Was sind Agenten-Workflows?

Agentic Workflows sind KI-gestützte Prozesse, bei denen autonome KI-Agenten Entscheidungen treffen, Maßnahmen ergreifen und Aufgaben mit minimalem menschlichen Eingriff koordinieren. Diese Workflows nutzen die Kernkomponenten intelligenter Agenten wie logisches Denken, Planung und den Einsatz von Werkzeugen, um komplexe Aufgaben effizient auszuführen. Herkömmliche Automatisierungen wie die Robotic Process Automation (RPA) folgen vordefinierten Regeln und Entwurfsmustern. Dieser Ansatz kann für sich wiederholende Aufgaben, die einer Standardstruktur folgen, ausreichend sein. Agenten-Workflows sind dynamisch und bieten mehr Flexibilität, indem sie sich an Echtzeitdaten und unerwartete Bedingungen anpassen. KI-gestützte Agenten-Workflows gehen komplexe Probleme auf mehrstufige, iterative Weise an, so dass KI-Agenten Geschäftsprozesse aufschlüsseln, sich dynamisch anpassen und ihre Aktionen mit der Zeit verfeinern können.

Durch den Einsatz generativer KI zur Bewältigung komplizierter Arbeitsabläufe profitieren Unternehmen von einer verbesserten betrieblichen Effizienz, Skalierbarkeit und fundierter Entscheidungsfindung. Angesichts der Fortschritte im Bereich des maschinellen Lernens und der Verarbeitung natürlicher Sprache (Natural Language Processing, NLP) setzt sich KI-Technologie in Branchen immer mehr durch, die Prozesse automatisieren und optimieren und gleichzeitig die Abhängigkeit von menschlicher Aufsicht verringern möchten. Die Auswirkungen der Weiterentwicklung von KI-Modellen betreffen nicht nur die Softwareentwicklung, sondern auch Branchen wie das Gesundheitswesen, das Finanzwesen, die Ressourcen und viele mehr.

Stellen Sie sich vor, ein Unternehmen verfügt über einen Chatbot für den IT-Support, der einem regelbasierten Automatisierungssystem folgt. Wenn ein Mitarbeiter ein Problem meldet (z. B. „Mein WLAN funktioniert nicht“), durchläuft der Chatbot Decision Trees und liefert vordefinierte Antworten. Wenn das Problem nicht gelöst wird, eskaliert der Chatbot einfach an den menschlichen Support Dieser Ansatz ist für grundlegende, klar definierte Probleme effizient, hat aber seine Probleme bei der komplexen, mehrstufigen Fehlerbehebung, die Anpassungsfähigkeit erfordert.

Bei einem Agenten-Workflow geht der IT-Assistent die Fehlerbehebung als einen mehrstufigen, iterativen Prozess an. Wenn ein Mitarbeiter ein WLAN-Problem meldet, folgt der Agent einem dynamischen Schritt-für-Schritt-Prozess, um den Workflow aufzuschlüsseln:

1. Das Problem verstehen: Der KI-Agent sammelt detaillierte Informationen vom Mitarbeiter und stellt klärende Fragen wie: „Sind andere Geräte mit dem Netzwerk verbunden?“ oder „Hat das nach einem Update angefangen?“

2. Ausführen von Diagnoseschritten: Basierend auf den Antworten des Benutzers wählt die KI verschiedene Problemlösungsschritte aus und führt sie aus. Es kann den Router anpingen, Netzwerkprotokolle überprüfen oder bestimmte Einstellungsänderungen vorschlagen, indem es diese Informationen für den Benutzer abruft und zusammenfasst.

3. Adaptive Nutzung von Tools: Wenn die KI ein serverseitiges Problem erkennt, kann sie eine interne Überwachungstool-API aufrufen, um nach Ausfällen zu suchen Wenn das Problem gerätespezifisch ist, kann es Vorschläge für Treiberaktualisierungen abrufen oder ein Skript zum Zurücksetzen der Netzwerkeinstellungen ausführen.

4. Iteration auf der Grundlage von Ergebnissen: Wenn eine Aktion das Problem nicht löst, passt die KI ihren Ansatz dynamisch an. Es könnte verwandte Probleme überprüfen, die Diagnose erneut versuchen oder eine andere Lösung vorschlagen, anstatt sofort zu eskalieren.

5. Finalisierung und Lernen: Wenn das Problem behoben ist, protokolliert die KI die Lösung für zukünftige Fälle und verbessert so die Effizienz der Fehlerbehebung im Laufe der Zeit. Wenn das Problem nicht behoben wird, wird es mit einem detaillierten Bericht, der eine Zusammenfassung der versuchten Fixes enthält, weitergeleitet, wodurch IT-Mitarbeiter Zeit sparen.

Die Kernkomponenten der Agenten-Workflows bestehen aus

• KI-Agenten – Im Bereich der künstlichen Intelligenz (KI) ist ein Workflow nicht agentisch, wenn er nicht aus einem KI-Agenten besteht. Ein KI-Agent ist ein System oder Programm, das in der Lage ist, Aufgaben für einen Benutzer oder ein anderes System selbstständig auszuführen, indem es seinen Workflow gestaltet und verfügbare Tools nutzt.

• Große Sprachmodelle (LLMs) – Das Herzstück von KI-Agenten sind große Sprachmodelle. LLMs sind entscheidend für die Verarbeitung und Generierung natürlicher Sprache. Die Anpassung von LLM-Parametern wie der Temperatur wird auch zu einer unterschiedlichen Ausgabe führen

• Tools – Damit ein LLM Informationen über die beim Training des Modells verwendeten Daten hinaus erfassen kann, müssen wir Tools bereitstellen. Beispiele für häufig verwendete Tools sind externe Datensätze, Websuchen und Programmierschnittstellen (APIs). Wir können Tools verwenden, um einen KI-Agent auf bestimmte Anwendungsfälle zuzuschneiden, die über Routineaufgaben hinausgehen.

• Feedbackmechanismen – Feedbackmechanismen wie ein Human-in-the-Loop (HITL) oder sogar andere KI-Agenten können wertvoll sein, um die Entscheidungsfindung des KI-Agenten zu erleichtern und die Ausgabe des KI-Agenten zu steuern.

• Prompt Engineering – Die Leistung des Agenten-Workflows hängt stark von der Qualität der bereitgestellten Prompts ab. Prompt Engineering hilft generativen KI-Modellen, eine Vielzahl von Anfragen besser zu verstehen und zu beantworten, von einfachen bis hin zu hochtechnischen. Zu den gängigen Prompt-Engineering-Techniken gehören Chain-of-Thought (CoT), One-Shot, Zero-Shot und Self-Reflection.

• Kollaboration von Multiagentensystemen – Kommunikation und verteilte Problemlösung innerhalb von Multiagentensystemen (MAS) sind der Schlüssel für komplexe Anwendungsfälle. Jeder Agent innerhalb eines MAS kann eine Reihe von Tools, Algorithmen und ein Bereich der „Expertise“ zugewiesen werden, damit nicht alle Agenten die gleichen Informationen neu lernen. Stattdessen teilen die Agenten ihre gelernten Informationen mit dem Rest des MAS.

• Integrationen – Um bestehende Prozesse zu optimieren, müssen generische Workflows in die bestehende Infrastruktur integriert werden. Diese Synergie hängt von den Anforderungen und Zielen des Agenten-Workflows ab. Die Datenintegration, der Prozess der Konsolidierung von Daten in einer zentralen Datenbank, auf die der Agent zugreifen kann, ist oft der erste Schritt. Andere Formen der Integration umfassen Agenten-Frameworks wie LangChain, LangGraph, crewAI und IBMs BeeAI. Diese Frameworks für die Agentenorchestrierung können als Anbieter zur Erzielung einer höheren Skalierbarkeit und Leistung dienen. Die Integration kontextspezifischer Werkzeuge ist ebenfalls der Schlüssel zum Erzielen relevanter Ausgaben.
  

Eine persönliche Anekdote von Andrew Ng, einem führenden Experten im Bereich KI, unterstreicht die Anpassungsfähigkeit von Agenten-Workflows. Andrew erinnert sich an seine Demonstration der Entwicklung von KI-Agenten, bei der eines der vielen KI-Tools, eine API für die Websuche, versagte. Das KI-System konnte den Abhängigkeitsfehler schnell beheben, indem es stattdessen ein verfügbares Wikipedia-Suchtool verwendete. Das System erledigte die Aufgabe und blieb weiterhin an die sich verändernde Umgebung anpassbar. Der geringere Bedarf an menschlicher Aufsicht könnte es ermöglichen, dass wir unsere Anstrengungen weniger auf banale, sich wiederholende Aufgaben und mehr auf komplizierte Arbeiten konzentrieren, die menschliche Intelligenz erfordern.

Andrew erklärt außerdem, dass Agenten-Workflows nicht nur für die Ausführung von Aufgaben, sondern auch für das Training der nächsten Generation von LLMs sinnvoll sind. Bei traditionellen, nicht-agenten Workflows hat es sich nicht gezeigt, dass die Verwendung der Ausgabe eines LLM zum Trainieren eines anderen LLMs zu effektiven Ergebnissen führt. Die Verwendung eines agentenbasierten Workflows, der qualitativ hochwertige Daten produziert, führt jedoch zu einem nützlichen Training.