KI-Assistenten optimieren die Automatisierung mit API-basierten Agenten

Von generative KI gestützte Assistenten verändern Unternehmen durch intelligente Dialogschnittstellen. Diese Assistenten, die in der Lage sind, menschenähnliche Antworten und Inhalte zu verstehen und zu generieren, revolutionieren die Art und Weise, wie Menschen und Maschinen zusammenarbeiten. Große Sprachmodelle (LLMs) stehen im Mittelpunkt dieser neuen Umwälzung. LLMs werden anhand riesiger Datenmengen trainiert und können in unzähligen Anwendungen eingesetzt werden. Sie lassen sich mit wenigen Trainingsbeispielen leicht an bestimmte Anwendungsfälle in Unternehmen anpassen.

Wir erleben eine neue Phase der Evolution, in der KI-Assistenten über Konversationen hinausgehen und lernen, wie sie Werkzeuge durch Agenten nutzen können, die Anwendungsprogrammierschnittstellen (APIs) aufrufen können, um spezifische Geschäftsziele zu erreichen. Aufgaben, die früher Stunden dauerten, können jetzt in Minuten erledigt werden, indem ein großer Katalog wiederverwendbarer Agenten orchestriert wird. Außerdem können diese Agenten miteinander kombiniert werden, um komplexe Workflows zu automatisieren.

KI-Assistenten können API-basierte Agenten einsetzen, um Wissensarbeiter bei alltäglichen Aufgaben wie dem Erstellen von Stellenbeschreibungen, dem Abrufen von Berichten in HR-Systemen, der Kandidatensuche und vielem mehr zu unterstützen. Beispielsweise kann ein Personalmanager einen KI-Assistenten bitten, eine Stellenbeschreibung für eine neue Rolle zu erstellen, und der Assistent kann eine detaillierte Stellenbeschreibung erstellen, die den Anforderungen des Unternehmens entspricht. In ähnlicher Weise kann ein Personalvermittler einen KI-Assistenten bitten, Kandidaten für eine offene Stelle zu finden, und der Assistent kann eine Liste qualifizierter Kandidaten aus verschiedenen Quellen bereitstellen. Mithilfe von KI-Assistenten können Wissensarbeiter Zeit sparen und sich auf komplexere und kreativere Probleme konzentrieren.

Automatisierungsentwickler können auch die Leistung von KI-Assistenten nutzen, um Automatisierungen schnell und einfach zu erstellen. Auch wenn es wie ein Rätsel klingen mag, nutzen KI-Assistenten generative KI, um den Prozess der Automatisierung selbst zu automatisieren. Dadurch können Agenten schneller und einfacher erstellt werden. Bei der Entwicklung von Agenten für die Geschäftsautomatisierung gibt es zwei wesentliche Schritte: das Training und die Anreicherung von Agenten für die Zielanwendungsfälle und die Orchestrierung eines Katalogs mit mehreren Agenten.

APIs sind das Rückgrat von KI-Agenten. Die Entwicklung von API-basierten Agenten ist eine komplexe Aufgabe, die die Interaktion mit einem Benutzer in dialogischer Weise, die Identifizierung der APIs, die zur Erreichung eines Benutzerziels benötigt werden, das Stellen von Fragen zur Erfassung der erforderlichen Argumente für die API, das Erkennen der vom Benutzer bereitgestellten Informationen, die beim Aufruf der API benötigt werden, die Anreicherung der APIs mit Beispieläußerungen und das Generieren von Antworten auf der Grundlage der API-Rückgabewerte umfasst. Dieser Prozess kann selbst für einen erfahrenen Entwickler Stunden dauern. LLMs können diese Schritte jedoch automatisieren. Dies ermöglicht es Entwicklern, APIs schneller für spezifische Aufgaben zu trainieren und zu bereichern.

Angenommen, Bob, ein Automatisierungsbauer, möchte API-basierte Agenten erstellen, mit denen Verkäufer eines Unternehmens eine Liste von Zielkunden abrufen können. Der erste Schritt besteht darin, die API „Meine Kunden abrufen“ in den KI-Assistenten zu importieren. Um diese Automatisierung als Agent verfügbar zu machen, muss Bob jedoch mehrere manuelle und mühsame Schritte durchführen, darunter das Training des Klassifikators für natürliche Sprache mit Beispieläußerungen. Mithilfe von LLMs können KI-Assistenten automatisch Trainingsbeispiele aus OpenAPI-Spezifikationen generieren. Diese Funktion kann den erforderlichen manuellen Aufwand erheblich reduzieren. Sobald das Foundation Model für das semantische Verständnis feinabgestimmt ist, kann es die Prompts und Absichten der Geschäftsanwender besser verstehen. Bob kann die generierten Fragen weiterhin mit einem Human-in-the-Loop-Ansatz überprüfen und bearbeiten.

Bald wird der Prozess der Agentenerstellung vollständig automatisiert sein, indem APIs identifiziert, Slots gefüllt und APIs erweitert werden. Dadurch wird der Zeitaufwand für die Erstellung von Automatisierungen reduziert, technische Hürden werden abgebaut und wiederverwendbare Agentenkataloge verbessert.

Die Entwicklung von Automatisierungsabläufen, die mehrere APIs nutzen, kann technisch komplex und zeitaufwändig sein. Um mehrere APIs zu verbinden, ist es wichtig, die richtigen APIs zu identifizieren, in die richtige Reihenfolge zu bringen und aufzurufen, um ein bestimmtes Geschäftsziel zu erreichen. KI-Assistenten nutzen LLMs und Planungstechniken, um diesen Prozess zu vereinfachen und technische Hürden abzubauen. LLMs können als leistungsstarkes Empfehlungssystem fungieren, das auf Basis von Nutzung, Ähnlichkeiten und Beschreibungen die am besten geeigneten APIs vorschlägt.

Entwickler müssen die Eingaben und Ausgaben mehrerer APIs aufeinander abstimmen, um Automatisierungen zu erstellen, was ein langwieriger und fehleranfälliger Prozess ist. Die LLM-gesteuerte API-Zuordnung automatisiert diesen Ausrichtungsprozess auf Basis von API-Attributen und Dokumentation. Dies macht es für Automatisierungsersteller einfacher, bestehende APIs aus großen Katalogen ohne manuelle Eingriffe wiederzuverwenden.

Nun möchte unser Automatisierungskonstrukteur Bob eine komplexere Multi-API-Automatisierung erstellen, die es Verkäufern ermöglicht, eine Liste von Kunden abzurufen und anschließend eine Liste personalisierter Produktempfehlungen zu generieren. Nach dem Import und der Erweiterung des API-Agenten „Meine Kunden abrufen“ kann die mit LLM angereicherte Sequenzierungsfunktion automatisch die API „Produktempfehlungen generieren“ empfehlen. Das bedeutet, dass Bob nicht jede API einzeln durchsuchen muss, um die am besten geeignete aus dem umfangreichen Agentenkatalog zu finden.

Darüber hinaus enthält jede API Felder mit unterschiedlichen Datentypen. Die Quell-API bietet Ausgabefelder, die Informationen über eine Gruppe von Kunden darstellen. Die Ziel-API stellt Eingabefelder bereit, die auch Kundeninformationen enthalten. Normalerweise müsste Bob seine Zeit damit verbringen, jedes Feld in den Ziel-APIs manuell einem entsprechenden Feld in der Quell-API zuzuordnen. Dieser mühsame Aufwand würde sich mit zunehmender Anzahl von Quell-APIs und Zielfeldern noch verschärfen. Der API-Mapping-Service kann eine Reihe von Ausrichtungsvorschlägen generieren, die Bob schnell überprüft, bearbeitet und speichert.

IBM watsonx Orchestrate verwendet eine Kombination von KI-Modellen (einschließlich LLMs), um den Prozess des Aufbaus von KI-Agenten durch API-Anreicherung, Sequenzierung und Mapping-Empfehlungen zu vereinfachen. In der neuen Entwicklungsphase werden KI-Assistenten in der Lage sein, mehrere APIs zur Laufzeit zu sequenzieren, um Geschäftsziele zu erreichen, die von nicht technischen Wissensarbeitern definiert sind, was die Automatisierung weiter demokratisiert. Durch den Einsatz von KI-Assistenten können Unternehmen ihre Automatisierung beschleunigen und erhebliche Ressourcen auf wertschöpfendere Bereiche umverteilen.