IBM watsonx.ai gebruiksscenario

De Conversational AI Agent draait om een basisagentarchitectuur en werkt samen met IBM Maximo systemen door middel van natuurlijke taal. Elke agent heeft een specifieke naam, een gedefinieerd doel, promptsjablonen, toegang tot externe tools en wordt mogelijk gemaakt door een Large Language Model (LLM) via LangGraph, LangChain en watsonx.ai.
‍

Met deze configuratie kunnen agenten de natuurlijke taalinvoer van een gebruiker verwerken via een gestructureerde workflow, waardoor ze Maximo-gegevens kunnen ophalen en acties kunnen uitvoeren zoals het aanmaken van nieuwe werkorders of het starten van workflows. De afbeelding hieronder toont een voorbeeld van een gebruiker die op 31 december 1998 werkorders met prioriteit 1 aanvraagt. De Supervisor Agent stuurt het verzoek door naar de Maximo Agent, die de Maximo API opvraagt. De resultaten worden geretourneerd en geformatteerd in zowel natuurlijke taal als JSON zodat de gebruiker ze kan bekijken, zoals weergegeven in figuur 1.
‍

‍

Structuur van de agent

De use-case-implementatie maakt gebruik van een systeem met meerdere agenten dat is gebouwd met behulp van LangGraph, LangChain en watsonx.ai met verschillende gespecialiseerde agenten. Elke basisagent is geconfigureerd met de volgende kenmerken:

• Naam: Identificatie voor logboekregistratie en agentselectie

• Doel: Taak- of domeinspecifieke focus (bijvoorbeeld Maximo-records ophalen)

• Prompts: Instructiesjablonen om de antwoorden van de LLM te begeleiden

• LLM: Verbonden watsonx.ai model dat natuurlijke taaluitvoer genereert

• Hulpmiddelen: API's of hulpprogramma's die de agent kan aanroepen om acties uit te voeren
  ‍

De agent is ook ontworpen met kernfuncties zoals:

• Invoer verwerken: Beheert gebruikersverzoeken en interpreteert de context

• Aanroep van tools en routering van reacties op basis van agentlogica

‍

Agent Flow-architectuur

‍

1. Invoer: Het systeem begint met de Supervisor Agent die optreedt als hoofdcoördinator
2. Typen agenten
   
   1. Supervisor-agent: Hoofdcoördinator
      
      1. Ontvangt gebruikersinvoer
      2. Beslist welke gespecialiseerde agent de aanvraag moet behandelen
      3. Genereert een definitief antwoord
   2. Maximo agent: Behandelt Maximo-specifieke vragen en bewerkingen
      
      1. Verwerkt verzoeken gerelateerd aan Maximo
      2. Gebruikt Maximo-tools voor specifieke bewerkingen
      3. Retourneert de resultaten naar de Supervisor Agent
   3. DB-agent voor vectoren: Verwerkt vectordatabasebewerkingen
      
      1. Verwerkt query's gerelateerd aan vectordatabases
      2. Gebruikt vectordatabasetools voor bewerkingen
      3. Retourneert de resultaten naar de Supervisor Agent
3. Stroomregeling
   
   1. De Supervisor Agent gebruikt een routerfunctie om te bepalen welke gespecialiseerde agent het verzoek moet behandelen.
   2. Elke gespecialiseerde agent heeft zijn eigen functies om te bepalen of hij zijn specifieke hulpmiddelen moet gebruiken.
   3. Na gebruik van het gereedschap keert de besturing terug naar de betreffende agent
   4. De resultaten vloeien terug naar de Supervisor Agent voor de eindverwerking
4. Staatsbeheer
   
   1. Het systeem onderhoudt staten via de Agent State klasse
   2. Staten zijn onder meer:
      
      1. Invoer door de gebruiker: Oorspronkelijk verzoek van de gebruiker
      2. Besluiten van supervisors: De logica die door de supervisor wordt gebruikt om te bepalen welke gespecialiseerde agent de taak moet uitvoeren
      3. Maximaal laadvermogen: Gestructureerde gegevens verzonden naar of ontvangen van Maximo API's
      4. Aanroepen van tools: De uitvoering van externe functies of API's die door een agent worden geactiveerd om een taak te voltooien
      5. Reacties van agenten: De tussentijdse uitgangen of berichten die zijn gegenereerd door de gespecialiseerde agenten
      6. Definitieve reactie: Het ingevulde, gebruikersgerichte antwoord van de Supervisor
      7. Geheugenketting: Opgeslagen context van eerdere interacties om de continuïteit te behouden
5. Uitgangspunt: De Supervisor Agent is ook het eindpunt omdat deze het uiteindelijke antwoord genereert op basis van de resultaten van de gespecialiseerde agenten

‍

De architectuur maakt een modulaire afhandeling van verschillende soorten aanvragen mogelijk, heeft duidelijke scheidingen van functionaliteiten tussen verschillende agenten, implementeert flexibele routering van aanvragen op basis van hun aard, en centrale coördinatie via de Supervisor Agent.

‍

Ideeën voor use-cases verkennen

In de demo met IBM werd geen volledige use-case geïmplementeerd die verder ging dan de in dit document beschreven use-case. De volgende ideeën zijn echter besproken:

• Opvragen van werkorders: Gebruikers kunnen de agent vragen stellen over specifieke werkorders in Maximo, en de agent kan relevante details ophalen en samenvatten via API-aanroepen
• Werkorder aanmaken/uitvoering van de workflow: De agent kan gebruikers begeleiden bij het aanmaken van een nieuwe werkorder of het activeren van vooraf gedefinieerde workflows, met behulp van natuurlijke taalinvoer
• Ondersteuning voor visuele inspectie: Mogelijkheid om te integreren met Maximo Visual Inspection (MVI) en mobiele tools om de schade aan bedrijfsmiddelen te beoordelen aan de hand van afbeeldingen of video's

‍

Deze use case laat zien hoe conversationele AI het werken met Maximo veel eenvoudiger en intuïtiever kan maken. Door natuurlijke taal te gebruiken, kunnen gebruikers de agent vragen om werkorders te vinden of te beheren zonder dat ze complexe systemen of technische processen hoeven te begrijpen. Achter de schermen bestaat de agent uit verschillende 'helpers', elk met een specifieke rol, die samenwerken om het verzoek te begrijpen, gegevens van Maximo op te halen en duidelijke, beknopte antwoorden te geven. De Supervisor Agent fungeert als een teamleider, zorgt ervoor dat de juiste agent de taak afhandelt en organiseert vervolgens het uiteindelijke antwoord.

‍

Het huidige voorbeeld is gericht op het ophalen van werkorders op basis van specifieke criteria, maar dezelfde configuratie kan worden uitgebreid om nog veel meer te doen, zoals het aanmaken van werkorders, het starten van workflows of zelfs het analyseren van afbeeldingen van Visual Inspection. Deze aanpak laat zien hoe geavanceerde AI-tools zoals watsonx.ai complexe workflows kunnen vereenvoudigen en teams kunnen helpen om op een meer natuurlijke en efficiënte manier met bedrijfssystemen te communiceren.