Künstliche Intelligenz
Stabiler Betrieb von KI-Agenten
KI-Agenten sind Systeme, die eigenständig Aufgaben erledigen und mehrere Werkzeuge oder Datenquellen orchestrieren. Sie gelten laut aktueller Studien zunehmend als unverzichtbar für Unternehmen. In der Praxis scheitern jedoch viele Agenten-Projekte bereits in der Umsetzung, weil sie nicht den gewünschten, dauerhaften Nutzen erreichen.
Die Gründe dafür sind vielfältig: Oft wird der Aufwand unterschätzt, existierende Prozesse komplett auf den Prüfstand zu stellen. Hinzu kommt die Sorge, dass Agenten mit Zugriff auf alle Unternehmensdaten diese zu freizügig teilen könnten. Eines der größten Probleme ist jedoch ein eigentlich altbekanntes: Wie stellt man sicher, dass Agenten, die sich im produktiven Einsatz befinden, leicht erweitert, überwacht und bei Bedarf neu aufgesetzt werden können? Die großen Ähnlichkeiten zu Machine Learning Operations (MLOps), dem produktiven Betrieb von Machine-Learning-Modellen, sind nicht zufällig. Am Ende geht es in beiden Fällen darum, Agenten oder Modelle kontinuierlich zu überprüfen und bei Abweichungen anzupassen. Datenspezialist Michael Berthold von Knime zeigt häufige Ursachen für den Bruch zwischen Agenten und der Überführung in die Praxis auf und erläutert, welche Rolle AgentOps für eine erfolgreiche Umsetzung spielen kann. Damit KI-Agenten zuverlässig produktiv genutzt werden können, reicht es längst nicht mehr aus, Agenten zu entwickeln und diese in einer Laborumgebung zu testen. Der eigentliche Wert entsteht erst, wenn diese Agenten zuverlässig und nachhaltig in der Praxis eingesetzt werden können.
Übliche Umsetzungspraktiken und Problematiken
Viele Methoden der Agentenentwicklung sind schon aus MLOps bekannt. Die Unterschiede liegen eher im Detail: Statt Modelle zu trainieren, werden bei Agenten Prompts geschrieben (oder automatisch optimiert). Statt Datenvorverarbeitungsprozesse anzupassen, werden Tools ausgetauscht oder neue hinzugefügt und dem Agenten zur Verfügung gestellt. Daher greifen viele Unternehmen auf drei bekannte MLOps-Vorgehensweisen zurück jeweils mit ihren eigenen Schwachstellen:
Die Wildwest-Methode: Experten aus verschiedenen Abteilungen implementieren Agenten und Tools eigenständig. Das führt meist zu Insellösungen, und auch die Wartbarkeit bleibt auf der Strecke. Bereits nach wenigen Monaten versteht niemand mehr die Agenten und sie sind in der Praxis faktisch nicht mehr verwendbar.
Die Wasserfall-Methode: Hier wird ein Agent komplett beispielsweise vom Data-Science-Team an die IT übergeben, die ihn eigenständig in die Produktion bringen soll. Früher wurden Modelle dabei häufig sogar in andere Sprachen übersetzt, bevor es in Produktion geht. Bei Agenten reicht jedoch oft schon der Austausch (oder ein Upgrade) der zugrundeliegenden KI, um die Qualität drastisch zu reduzieren. So oder so führt dies zu extrem starren Prozessen, oftmals langen Wartezeiten und verringert die Agilität, die gerade im Bereich der Agentischen KI absolut notwendig ist.
Bilder
