Event trifft KI

Der Begriff der agentenbasierten KI" ist momentan in aller Munde, denn sie stellt einen wesentlichen Fortschritt gegenüber einfachen LLM-Anwendungen dar: Mehrere Agenten werden in einem System kombiniert, das autonom handeln kann, um eine Frage zu beantworten oder ein Ergebnis zu erzielen. So lassen sich zum Beispiel Lagerbestände in Echtzeit optimieren oder Produktionslinien an Nachfrageschwankungen anpassen.

Damit sie jedoch ihr volles Potenzial entfalten und Anwendungen bereitstellen kann, die diese komplexen Probleme mit logischen Schlussfolgerungen lösen, müssen Daten aus verschiedenen Quellen in Echtzeit und auf globaler Ebene integriert werden. Der nachfolgende Beitrag erläutert, warum ein ereignisgesteuerter Ansatz, der durch ein Agenten-Mesh umgesetzt wird, für intelligente und adaptive agentenbasierte KI-Systeme unerlässlich ist, die den komplexen Anforderungen moderner Unternehmen gerecht werden.

Die Entwicklung der KI-Transformation schreitet schnell voran – von Einstiegsanwendungen, die Large Language Models (LLM) und Retrieval-Augmented Generation (RAG) verwenden, bis hin zu agentenbasierter KI, die nicht nur vorprogrammierte Anweisungen befolgt, sondern mitdenkt, Entscheidungen trifft und sich an neue Situationen anpasst.

Gartner schreibt dazu in seinen strategischen Technologietrends für 2025: „Agentenbasierte KI-Systeme planen und ergreifen eigenständig Maßnahmen, um benutzerdefinierte Ziele zu erreichen. Agentenbasierte KI verspricht eine virtuelle Belegschaft, die menschliche Arbeit entlasten und ergänzen kann. Gartner prognostiziert, dass 2028 mindestens 15 Prozent der täglichen Arbeitsentscheidungen autonom von agentenbasierter KI getroffen werden.“

Agentenbasierte KI geht weit über die einfache Beantwortung von Fragen zu einem Thema hinaus, für das ein LLM trainiert wurde. Es handelt sich um ein Softwaremodell, bei dem mehrere LLMs und Dienste – sogenannte Agenten – eingesetzt werden, um selbständig komplexere Aufgaben auszuführen und Schlussfolgerungen zu ziehen. Die Entwicklung solcher agentenbasierter Systeme hat einen bemerkenswerten Wandel durchlaufen. Ursprünglich waren sie auf regelbasierte Aufgaben beschränkt. Inzwischen haben sie sich zu komplexen multimodalen Agenten weiterentwickelt.

Diese Agenten sind in der Lage, Informationen aus verschiedenen Quellen – wie Text, Bild und Ton – zu verarbeiten und zu integrieren. Das verleiht KI-Agenten logische Fähigkeiten, mit denen sie auf eine Weise interagieren können, die dem menschlichen Denken nahekommt. KI-Agenten ähneln damit Mitarbeitern, die flexibel und anpassungsfähig sind und über spezifisches Fachwissen verfügen.

Beispielsweise könnte der Agent als Kundenbetreuer fungieren und folgende Aufgabe übernehmen: „Finde für jedes neue Ticket ähnliche Tickets und beantworte Fragen zur Produktnutzung, die im Ticket enthalten sind. Füge deine Erkenntnisse als Kommentar zum Ticket hinzu." Das eröffnet die Möglichkeit, ein breites Spektrum an geschäftlichen Herausforderungen zu bewältigen – von intuitiver Kundenkommunikation über Lagerbestandsentscheidungen in Echtzeit bis hin zum Flottenmanagement und vielem anderen mehr.

Die größte Hürde für jedes KI-Projekt ist jedoch der Übergang von der Pilotphase in den Produktivbetrieb der Anwendungen. Harvard Business Review schätzt die Misserfolgsquote von KI-Projekten auf bis zu 80 Prozent. Tatsächlich wurden in einer IBM-Umfrage unter mehr als 8.500 IT-Fachleuten weltweit mangelnde KI-Kenntnisse, die Komplexität der Daten sowie ethische Bedenken als die größten Hindernisse für den Einsatz von KI genannt.

Darüber hinaus zeigen andere Studien, dass viele Projekte daran scheitern, etwas so Komplexes und Unstrukturiertes zu skalieren, weil sie von einer veralteten Architektur abhängen, aber auch aus Kosten- und Performance-Gründen. Selbst wenn die Projekte angelaufen sind, bestehen weiterhin Hindernisse hinsichtlich der Datenqualität, Governance, Sicherheit und der Integration der technischen Workflows.

Im Zentrum dieser Herausforderungen steht ein entscheidender Mangel: das Fehlen eines kontextbezogenen Informationsflusses in Echtzeit. Denn traditionelle Batch-Verarbeitung und statische Datenmodelle, wie sie in vielen Unternehmen immer noch eingesetzt werden, sind nicht in der Lage, dynamische Geschäftsumgebungen bereitzustellen. Diese sind aber notwendig, wenn zum Beispiel im Finanzhandel oft in Bruchteilen von Sekunden Entscheidungen getroffen werden müssen, die über Erfolg oder Misserfolg von Trading-Chancen entscheiden.

Ein Event-Mesh, das von einer ereignisgesteuerten Architektur (Event Driven Architecture, EDA) unterstützt wird, ist der fehlende Baustein, der die Unternehmens-KI in ein kontextsensitives Echtzeit-Kraftpaket verwandelt. Ein Event-Mesh ist ein verbundenes Netzwerk von Event-Brokern, das ereignisgesteuerte Informationen dynamisch zwischen allen Arten von Anwendungen und Geräten in internen und globalen Umgebungen weiterleitet.

Beim Einsatz von KI kommt das Event-Mesh ins Spiel, weil es die Entkopplung bietet, die für eine schnelle Entwicklung und Veränderung unerlässlich ist. Außerdem erfüllt es die Anforderungen an eine ereignisgesteuerte Architektur, die es ermöglicht, Zinsdifferenzen zu managen, verschiedene Anwendungen mit Messaging-Mustern zu unterstützen sowie die horizontale und vertikale Skalierung effizient umzusetzen.

Wendet man das durch das Event-Mesh ermöglichte Architekturmuster auf die Anwendungsfälle der agentenbasierten KI an, schafft man ein flexibles Netzwerk zur Datenverteilung in Echtzeit, über das die KI-Modelle unmittelbar auf relevante Datenströme zugreifen können.

Während ein Event-Mesh den Echtzeit-Datenfluss und die dynamische Weiterleitung im gesamten Unternehmen ermöglicht, geht ein Agenten-Mesh noch einen Schritt weiter: Seine intelligenten Agenten sind in der Lage, den Informationsfluss selbstständig zu analysieren und unmittelbar darauf zu reagieren.

Ein Agenten-Mesh ist dabei ein Framework zum Aufbau eines Netzwerks von KI-Agenten, das von einer dynamischen Orchestrierungsschicht überwacht und gesteuert wird. Auf diese Weise können komplexe Aufgaben von mehreren Agenten ausgeführt und die Ergebnisse in einem Datenmanagementsystem zusammengeführt werden. Agenten-Mesh-Gateways ermöglichen vielen verschiedenen Anwendungsfällen, die jeweils über eigene Eingabeschnittstellen und Berechtigungen verfügen, den Zugriff auf das System.

Organisationen können damit autonome agentenbasierte KI-Systeme aufbauen, die Anfragen verwalten, um die besten Ergebnisse auf der Grundlage unstrukturierter Eingaben, beispielsweise von Chats, zu liefern.

Das Besonderheit hieran ist, dass ein Agenten-Mesh nicht in den bestehenden Anwendungs-Stack und das agentenbasierte KI-Framework einer Organisation eingreift. Dank des Plug-and-Play-Ansatzes können Unternehmen mit einem oder zwei Anwendungsfällen starten. Im Laufe der Zeit entwickeln sie dann das Agenten-Mesh nach Bedarf weiter, indem sie Agenten hinzufügen, um seine Fähigkeiten zu erweitern, oder indem sie neue Agenten-Netz-Gateways hinzufügen, um weitere Anwendungsfälle und Schnittstellen zu unterstützen.

Durch die Orchestrierung und integrierte Zugriffskontrolle aller agentenbasierten Aktionen im System kann ein Framework für viele Anwendungsfälle (wieder-)verwendet werden – zum Beispiel für eine neue Bestellung, ein neues Support-Ticket oder sogar die neue Frage eines Chatbots. Dabei bietet jedes Framework unterschiedliche Schnittstellen und Zugriffskontrollen, die auf Unternehmensebene geregelt werden.

In einer Umgebung, in der sich die KI-Technologien rasant weiterentwickeln, ermöglicht es die entkoppelte Natur des ereignisgesteuerten Frameworks, das dem Agenten-Mesh zugrunde liegt, KI-Modelle und Datenquellen einfach zu aktualisieren, zu ersetzen oder hinzuzufügen, ohne die bestehenden Systeme zu beeinträchtigen. Das ist besonders dann relevant, wenn mit den Fortschritten der KI Schritt gehalten werden soll.

Das Konzept der agentenbasierten KI stellt einen grundlegenden Wandel in der Nutzung der KI dar, denn sie geht über einfache LLM-Anwendungen hinaus und schafft autonome Systeme, die auf einem nie dagewesenen Level analysieren und sich anpassen können. Um ihr volles Potenzial etwa zur dynamischen Verwaltung von Lagerbeständen oder sofortigen Neukonfiguration von Lieferketten auszuschöpfen, muss ihr Bedarf an kontextbezogenen Informationen in Echtzeit gedeckt werden. In diesem Kontext wird das Agenten-Mesh zum entscheidenden Schlüssel, um den Nutzen von KI-Agenten in diesen dynamischen Geschäftsumgebungen zu erhöhen.

Quelle: Edward Funnekotter

Edward Funnekotter ist Chief Architect und AI Officer bei Solace. Er leitet die Architekturteams für die Cloud- und Event-Broker-Produkte und bestimmt die strategische Ausrichtung des Unternehmens für die Integration von KI in Produkte sowie interne Werkzeuge. Seine Laufbahn bei Solace begann Edward 2004 als FPGA-Architekt. Später wechselte er ins Management und führte mehrere Jahre lang das Core-Product-Development-Team, bevor er in seine heutige Position wechselte. Seine berufliche Laufbahn begann Edward bei Newbridge Networks, wo er nach seinem Abschluss in Elektrotechnik an der Queen’s University als Embedded-Software-Entwickler tätig war. Nach seiner Zeit bei Newbridge Networks übernahm er eine Position in der ASIC-Architektur bei einem kalifornischen Unternehmen für Internet-Routing-Chipsätze, wo er mehrere Hochgeschwindigkeits-Netzwerkprozessoren und Queuing-Chips entwarf und entwickelte.