IA agentique pour des recommandations de tourisme responsables

Comment les systèmes de recommandation alimentés par l'IA peuvent-ils aller au-delà de l'optimisation des préférences individuelles pour soutenir un tourisme plus responsable ? Nous commençons par examiner l'évolution des systèmes de recommandation traditionnels vers la recommandation alimentée par des LLM et agentique, en explorant comment les LLM permettent une compréhension contextuelle plus riche, une interaction conversationnelle et un raisonnement, et comment l'IA agentique peut intégrer plusieurs objectifs et parties prenantes dans le processus de recommandation. Ancrant cette transition dans une recherche pratique, nous mettons en lumière deux projets récents : Collab-REC, un cadre multi-agent qui rassemble personnalisation, popularité et objectifs de durabilité, et TRACE, un système conversationnel interactif conçu pour aider les utilisateurs à comprendre et à envisager des choix de voyage plus durables. En utilisant Gemini et le kit de développement d'agents (ADK) de Google, ces projets illustrent comment des architectures agentiques émergentes peuvent traduire des idées de recherche en systèmes d'IA pratiques. En regardant vers l'avenir, à mesure que les agents recommandateurs deviennent plus autonomes et personnalisés, de nouvelles questions émergent autour de la vie privée, de la transparence, de l'évaluation, de la responsabilité, et de l'équilibre entre les préférences des utilisateurs et l'impact sociétal et environnemental. La présentation explore ces défis ouverts et les opportunités de construire des systèmes d'IA qui sont non seulement plus performants mais aussi plus responsables. Qui devrait assister ? L'architecture sous-jacente des systèmes de recommandation résout un goulot d'étranglement universel en IA pour la science : comment construire des systèmes d'agents autonomes qui négocient des objectifs complexes et concurrents plutôt que d'optimiser pour un seul indicateur. Que vous équilibriez l'efficacité thérapeutique contre la toxicité dans les régimes de santé, que vous pesiez la performance mécanique contre les empreintes carbone sur le cycle de vie dans la découverte de matériaux, ou que vous naviguiez dans des contraintes écologiques dans la modélisation des ressources géoscientifiques, le défi est identique. Les participants repartiront avec des flux de travail pratiques pour orchestrer le consensus multi-agent, ancrer des agents génératifs dans des contraintes de domaine strictes, et concevoir un raisonnement transparent avec l'utilisateur impliqué. Si votre recherche exige des flux de travail d'IA qui raisonnent à travers les compromis entre plusieurs parties prenantes, l'éthique et la durabilité, cette session fournit un plan d'action applicable dans la découverte scientifique et l'ingénierie.