Entwicklung eines intelligenten Knowledge-Discovery-Agenten

Reicht ein Agent aus?

KI-Agenten eröffnen zwar neue Automatisierungsmöglichkeiten, aber nicht jede Automatisierung muss ein Agent sein. Nach unserer Erfahrung bei der Entwicklung von Agentensystemen ist es in der Regel nicht der richtige Ansatz, einen einzigen KI-Agenten zu entwickeln, der alle Aufgaben bewältigt. Bei GenAI-Technologien ist die Chance auf unerwartete Ergebnisse umso größer, je mehr Freiheit und Kreativität Sie einem Modell zugestehen. In einigen Szenarien ist diese Kreativität wünschenswert. Bei Anwendungsfällen der Unternehmensautomatisierung – insbesondere in regulierten Branchen – kommt es jedoch darauf an, gerade so viel Autonomie zuzulassen, dass die im Anwendungsfall erwarteten Schwankungen bewältigt werden können, aber nicht so viel, dass Sie die Kontrolle über den Gesamtprozess verlieren.

Ein bewährtes Muster besteht darin, mehrere Agenten zu erstellen, von denen jeder eine bestimmte Rolle oder Funktion ausführt. Dieser Ansatz ermöglicht es, jedem Agenten spezifische kontextbezogene Anweisungen zu geben, um sicherzustellen, dass er zu 100 % auf das gewünschte Ziel oder Ergebnis fokussiert bleibt. Darüber hinaus erhält jeder Agent nur Zugriff auf die Werkzeuge, die er zur Erfüllung seiner Aufgabe benötigt, wie z. B. Datensätze, Dokumente oder Integrationsverbindungen. Derartige Agenten nennen wir „Arbeiteragenten“.

Und genau wie in der realen Welt können Arbeiteragenten zusammenarbeiten, indem sie über eine Kombination aus natürlicher Sprache (ähnlich wie Menschen beispielsweise auf Englisch miteinander sprechen) und strukturierten Datenformaten wie JSON kommunizieren.

Wir verwenden dann einen „verwaltenden Agenten“ oder einen kontrollierenden Workflow, um bestimmte Aufgaben an die Arbeitsagenten zu delegieren. Die Prozessorchestrierungsfunktionen der Plattform – samt umfassender Prüfprotokolle, SLA-Verwaltung und Bearbeitung von Ausnahmen – erleichtern, steuern und überwachen die Interaktionen zwischen den Worker Agents.

Das Geschenk des Wissens

Eine viel diskutierte Einschränkung der generativen KI ist das Problem der Halluzinationen: Fälle, in denen das KI-Modell Fakten errät oder erfindet, um Lücken in seinem Training oder Wissen zu füllen.

Dieses Problem ist besonders besorgniserregend für Unternehmen, die KI-Modelle zur Verarbeitung von Geschäftsdokumenten einsetzen, bei denen Genauigkeit und Richtigkeit der Daten von größter Bedeutung sind. In regulierten Branchen oder bei Anwendungsfällen, in denen eine falsche Antwort eines KI-Modells ein großes finanzielles oder Reputationsrisiko darstellen könnte, müssen Maßnahmen ergriffen werden, um diese Risiken zu mindern.

Wir verwenden eine Methode namens „Grounding“, um sicherzustellen, dass die KI Fakten oder Datenpunkte liefert, die transparent auf eine bestimmte Quelle verweisen, sodass ihre Behauptungen vor der Verwendung gegengeprüft und verifiziert werden können. Dabei werden die Inhalte in ein Format konvertiert, das die KI nativ abfragen kann, sodass sie basierend auf Bedeutung oder Absicht relevante Abschnitte des Inhalts finden kann, anstatt nach bestimmten Schlüsselwörtern oder Phrasen zu suchen, die entweder zu viele oder gar keine Ergebnisse liefern, je nachdem, wie das Dokument geschrieben wurde.

In vielen Fällen reicht es aus, dem Benutzer KI-Tools zur Verfügung zu stellen, um die Suche nach den gewünschten Datenpunkten zu vereinfachen und so die Produktivität zu steigern. (Ein großartiges Beispiel hierfür finden Sie unter: Fortschrittliche PDF-Analysen mit Power PDF Copilot.) Was aber, wenn wir noch einen Schritt weiter gehen und den gesamten Prozess der Datenerkennung in komplexen Dokumenten automatisieren möchten?

Mit der nächsten Version von TotalAgility führen wir eine neue Wissensdatenbankfunktion ein, die den Prozess der Konvertierung von Dokumenten optimiert – in ein Format, mit dem die KI-Agenten arbeiten können.

Jedes Dokument, unabhängig von seiner Größe oder Komplexität, kann in einem einzigen Automatisierungsschritt in eine Wissensdatenbank geladen werden. Der KI-Agent kann daraufhin diese Wissensgrundlage in einem Retrieval Augmented Generation (RAG)-Muster verwenden, um relevante Informationen oder Abschnitte des Dokuments zu finden. Durch Strategien wie intelligentes Chunking – die Unterteilung des Dokuments anhand von Kapitel- oder Abschnittsgrenzen im Gegensatz zu einer willkürlichen Strategie wie Wort- oder Seitenzahl – stellen wir sicher, dass der KI-Agent vollständige Inhalte oder Datentabellen erhält, mit denen er arbeiten kann, was die Genauigkeit der KI-Antworten weiter verbessert. Es gibt viele andere Methoden, um die Art und Weise, wie Inhalte in der Wissensdatenbank gespeichert oder abgerufen werden, weiter zu verbessern, diese vorzustellen würde allerdings den Rahmen dieses Artikels sprengen. Zögern Sie nicht, uns zu kontaktieren, wenn Sie mehr erfahren möchten.  

Automatisierte Wissensentdeckung

Die wahre Stärke der neuen Wissensdatenbank-Funktion entfaltet sich, wenn sie mit Teams aus intelligenten Agenten kombiniert wird, die zusammenarbeiten, um komplexe Probleme im Rahmen eines umfassenderen Arbeitsablaufs oder Fallmanagementszenarios zu lösen.

Stellen Sie sich das Forschungsteam einer Bank vor, das Tausende von Jahresabschlüssen und Geschäftsberichten analysieren muss, um Unternehmen zu identifizieren, die es als Investitionen empfehlen kann – sei es für Pensionsfonds, Kleinanleger oder vermögende Privatpersonen.

Jedes Dokument enthält ähnliche Informationen, aber der genaue Wortlaut, das Layout, die Struktur und die Terminologie unterscheiden sich von Bericht zu Bericht. Spezifische Informationen, wie Bilanzdaten, Währungsabsicherungspositionen und Programme für Umwelt, Soziales und Unternehmensführung (ESG), werden je nach Prioritäten und Anlagestrategien für verschiedene Arten von Anlegern relevant sein.

Traditionell würde ein hochqualifiziertes Analystenteam 4 bis 8 Stunden pro Dokument damit verbringen, relevante Daten zu extrahieren, zu validieren und sie dann dort zu speichern, wo sie für das Schreiben von Berichten, das Aussprechen von Empfehlungen oder die Unterstützung umfangreicher Datenanalyseaktivitäten verwendet werden können.

Da mindestens vierteljährlich neue Berichte veröffentlicht werden, setzt die Größe des verfügbaren Analystenteams eine harte Grenze für die Anzahl der Unternehmen, die die Bank untersuchen und abdecken kann.

Wie können wir mithilfe von Automatisierung die Skalierbarkeit dieses Teams verbessern?

Forschungsautomatisierung

Durch die Zusammenstellung eines Teams intelligenter Knowledge-Discovery-Agenten kann die Bank die Aufnahme, Anreicherung und Extraktion von Daten aus diesen Berichten automatisieren. Hier sehen Sie, wie der Workflow abläuft, der traditionelle Workflow-Automatisierung und intelligente Dokumentenverarbeitung mit dem Einsatz von KI-Agenten und KI-Wissensdatenbanken kombiniert.

1. Dokumenteneinspeisung: Ein klassischer Automatisierungsworkflow zum Einspeisen großer, unstrukturierter Dokumente (z. B. Geschäftsberichte mit mehr als 500 Seiten) in eine Wissensdatenbank, wobei fortschrittliche Chunking-, OCR- und Vektorisierungstechniken eingesetzt werden, um die Daten für die Analyse vorzubereiten.

2. Datenanreicherung: Agenten verarbeiten die Dokumente vor, extrahieren Schlüssel-Wert-Paare, identifizieren Entitäten, analysieren Tabellen und erzeugen semantische Darstellungen.

3. Fragenliste: Orchestriert den Gesamtprozess der Delegierung einzelner Fragen an den Knowledge-Discovery-Agenten zur Beantwortung.

4. Verwaltender Agent (Managing Agent): Delegiert Aufgaben an Arbeiteragenten, um bestimmte Datenpunkte zu lokalisieren oder zu überprüfen. Der verwaltende Agent kann sich dazu entscheiden, eine Frage oder Aufgabe an einen Arbeiteragenten umzuformulieren, wenn die erste Antwort nicht zufriedenstellend ist.

5. Arbeiteragenten (Worker Agents): Hochgradig fokussierte KI-Agenten, die bestimmte Aufgaben ausführen:

• Semantischer Agent (Semantic Agent): Nutzt die Wissensdatenbank, um semantische Suchen durchzuführen, relevante Abschnitte der Dokumente zu finden oder spezifische Fakten zu lokalisieren.

• Datenagent (Data Agent): Sucht nach bestimmten Tabellen und Diagrammen, um genaue Metriken und Datenpunkte zu verstehen.

• Seitenagent (Page Agent): Verwendet bildverarbeitungsfähige KI-Modelle, um bestimmte Seiten einer Dokumentseite zu lesen und so das visuelle Layout besser zu verstehen.

• Bewertungsagent (Evaluator Agent): Qualitätskontrolle ist bei Automatisierungs-Workflows von entscheidender Bedeutung. Bewertungsagenten haben die Aufgabe, die Ergebnisse anderer Agenten zu verifizieren und zu überprüfen, um die Korrektheit sicherzustellen und das Fehlerrisiko zu verringern.

6. Human-in-the-Loop-Aufsicht: Wenn eine Frage nicht gelöst werden kann, die Antwort mehrdeutig ist, der Prozess zu lange dauert oder ein unerwartetes Ereignis eintritt, kann ein menschlicher Experte beauftragt werden, die KI zu unterstützen oder zu korrigieren, sodass sie im Laufe der Zeit lernen und sich verbessern kann.

7. Output-Manager: Die endgültigen Daten werden formatiert und an das gewünschte Ziel übermittelt, z. B. an ein Data Warehouse, ein Content-System oder ein CRM.

Das Ergebnis: Ein Prozess, der früher Stunden pro Dokument in Anspruch nahm, kann jetzt in wenigen Minuten abgeschlossen werden, und das mit einer Genauigkeit, die mit der von Menschen vergleichbar ist. Dies erhöht die Kapazität des
Analystenteams der Bank massiv.

Eine neue Ära der Unternehmensautomatisierung

Die neuen KI-Agenten- und Wissensdatenbank-Funktionen in TotalAgility sind zwar bahnbrechend, aber das ist erst der Anfang. Da Unternehmen die Grenzen dessen, was mit KI möglich ist, immer weiter hinausschieben, werden die folgenden Trends die Zukunft der Unternehmensautomatisierung und der Wissensentdeckung prägen:

• Wissensgraphen: Die Ausweitung von Wissensdatenbanken auf Wissensgraphen wird Agenten in die Lage versetzen, Beziehungen zwischen Entitäten zu verstehen und so noch tiefgreifendere Einblicke zu gewinnen.

• Reasoning LLMs: KI-Modelle werden fortwährend besser, sodass ihre Fähigkeiten in den Bereichen fortgeschrittenes logisches Denken, Planung und Problemlösung neue Möglichkeiten der Automatisierung eröffnen.

• Agentenübergreifende Zusammenarbeit: Die Skalierung von Workflows auf Hunderte von spezialisierten Agenten wird es Unternehmen ermöglichen, noch komplexere Herausforderungen zu bewältigen.

• Integrierte menschliche Aufsicht: Verantwortungsvolle KI-Praktiken werden weiterhin entscheidend sein, um sicherzustellen, dass Menschen die Kontrolle über wichtige Entscheidungen behalten.

Die neuen Funktionen von TotalAgility markieren einen bedeutenden Schritt in der Evolution der Unternehmensautomatisierung. Tungsten Automation ermöglicht es Unternehmen, intelligente Knowledge-Discovery-Agenten zu entwickeln, um komplexe Probleme zu lösen, die Effizienz zu steigern und neue Umsatzmöglichkeiten zu erschließen.

Ganz gleich, ob Sie eine Führungskraft sind, die Abläufe rationalisieren möchte, oder ein Technologe, der mit der Implementierung innovativer Lösungen betraut ist: Die Kombination aus Orchestrierung, Low-Code-Entwicklung und KI-gestützten Agenten in TotalAgility bietet eine leistungsstarke Plattform zur Erreichung Ihrer Ziele. Die Zukunft der Wissensentdeckung ist da – sind Sie bereit, sie zu nutzen?

Erfahren Sie hier mehr über TotalAgility und nehmen Sie Kontakt mit unserem Team auf – wir sind für Sie da und helfen Ihnen bei jedem Schritt!