Design-Workshop für Multi-Agenten-Systeme (MAS)

Warum verwenden?

Automatisiere einen komplexen Prozess mit KI, indem du gemeinsam mit einem interdisziplinären Team in einem Design Thinking Workshop ein Multi-Agenten-System (MAS) entwirfst.

Wer soll teilnehmen?

Multi-Agenten-Systeme erfordern die Zusammenarbeit von verschiedenen Experten in folgenden Bereichen:

• Geschäftsbereich und -prozesse

• Big Data und Agentische KI

• IT, Sicherheit und Datenschutz

Es erfordert auch, dass alle Stakeholder zusammenarbeiten, also:

• Benutzer: Mitarbeiter und/oder Kunden

• Entwickler: Software-, Daten- & AI-Ingenieure

• Entscheidungsträger: Geschäftsprozessverantwortliche

• Berater: Datenschutzbeauftragte, Sicherheitsberater usw.

Zuletzt wird ein Moderator benötigt, der die verschiedenen Personen zusammenbringt, um ein effektives Team zu bilden.

Wann wird es eingesetzt?

Das Team hat sich zusammengefunden und über einen (bestehenden oder neuen Geschäfts-) Prozess entschieden. Das Team möchte diesen Prozess mit Agenten basierter KI automatisieren und optimieren, um Effizienz, Effektivität und/oder Robustheit zu steigern.

Falls noch kein Prozess identifiziert wurde, empfehlen wir einen Lean Data & AI Strategy Workshop, um potenzielle Use Cases für Agenten basierte KI zu identifizieren und zu priorisieren.

Während des eintägigen MAS Design Workshops spezifizieren die Teilnehmer die Ziele und Schlüsselergebnisse, identifizieren die menschlichen und künstlichen Agenten und gestalten den Arbeits- und Informationsfluss zwischen den Agenten. Darüber hinaus werden die technischen und analytischen Grundlagen definiert und die notwendigen Vorgaben spezifiziert, um Sicherheit, Datenschutz, Fairness und mehr zu gewährleisten.

Was wird verwendet?

Dieses Workshop-Template basiert auf der erprobten Data & AI Business Design Method, die weltweit von vielen namhaften Unternehmen und Beratungen eingesetzt wird. Es verwendet die Canvas des Data & AI Business Design Kit, das unter einer Creative Commons-Lizenz frei verfügbar ist.

So geht's

Dieses Workshopt-Template ist für eine eintägige Sitzung konzipiert, die in zwei halbe Tage aufgeteilt werden kann. Im Laufe des Tages durchlaufen die Teilnehmer die folgenden sechs Phasen und führen mehrere Schritte auf sechs verschiedenen Canvas für jede Phase aus. Auf den Canvas finden Sie Zahlen in Kreisen (①, ②, ...), die den Schritten in jeder Phase entsprechen.

I. Intro

Das Intro dient dazu, sicherzustellen, dass alle Teilnehmer das gleiche Ziel verfolgen und bereit sind, den vorgeschlagenen Weg gemeinsam zu gehen. Um diesen Weg (d.h. die Workshop-Agenda) aufzuzeigen und zu präsentieren, verwenden wir das Data & AI Design Thinking Workshop Canvas und führen die folgenden Schritte aus:

① Passen Sie den Header des Canvas an, indem Sie das Unternehmen und gegebenenfalls das Beratungsunternehmen angeben und das Datum eintragen. Dieser Schritt sollte auch auf allen nachfolgenden Canvas durchgeführt werden.

② Setzen Sie das spezifische Ziel für den Workshop und definieren Sie die gewünschten Schlüsselergebnisse (d.h. Deliverables).

③-⑦ Passe die Agenda-Punkte, Sitzungszeiten und mehr nach Bedarf an.

Bei der Bearbeitung eines Agendapunktes, ändere die Farbe des entsprechenden Notizzettels zu Gelb. Wenn du fertig bist, markiere ihn grün. Dies stellt sicher, dass das Team immer einen Überblick über den aktuellen Stand hat.

II. Geschäftsprozessanalyse

Als Nächstes müssen wir den Geschäftsprozess visualisieren und analysieren, den wir mit agentischer KI automatisieren und optimieren wollen. Dazu verwenden wir das Value Chain Canvas und grüne Notizzettel für bestehende Elemente, gelbe für geplante Elemente und rote für fehlende Elemente.

① Schreibe im Feld Im Fokus den Namen des Geschäftsprozesses auf.

② Beginne am Anfang des Prozesses auf der linken Seite des Value Chain Canvas:

a) Was ist der Anfangszustand, die Basiserzeugnisse oder der Auslöser, der den Geschäftsprozess startet?

b) Welche Person, Rolle oder Organisationseinheit definiert den Anfangszustand, liefert die Grundprodukte oder löst das Ereignis aus (Produzenten)?

③ Dann fahre mit dem Ende des Geschäftsprozesses auf der rechten Seite des Value Chain Canvas fort:

a) Was ist der Endzustand, die Endprodukte oder die Schlüsselergebnisse des Geschäftsprozesses?

b) Wer sind die Nutznießer des Endzustands, die Konsumenten der Endprodukte oder die Empfänger der Schlüsselergebnisse (Kunden)?

④ Skizziere nun die Primäraktivitäten, also den Workflow des Prozesses: Welche Aktionen sind notwendig und in welcher Reihenfolge erfolgen sie? Welche alternativen oder parallelen Abläufe gibt es?

⑤ Neben den Primäraktivitäten sind oft Unterstützungsaktivitäten notwendig: Welche allgemeinen und internen Maßnahmen/Organisationseinheiten unterstützen den Geschäftsprozess?

⑥ Wenn die Support-Aktivitäten nicht intern, sondern von externen Unternehmen bereitgestellt werden und den gesamten Prozess begleiten, notiere diese unter Allgemeine Lieferanten.

⑦ Besondere Lieferanten, die nur einzelne Prozessschritte ausführen oder unterstützen, sollten unter Sonderlieferanten aufgeführt werden.

⑧ Gib die Key Performance Indicators (KPI) auf blauen Notizen an, die die Effizienz, Effektivität, Qualität, Stabilität usw. des Prozesses messen und entsprechende Zielwerte festlegen.

Extrahiere abschließend alle Ziele, Schlüsselergebnisse und KPIs, die für Agentic AI relevant sind, vom Value Chain Canvas und spezifizieren sie im grünen Kasten Geschäftsziele & Schlüsselergebnisse als Output der Agenten.

III. Nutzerrollen-Identifikation

Da wir nun den Geschäftsprozess kennen und verstehen, können wir folgende Frage beantworten: Wer sind die Stakeholder im Kontext des Prozesses? Um diese Frage zu beantworten, verwenden wir die Stakeholder-Analyse-Canvas und blaue Notizen, um die Personen oder Rollen zu identifizieren. Folgende Funktionen von Stakeholdern sollten berücksichtigt werden (wobei eine Person/Rolle auch mehrere Funktionen übernehmen kann):

① Im Feld Fokussiert auf schreibe den Namen des Geschäftsprozesses auf.

② Entscheidungsträger: Wer trifft Entscheidungen, die den Prozessverlauf beeinflussen?

③ Wirtschaftliche Käufer: Wer stellt, wenn während des Prozesses Kauf-, Budget- oder andere (finanzielle) Ressourcenentscheidungen getroffen werden, das Geld bereit oder ist der Sponsor?

④ Endnutzer: Wer nutzt die Ergebnisse des Prozesses (vgl. Kunden im Value Chain Canvas)?

⑤ Saboteure: Wer könnte versuchen, den Prozess zu stören, indem er Entscheidungsträger, wirtschaftliche Käufer oder Endnutzer negativ beeinflusst?

⑥ Beeinflusser: Wer könnte den Prozess unterstützen, indem er Entscheidungsträger, wirtschaftliche Käufer oder Endnutzer positiv beeinflusst?

⑦ Empfehler: Wer ist aktiv im Prozess in einer beratenden Funktion involviert oder unterstützt mit Informationen?

⑧ Implementierer: Wer setzt den Prozess tatsächlich um, d. h., führt die Handlungen aus?

Im späteren Entwurf des Multi-Agent-Systems übernehmen Agenten die Funktion einiger Personen/Rollen. Doch selbst bei einem sehr hohen Automatisierungsgrad bleiben bestimmte Funktionen bei menschlichen Agenten: Sie müssen die Ergebnisse der KI-Agenten überprüfen, Genehmigungen erteilen oder sind die Nutzer und/oder Nutznießer des automatisierten Prozesses.

Durch Veränderung der Farbe der Notizen markieren wir bestimmte Stakeholder:

• Grün sind menschliche Agenten, die im agentischen AI-Prozess eine Rolle spielen.

• Rot sind Stakeholder, die keine Rolle mehr spielen sollen (d. h. keine menschlichen Agenten).

• Gelb sind diejenigen Stakeholder, bei denen wir uns noch nicht sicher sind (d. h. eventuell menschliche Agenten).

Schließlich übertragen wir alle menschlichen Agenten in das gelbe Feld Human Agents, um im nächsten Schritt den agentischen AI-Workflow und die AI-Agenten zu gestalten.

IV. Agentic Workflow Design

Für das agentische Workflow-Design verwenden wir das DiagrammFormat und die Agentic Workflows Formen von Miro. Wir kennen bereits die Ergebnisse, die wir von den Agenten erwarten, aus II. Geschäftsprozessanalyse. Aus III. Nutzerrollenidentifikation kennen wir die Stakeholder, die Eingaben an die Agenten liefern, d. h. den Prozess auslösen, Prompts schreiben, Informationen und Dokumente bereitstellen, Anfragen der Agenten beantworten, Entscheidungen treffen oder (Zwischen-)Ergebnisse prüfen und genehmigen.

Es gibt zwei Möglichkeiten, den bestehenden Prozess mit KI zu automatisieren:

1. Den bestehenden Prozessablauf weitgehend beibehalten und die menschlichen Agenten durch KI-Agenten ersetzen, die die Aktionen ausführen und Entscheidungen treffen.

2. Den Prozessablauf vollständig überdenken, um die Vorteile der agentischen KI auszuschöpfen, zum Beispiel die parallele Bearbeitung mehrerer alternativer Lösungen.

Wenn du dir nicht sicher bist, welche Variante besser ist, entwirf zwei (oder mehr) Versionen und entscheide danach – oder kombiniere die Lösungen.

Um Kandidaten für KI-Agenten zu identifizieren, stelle den Workshop-Teilnehmern folgende Fragen:

• Welche Aktivitäten oder Verantwortlichkeiten haben die menschlichen Agenten übernommen?

➡️ Der menschliche Agent wird zu einem KI-Agenten.

• Welche spezialisierten Aufgaben gibt es, für die spezielles Domänenwissen erforderlich ist?

➡️ Ein KI-Agent wird mit diesem Domänenwissen trainiert.

• Welche IT-Systeme oder Datenquellen müssen wir verbinden?

➡️ Ein KI-Agent dient als Schnittstelle zur Datenquelle oder IT-System.

• Mit welchen Nutzern (Rollen) müssen wir interagieren?

➡️ Ein KI-Agent übernimmt die Kommunikation mit dem Nutzer.

• Welche Aktivitäten können parallelisiert werden?

➡️ Die Aktivitäten werden auf verschiedene KI-Agenten verteilt.

• Welche Aktivitäten werden von anderen Agenten mehrfach benötigt?

➡️ Ein KI-Agent stellt diese Aktivität anderen Agenten als Dienst zur Verfügung.

• Welche Aktivitäten erfordern spezielle Sicherheits- und Datenschutzvorkehrungen?

➡️ Speziell gesicherte KI-Agenten führen diese Aktivitäten aus.

• Welche internen KI-Agenten sind bereits im Einsatz?

➡️ Der bestehende KI-Agent wird wiederverwendet.

• Welche externen KI-Agenten sind bereits vorhanden?

➡️ Der externe KI-Agent wird integriert und bei Bedarf von einem internen KI-Agenten gekapselt.

• Welche KI-Agenten können die Koordination der anderen KI-Agenten unterstützen?

➡️ Spezielle KI-Agenten kümmern sich um die Delegation, Aggregation, Synchronisation usw. des Informations- und Arbeitsablaufs.

Um das MAS-Design abzuschließen, müssen der Informations- und Arbeitsablauf zwischen den KI- und menschlichen Agenten modelliert werden. Dazu werden die Diagrammelemente (menschliche Agenten, KI-Agenten, Ergebnisse) mit Pfeilen verbunden. In der Regel sind Informations- und Arbeitsabläufe identisch. In Fällen, in denen dies nicht der Fall ist, kann eine gestrichelte Linie für den reinen Informationsfluss verwendet werden.

V. Daten- und KI-Bewertung und Roadmapping

Einige der KI-Agenten benötigen Lesezugriff auf bestehende Datenquellen oder sogar Schreibrechte auf IT-Systeme, um Datensätze zu ändern oder zu erstellen oder bestimmte Teilprozesse auszulösen. Andere KI-Agenten erfordern spezifische Funktionalitäten und Fähigkeiten, wie ein Large Language Model (LLM) zur Kommunikation mit menschlichen Agenten oder ein Prognosemodell zur Vorhersage von Ereignissen und Trends.

Wir verwenden den blauen Bereich des MAS-Design-Diagramms, um die erforderlichen IT-/BI-/KI-Systeme zu spezifizieren und sie mit den KI-Agenten mittels Pfeilen zu verbinden. Hier können wir auch Schnittstellen wie das Agent2Agent (A2A) oder Model Context Protocol (MCP) definieren.

Als Nächstes evaluieren wir, ob wir die benötigten Systeme bereits in Nutzung haben, ob sie sich noch in der Planungs- oder Arbeitsphase befinden oder ob sie zunächst entworfen und entwickelt werden müssen. Dazu verwenden wir grüne, gelbe und rote Notizen und das Analytics & AI Maturity Canvas. Das Canvas unterscheidet zwischen allgemeinen Werkzeugen und spezifischen Anwendungen auf verschiedenen Ebenen von Komplexität und Reife.

② Die grünen Boxen beschreiben die spezifischen Apps für:

a) Business Operations: reine Datenverarbeitungsapps ohne Analytik- oder KI-Funktionalität.

b) Business Reporting: typischerweise Apps zur Automatisierung der Berichtserstellung oder Dashboards basierend auf deskriptiver Analytik.

c) Business Discovery: Apps zur Erkundung von Trends, Korrelationen, Anomalien usw., um auf Basis diagnostischer Analytik Einblicke zu gewinnen.

d) Business Forecasting: Apps zur Vorhersage, Nowcasting oder Backcasting basierend auf vorausschauender Analytik.

e) Business-Optimierung: Anwendungen zur Optimierung von Geschäftsprozessen basierend auf präskriptiver Analytik.

f) Business-Automatisierung: Anwendungen zur Automatisierung von Geschäftsprozessen basierend auf autonomer Analytik.

AI-Agenten interagieren oft über Application Programming Interfaces (APIs) mit bestehenden Applikationen.

③ Die gelben Felder sind für die Daten- und Analysetools gedacht, die zur Implementierung der AI-Agenten verwendet werden können:

a) Datenmanagement: Dies umfasst beispielsweise Datenbanksysteme.

b) Deskriptive Analytik: Zum Beispiel Berichts- oder Dashboard-Tools.

c) Diagnostische Analytik: Statistische Analysetools oder zum Beispiel Plattformen für A/B-Experimente.

d) Prädiktive Analytik: Neben Software für maschinelles und tiefes Lernen auch Bibliotheken zum Beispiel für Bayes'sche Netzwerke, lineare Regression usw.

e) Prescriptive Analytics: Hier werden Methoden zur Simulation und Optimierung sowie generative KI-Lösungen eingesetzt.

f) Autonomous Analytics: Hier kommen unter anderem Verstärkungslernalgorithmen oder spezielle Lösungen für agentische KI zum Einsatz.

Stelle sicher, dass für alle erforderlichen Daten und Funktionalitäten ein existierendes oder geplantes IT / BI / KI-System vorhanden ist.

VI. Anforderungen an die KI-Leitplanken

Wir haben uns durch die Geschäftsprozesse, die Stakeholder, die Datenquellen und die IT / BI / KI-Fähigkeiten gearbeitet, um sicherzustellen, dass unser Multi-Agentensystem umsetzbar, gewollt und möglich ist. Ein wichtiges Kriterium fehlt jedoch noch: KI-Systeme müssen verantwortungsbewusst sein.

Schließlich bringt große Macht auch große Verantwortung mit sich. Dieses Prinzip ist auch gesetzlich verankert, beispielsweise im EU AI Act.

Um sicherzustellen, dass unsere KI-Agents den Prinzipien von Responsible AI (rAI) entsprechen, benötigen wir sogenannte AI-Vorgaben. In einem Multi-Agenten-System können diese Vorgaben wiederum von Agents implementiert werden, die die anderen Agents überwachen und steuern.

Zunächst definieren wir die Vorgaben, also die Regeln und Einschränkungen, die wir dem MAS auferlegen wollen. Wir verwenden das 3 Boxes Canvas, um die Regeln in drei Kategorien zu unterteilen:

1. Sicherheit & Schutz: Weder das MAS noch seine Nutzer dürfen Schaden erleiden.

2. Erklärbarkeit & Transparenz: Die Entscheidungen und Handlungen des MAS müssen für die Nutzer verständlich sein.

3. Datenschutz & Fairness: Benutzer dürfen durch das MAS keine Nachteile erfahren.

Wir unterscheiden zudem zwischen Vorgaben, die sich auf die Eingaben, die internen Modelle und die Ausgaben der KI-Agents beziehen:

• Inputschutz: Könnte beispielsweise Benutzereingaben auf Prompt-Injektionen überprüfen, um Unternehmensdaten vor Datendiebstahl zu schützen.

• Modellschutz: Ein Beispiel zur Sicherstellung von Fairness ist die Überwachung von Modellqualitätsindikatoren, um Diskriminierung von Personengruppen auszuschließen.

• Ausgabeschutz: Da LLMs halluzinieren, ist beispielsweise eine Plausibilitätsprüfung der Ausgabe sinnvoll.

Im letzten Schritt definieren die Guardrail Agents (grauer Kasten im Diagramm), wie diese Regeln umgesetzt werden und wie sie durch Pfeile mit den AI Agents verbunden sind.

Um den Workshop abzuschließen, spezifizieren Sie konkrete Aufgaben und weisen Sie sie den Workshop-Teilnehmern zu. Und dann: Erledigen Sie die Aufgaben!

Wo finde ich mehr?

Datentreiber bietet Ihnen nicht nur diese Miroverse-Template, sondern auch:

• Das Data & AI Business Design Kit bietet zahlreiche Open-Source-Canvases zur Anwendung der Data & AI Business Design Methodik.

• Zusätzlich steht die kostenlose Data & AI Business Design Community für Austausch, Veranstaltungen und Experteninhalte zur Verfügung.

• Zertifizierte Online- und Präsenztrainingskurse sind in der Data & AI Business Design Academy erhältlich.

• Viele zusätzliche Management-Tools, Workshop-Vorlagen und Projektvorlagen stehen auf unserem kommerziellen Data & AI Business Design Bench zur Verfügung.

• Unser Data & AI Business Consulting bietet Unterstützung für Ihre Daten- und KI-Strategie, Innovations- und Transformationsprojekte.

Wenn Sie interessiert sind oder Fragen oder Feedback haben, kontaktieren Sie uns bitte unter: info@datentreiber.de.

Urheberrecht: Alle Rechte vorbehalten von Datentreiber GmbH.