données d'entreprise fragmentées en informations intelligentes et exploitables.
- Les graphes de connaissances remplacent les jointures complexes de bases de données par des relations contextuelles métier, aidant ainsi les agents d'IA à comprendre comment vos systèmes sont réellement connectés.
- MCP agit comme une plateforme d'intégration réutilisable : créez des fonctionnalités d'IA une seule fois et déployez-les n'importe où sans réécrire de code.
- Posez des questions en langage naturel comme « Quel poste présente le taux de défauts le plus élevé ? » et obtenez une analyse instantanée des causes profondes en quelques secondes.
Décloisonner les données d'entreprise
Dans un environnement de production classique, vos données sont fragmentées. Les structures de produits résident dans le PLM (comme Siemens Teamcenter). Les commandes et les stocks sont gérés par un ERP (comme SAP). Les interactions clients sont gérées par un CRM (comme Salesforce). Et puis il y a… Mendix Des applications conçues pour combler les lacunes et numériser les processus en atelier.
Chaque système excelle dans son domaine. Mais lorsqu'un directeur d'usine ou un ingénieur qualité pose une question transversale comme : «Les défaillances de qualité sont-elles corrélées à des quarts de travail spécifiques, et quelles machines sont responsables ? – Les équipes informatiques s'efforcent encore de rassembler les exportations SQL, les feuilles de calcul et les intégrations ponctuelles.
C'est précisément l'espace problématique où MendixAltair Graph Studio et les agents GenAI alimentés par le protocole MCP (Model Context Protocol) forment une nouvelle architecture puissante.
Pour démontrer comment ces trois technologies convergent pour nous faire passer de rapports statiques à une IA agentique, nous avons construit une application complète de gestion des opérations de fabrication nommée Evora.
La nouvelle pile technologique : Low-code, graphes de connaissances et MCP
Avant d'aborder le cas d'utilisation, définissons les trois ingrédients essentiels qui rendent cette architecture possible.
1. Altair Graph Studio : Le tissu sémantique
Dans les bases de données industrielles traditionnelles, on raisonne en termes de tables et de jointures. Avec Altair Graph Studio, on raisonne en termes d'entités et de relations. Au lieu d'associer la ligne 402 à la ligne 881, le graphe comprend le contexte métier.
Assembly→ est composé de →ComponentsMachine→ est exploité par →OperatorDefect→ s'est produit pendant →Shift
Graph Studio devient la carte de votre entreprise, en ingérant des données provenant de Teamcenter, SAP et Mendixet en l’enrichissant d’une ontologie (description formelle de la façon dont vos concepts métier sont liés les uns aux autres).
2. Mendix: La couche d'orchestration
Mendix demeure la « porte d’entrée » et le plan de contrôle. Dans cette architecture, Mendix Il ne s'agit pas simplement d'une interface utilisateur ; c'est l'environnement dans lequel l'agent évolue au cœur de l'action. Il héberge les portails où les ingénieurs qualité consultent les informations et, surtout, déclenchent les flux de travail pour corriger les problèmes (par exemple, la création d'un ticket de maintenance ou le signalement d'un lot).
3. MCP : Le langage standard pour les agents
C'est une véritable révolution. Le protocole MCP (Model Context Protocol) est une norme ouverte qui permet d'exposer des données et des outils aux grands modèles de langage (LLM) de manière cohérente. Au lieu de coder en dur une intégration entre un chatbot et une base de données, vous créez un serveur MCP. Ce serveur fait office de catalogue et indique à l'IA : « … »Voici les outils dont je dispose (par exemple,execute_sparql_query,get_quality_metrics), et voici comment vous les utilisez ».
Le scénario « Évora » : Analyse des causes profondes en atelier
Voyons cela en pratique. Dans notre application de démonstration, Evora, nous suivons les données de fabrication de plusieurs usines, notamment les dossiers d'assemblage, les données de châssis et les journaux des opérateurs.
Le problème
Un ingénieur qualité constate une baisse des indicateurs, mais ignore pourquoi. Traditionnellement, identifier la cause première nécessiterait d'interroger trois systèmes différents ou de demander à un analyste de données de segmenter les données par équipe, puis par machine, puis par opérateur.
La solution d'application agentique
Intégré directement à l'intérieur du Mendix L'application est un agent d'IA. Comme nous avons exposé le graphe de connaissances Altair via un serveur MCP, l'ingénieur peut simplement demander :
« Les défaillances de qualité sont-elles corrélées à des quarts de travail spécifiques ? Quel quart de travail présente le taux de défauts le plus élevé ? »
Que se passe-t-il sous le capot ?
C’est là que l’aspect « agentique » prend tout son sens. Le modèle LLM (par exemple, Claude Sonnet ou OpenAI GPT) analyse l’intention. Il constate qu’il ne possède pas la réponse en mémoire, mais il dispose d’un outil dans sa boîte à outils MCP pour interroger le graphe.
- Explication : L’agent construit une requête sur le graphe de connaissances pour récupérer le nombre de défauts regroupés par équipe.
- Exécution : Le serveur MCP exécute la requête sur Altair Graph Studio.
- L'idée principale : le graphique renvoie les données brutes, et l'agent les synthétise en une réponse claire.
L'ingénieur peut ensuite assurer le suivi : « Approfondissez l'analyse du quart de nuit. S'agit-il d'une machine spécifique ? » L'agent fait simplement appel à nouveau aux outils graphiques nécessaires pour affiner la réponse.
Écrire une fois, exécuter partout : la puissance du MCP
Pourquoi est-ce mieux qu'une intégration API standard ? La portabilité.
Étant donné que la logique est encapsulée dans un serveur MCP, elle offre exactement les mêmes fonctionnalités que celles utilisées par le Mendix L'application peut être intégrée à d'autres clients d'IA sans qu'une seule ligne de code ne soit réécrite :
- In MendixLes ouvriers de l'atelier utilisent l'agent pour résoudre les problèmes en temps réel.
- Dans Altair Agent Studio : les data scientists utilisent la même connexion graphique pour prototyper de nouveaux flux analytiques.
- Dans ChatGPT/Claude Desktop : un architecte d’entreprise peut se connecter à « Evora Graph MCP » pour poser des questions architecturales de haut niveau sur le modèle de données.
Vous ne créez pas un chatbot ; vous créez une plateforme d'intégration réutilisable et native de l'IA.
Pourquoi cela résonne-t-il avec l'informatique de production ?
Pour Siemens Pour les clients et les entreprises industrielles, cette architecture résout trois défis critiques :
- Le contexte prime sur le chaos : cette approche va au-delà de la simple recherche documentaire. Grâce à un graphe de connaissances, l’IA comprend la structure de vos nomenclatures et processus, réduisant ainsi les erreurs et améliorant la précision.
- Gouvernance : L’IA accédant aux données via un serveur MCP, le service informatique contrôle précisément ce qu’elle peut voir et faire. Il ne s’agit pas de déposer votre base de données sur un LLM public ; vous fournissez à un agent des outils spécifiques et contrôlés.
- Agilité: Mendix offre la rapidité nécessaire pour créer les interfaces utilisateur et les flux de travail qui transforment ces informations issues de l'IA en actions concrètes, comme la mise en pause d'une chaîne de production ou la planification de formations de recyclage pour les opérateurs.
La voie à suivre
La démonstration d'Evora prouve que l'avenir des logiciels industriels ne réside pas seulement dans la collecte de données, mais aussi dans leur synthèse. En combinant Mendix Pour l'expérience utilisateur, Altair pour le contexte sémantique et MCP pour la connectivité, nous entrons dans l'ère des applications agentives — des applications qui ne se contentent pas d'afficher des données, mais vous aident à les comprendre et à agir en conséquence.