IBM watsonx.ai Anwendungsfall

Der Conversational AI Agent basiert auf einer Basisagenten-Architektur und interagiert mit IBM Maximo Systeme durch natürliche Sprache. Jeder Agent hat einen bestimmten Namen, einen bestimmten Zweck, Aufforderungsvorlagen, Zugriff auf externe Tools und wird von einem Large Language Model (LLM) über LangGraph, LangChain und watsonx.ai unterstützt.
‍

Dieses Setup ermöglicht es Agenten, die Eingaben eines Benutzers in natürlicher Sprache über einen strukturierten Workflow zu verarbeiten, sodass sie Maximo-Daten abrufen und Aktionen wie das Erstellen neuer Arbeitsaufträge oder das Initiieren von Workflows ausführen können. Die Abbildung unten zeigt ein Beispiel für einen Benutzer, der am 31. Dezember 1998 Arbeitsaufträge mit Priorität 1 anfordert. Der Supervisor Agent leitet die Anfrage an den Maximo-Agenten weiter, der die Maximo-API abfragt. Die Ergebnisse werden zurückgegeben und sowohl in natürlicher Sprache als auch in JSON formatiert, sodass der Benutzer sie überprüfen kann, wie in Abbildung 1 dargestellt.
‍

‍

Agentenstruktur

Die Anwendungsfallimplementierung verwendet ein Multi-Agenten-System, das mit LangGraph, LangChain und watsonx.ai mit mehreren spezialisierten Agenten erstellt wurde. Jeder Basisagent ist mit den folgenden Attributen konfiguriert:

• Name: Identifier für Logging und Agentenauswahl

• Zweck: Aufgaben- oder domänenspezifischer Fokus (z. B. Abrufen von Maximo-Datensätzen)

• Aufforderungen: Anleitungsvorlagen als Leitfaden für die Antworten des LLM

• LLM: Verbundenes watsonx.ai -Modell, das eine Ausgabe in natürlicher Sprache generiert

• Werkzeuge: APIs oder Hilfsmodule, die der Agent aufrufen kann, um Aktionen auszuführen
  ‍

Der Agent ist außerdem mit folgenden Kernfunktionen ausgestattet:

• Eingabe verarbeiten: Verwaltet Benutzeranfragen und interpretiert den Kontext

• Toolaufruf und Antwort-Routing auf der Grundlage der Agentenlogik

‍

Agentenflussarchitektur

‍

1. Eingabe: Das System beginnt mit dem Supervisor Agent, der als Hauptkoordinator fungiert
2. Agententypen
   
   1. Supervisor-Agent: Hauptkoordinator
      
      1. Empfängt Benutzereingaben
      2. Entscheidet, welcher Fachagent die Anfrage bearbeiten soll
      3. Generiert die endgültige Antwort
   2. Maximo Agent: Behandelt Maximo-spezifische Abfragen und Operationen
      
      1. Verarbeitet Anfragen im Zusammenhang mit Maximo
      2. Verwendet Maximo-Tools für bestimmte Operationen
      3. Gibt die Ergebnisse an den Supervisor Agent zurück
   3. Vektor-DB-Agent: Behandelt Vektordatenbankoperationen
      
      1. Verarbeitet Abfragen im Zusammenhang mit Vektordatenbanken
      2. Verwendet Vektordatenbank-Tools für Operationen
      3. Gibt die Ergebnisse an den Supervisor Agent zurück
3. Flusskontrolle
   
   1. Der Supervisor Agent verwendet eine Router-Funktion, um zu bestimmen, welcher spezialisierte Agent die Anfrage bearbeiten soll.
   2. Jeder spezialisierte Agent hat seine eigenen Funktionen, um festzustellen, ob er seine spezifischen Tools verwenden muss.
   3. Nach der Verwendung des Tools kehrt die Steuerung zum jeweiligen Agenten zurück
   4. Die Ergebnisse werden zur endgültigen Verarbeitung an den Supervisor Agent zurückgeleitet
4. Verwaltung des Staates
   
   1. Das System unterhält die Zustände durch Agentenstatus Klasse
   2. Zu den Staaten gehören:
      
      1. Benutzereingabe: Ursprüngliche Anfrage des Benutzers
      2. Entscheidungen des Vorgesetzten: Die Logik, die vom Supervisor verwendet wird, um zu bestimmen, welcher Fachagent die Aufgabe erledigen soll
      3. Maximale Nutzlast: Strukturierte Daten, die an Maximo-APIs gesendet oder von diesen empfangen wurden
      4. Tool-Aufrufe: Die Ausführung externer Funktionen oder APIs, die von einem Agenten ausgelöst werden, um eine Aufgabe abzuschließen
      5. Antworten der Agenten: Die Zwischenausgaben oder Nachrichten, die von den spezialisierten Agenten generiert wurden
      6. Endgültige Antwort: Die vollständige, benutzerorientierte Antwort des Supervisors
      7. Speicherkette: Gespeicherter Kontext früherer Interaktionen zur Aufrechterhaltung der Kontinuität
5. Ausstiegspunkt: Der Supervisor Agent ist auch der Endpunkt, da er die endgültige Antwort auf der Grundlage der Ergebnisse der spezialisierten Agenten generiert

‍

Die Architektur ermöglicht die modulare Bearbeitung verschiedener Arten von Anfragen, hat eine klare Trennung der Funktionen zwischen verschiedenen Agenten, implementiert ein flexibles Routing von Anfragen je nach Art und eine zentralisierte Koordination durch den Supervisor Agent.

‍

Erkundung von Ideen für Anwendungsfälle

In der Demo mit IBM wurde kein vollständiger Anwendungsfall implementiert, der über den in diesem Dokument beschriebenen hinausgeht. Die folgenden Ideen wurden jedoch erörtert:

• Abrufen von Arbeitsaufträgen: Benutzer können den Agenten nach bestimmten Arbeitsaufträgen in Maximo fragen, und der Agent kann relevante Details über API-Aufrufe abrufen und zusammenfassen
• Erstellung von Arbeitsauftrag/Workflow-Ausführung: Der Agent könnte Benutzer mithilfe natürlicher Spracheingabe durch den Prozess der Erstellung eines neuen Arbeitsauftrags oder des Auslösens vordefinierter Workflows führen.
• Unterstützung bei der visuellen Inspektion: Möglichkeit der Integration mit Maximo Visual Inspection (MVI) und mobilen Tools zur Bewertung von Sachschäden anhand von Bildern oder Videos

‍

Dieser Anwendungsfall zeigt, wie dialogorientierte KI die Arbeit mit Maximo viel einfacher und intuitiver machen kann. Mithilfe natürlicher Sprache können Benutzer den Agenten bitten, Arbeitsaufträge zu finden oder zu verwalten, ohne komplexe Systeme oder technische Prozesse verstehen zu müssen. Hinter den Kulissen besteht der Agent aus verschiedenen „Hilfsagenten“, von denen jeder eine bestimmte Rolle hat. Sie arbeiten zusammen, um die Anfrage zu verstehen, Daten von Maximo abzurufen und klare, präzise Antworten zurückzugeben. Der Supervisor Agent agiert wie ein Teamleiter, der sicherstellt, dass der richtige Agent die Aufgabe erledigt, und organisiert dann die endgültige Antwort.

‍

Das aktuelle Beispiel konzentriert sich auf das Abrufen von Arbeitsaufträgen auf der Grundlage bestimmter Kriterien. Dieselbe Konfiguration kann jedoch um viel mehr erweitert werden — z. B. das Erstellen von Arbeitsaufträgen, das Starten von Workflows oder sogar das Analysieren von Bildern aus der visuellen Inspektion. Dieser Ansatz zeigt, wie fortschrittliche KI-Tools wie watsonx.ai komplexe Arbeitsabläufe vereinfachen und Teams dabei helfen können, auf natürlichere und effizientere Weise mit Unternehmenssystemen zu interagieren.