Agentic Work Automation (AWA) zur Automatisierung komplexer Wissensarbeit
Beschreibung:
Agentic Work Automation (AWA) nutzt KI-basierte Multiagentensysteme (MAS), um komplexe Wissensarbeit zu automatisieren. Durch die Implementierung eines Agentic Mesh – eines Netzwerks autonomer Agenten, die nahtlos miteinander kommunizieren und kooperieren – können Arbeitsprozesse effizienter gestaltet werden. Zudem können die Agenten flexibel auf wechselnde Anforderungen reagieren, menschliche Interaktionen orchestrieren und maschinelle Prozesse effizient steuern
Ein Beispiel ist die Automatisierung von Kundenserviceprozessen in der Versicherungsbranche, bei denen Anfragen automatisch analysiert, recherchiert, beantwortet oder auch Prozesse ausgelöst werden.
Einsatzbereich:
Kundenservice (z.B. Versicherungsbranche) • Steuerberatung und Kanzleiprozesse • Angebots- und Tender-Management • Wissensmanagement in Unternehmen • Automatisierung von Entscheidungsprozessen
Technologie:
Large Language Models (LLMs) • Multimodale Foundation Models • Retrieval-Augmented Generation (RAG) • Orchestrierungs-Frameworks für MAS (z.B. AutoGen, LangGraph) • API-Integration für externe Datenquellen • Agentic Mesh für die Vernetzung autonomer Agenten
Implementierung:
Das System besteht aus mehreren spezialisierten KI-Agenten, die in einem Agentic Mesh zusammenarbeiten und beliebig erweitert werden können.
Diese Agenten sind in der Lage:
1. Anfragen zu analysieren: Ein Kommunikationsagent nimmt Anfragen entgegen und klassifiziert sie.
2. Aufgaben zu verteilen: Ein Orchestrierungsagent zerlegt komplexe Aufgaben in Unteraufgaben.
3. Daten zu verarbeiten: Fachspezifische Agenten recherchieren relevante Informationen in Datenbanken und internen Systemen.
4. Ergebnisse zu konsolidieren: Ein Synthese-Agent fasst die Ergebnisse zusammen und bereitet sie zur Kommunikation auf.
5. Kommunikation: Der Kommunikationsagent gibt die Antwort an den Endnutzer zurück.
Herausforderungen & Bewältigung dieser:
Komplexität der Orchestrierung: Die Koordination mehrerer Agenten erforderte die Entwicklung eines flexiblen Entscheidungs-Blueprints.
Datenintegration: Die heterogene Datenlandschaft wurde durch den Einsatz von APIs und RAG-Technologien bewältigt.
Akzeptanz der Nutzer: Durch die Einbindung von Endanwendern in den Entwicklungsprozess konnten Vorbehalte abgebaut und das System benutzerfreundlich gestaltet werden.
Regulatorische Anforderungen: Der Human-in-the-Loop-Ansatz, sowie integrierte Guardrails gewährleistet die Einhaltung von Compliance-Vorgaben.
Ansprechpartner:
Karsten Schnappauf
Head of Business Development |
Ancud IT