CrossnoKaye fait calculer son agent IA industriel dans une sandbox Python, et non dans la « tête » du LLM

Si vous avez déjà essayé de brancher un agent LLM sur un système industriel, vous savez comment cela se termine. Les données se trouvent dans des historians (des bases de séries temporelles) aux noms de tags approximatifs. La logique des équipements est enfouie dans le code propriétaire des automates, invisible pour un outil externe. Et donner accès à tous les systèmes à la fois revient à disséminer des identifiants sur le réseau de l'usine. CrossnoKaye a résolu le problème non pas en accolant un agent à l'existant, mais en l'intégrant à sa propre plateforme.

Un agent à l'intérieur de la plateforme, pas à côté

ATLAS est une solution d'automatisation définie par logiciel. Sur le site, un cluster Kubernetes local exécute les scénarios de contrôle de base (automates à états finis, séquences, limites, verrouillages) au-dessus des PLC et DCS existants. Le client n'a pas à remplacer son matériel. La passerelle edge se contente d'envoyer les données vers l'extérieur et n'ouvre aucun port entrant. Si la liaison avec le cloud est coupée, l'usine continue de fonctionner sur sa logique locale.

L'agent AURA vit dans le même périmètre de sécurité, sur Amazon EKS. Il lit l'état de l'usine via une passerelle de données unique, avec les droits de l'utilisateur qui l'appelle. Il y trouve la topologie des équipements, la logique de verrouillage détaillée, les mesures physiques et calculées, l'historique des alarmes et la documentation dans Bedrock Knowledge Bases.

Le contexte change beaucoup de choses. Dans une carrière, le concasseur secondaire s'est arrêté deux fois au cours d'un poste après le concasseur tertiaire. Sur les seuls horodatages, le concasseur semblait coupable. Mais AURA voyait le schéma des convoyeurs et les verrouillages. La bande de recirculation sous le concasseur tertiaire patinait, la protection contre la surcharge se déclenchait, et un verrouillage amont coupait le concasseur secondaire pour ne pas alimenter une machine à l'arrêt. L'opérateur a été envoyé vers la bande, et le problème a été réglé en quelques minutes.

Le calcul revient au code, pas au modèle

Un LLM interprète bien le contexte d'ingénierie et planifie une enquête, mais il ne peut pas calculer de façon fiable des statistiques ou un bilan sur des millions de mesures dans un prompt. AURA écrit donc du Python et l'exécute dans Code Interpreter d'Amazon Bedrock AgentCore. Il s'agit de micro-VM isolées, gérées par AWS. Bedrock Guardrails et des garde-fous en périphérie s'y ajoutent.

Deux choix de conception sont utiles bien au-delà de l'industrie.

Sandbox tièdes et jetables. Dans le chat interactif, l'ingénieur teste ses hypothèses pas à pas : il charge une journée d'alarmes sur 94 sites, filtre les capteurs de niveau « instables », puis rapproche les arrêts de compresseurs de la température de bulbe humide. Un démarrage à froid à chaque tour effacerait les tables de la mémoire.

Une session AgentCore vivante est donc liée à la conversation, avec un TTL glissant de 15 minutes, et une nouvelle session est créée si l'utilisateur revient après une pause. Pour les Tasks planifiées et les Routines nocturnes, c'est l'inverse. La reproductibilité est indispensable : chaque exécution a donc lieu dans une micro-VM neuve, arrêtée dès la fin du calcul.

Cela évite les fuites d'état entre exécutions et la facturation d'une sandbox inactive.

Des contrats de données plutôt que du texte issu de stdout. Les premières versions, où le modèle affichait du JSON ou une synthèse dans la sortie standard, se sont révélées fragiles. Le modèle confondait des noms de colonnes, perdait une partie de la fenêtre temporelle ou cassait le format destiné aux graphiques.

Désormais, l'orchestrateur vérifie d'abord le contrat d'entrée et dépose dans la sandbox jusqu'à 50 jeux de données. Il ajoute au script du modèle un wrapper de validation, qui s'assure que chaque table déclarée existe sous forme de pandas.DataFrame avec les colonnes et les types attendus, puis l'enregistre au format Parquet.

Si le script plante ou qu'une colonne manque, l'utilisateur ne voit pas de chiffres erronés. Un workflow Temporal transforme le traceback et l'écart de schéma en requête structurée, et l'agent corrige son code puis relance le calcul.

Ce que cela donne en pratique

Exemple à l'échelle d'une flotte : lors de l'analyse des pannes critiques sur 94 sites en une journée, le code a regroupé les événements par objet, par règle et par intervalle entre déclenchements. Au lieu d'un classement par nombre d'alarmes, on a découvert que les 103 activations d'une usine correspondaient à deux règles de niveau de cuve qui se répétaient. Dans une autre, 58 activations (ammoniac, évaporateurs, vannes de gaz chauds) tenaient en une seconde. C'est là que se trouve la défaillance en cascade de l'équipement.

AURA lance aussi des Routines, des observateurs en arrière-plan déclenchés selon un calendrier, des seuils et des régimes de fonctionnement des équipements. Ils ouvrent d'eux-mêmes une enquête en lecture seule. Avant l'envoi d'un rapport (Brief), le système vérifie que chaque lien qu'il contient pointe vers une fenêtre de télémétrie enregistrée.

Limites et enseignements

Les chiffres sur la hausse de la production de 11 à 17 %, la baisse de la consommation d'énergie de 21 % et zéro incident de sécurité par million d'heures sont des déclarations de CrossnoKaye elle-même. Ils portent sur l'ensemble de la plateforme APC, et non sur l'agent pris isolément. La description est en outre très liée à la pile AWS : VPC Lattice, MSK, SQS, EKS, AgentCore. Il faut aussi garder à l'esprit que chez CrossnoKaye, cette architecture repose sur une plateforme prête à l'emploi dotée d'un modèle d'usine unifié, et que la plupart des entreprises n'ont pas un tel socle.

On peut en tirer trois leçons générales. Premièrement, l'agent a besoin d'accéder à la structure du système, pas seulement aux logs. Deuxièmement, toute affirmation chiffrée gagne à être calculée dans un environnement isolé. Troisièmement, mieux vaut n'accepter le résultat d'une sandbox qu'à travers un schéma et un validateur, et renvoyer l'erreur à l'agent pour qu'il se corrige. Ces pratiques conviennent aussi à la finance, à la logistique et à toute analyse où une erreur de chiffre coûte cher.