Vom Auftrag bis zur Prüfung
Anfrage verstehen, Wissen finden, im Planungssystem handeln, Ergebnis erklären – ein durchgehender Ablauf statt einzelner Insellösungen.
Intelligente Automatisierung für komplexe Produktionsdaten.
Ein Multi-Agenten-System, das umfangreiche Produktionsdaten überprüft, Fehler analysiert, Korrekturen anhand hinterlegter Regeln erarbeitet und die Ergebnisse dokumentiert.
Das Projekt umfasst die Entwicklung der KI-Agenten, die Integration bestehender Systeme, Benutzeroberflächen und die Bereitstellung einer Cloud-Infrastruktur.
Drei bis fünf davon sind falsch – und schon einer genügt, damit die Produktionsplanung nicht mehr stimmt. Das System findet sie, korrigiert sie und lässt das Zielsystem neu prüfen.
Orchestrierung, Wissen, Planung, Dialog, E-Mail – und Websuche bei Bedarf
Datenzugriff, Prüfung, Korrektur, Rückschreibung
vordefinierte Abläufe für wiederkehrende Workflows
Ausgangspunkt war ein real eingesetztes Produktionsplanungssystem. Seine Planungsstände kommen als Snapshots aus dem ERP-System: Aufträge, Materialbedarfe, Maschinenbelegung, Mitarbeiterqualifikationen – verbunden mit nahezu allen Bereichen des Unternehmens.
Das bestehende Planungssystem erkennt solche Fehler, kann sie jedoch nicht eigenständig beheben. Die eigentliche Herausforderung liegt darin, die Zusammenhänge zu verstehen und eine fachlich korrekte Korrektur abzuleiten.
Beobachtungen aus dem Projektbetrieb bei Snapshots mit wenigen Fehlern – keine kontrollierte Messung und keine Laufzeitgarantie.
Kann ein KI-System solche Daten nicht nur analysieren, sondern gezielt korrigieren – und dabei so transparent bleiben, dass Fachpersonen jede Entscheidung nachvollziehen können?
Komplexe Produktionsdaten verlangen unterschiedliche Fähigkeiten. Statt eines Modells, das alles können soll, teilt sich das System die Arbeit: Ein Orchestrator versteht die Anfrage und plant, Spezialisten übernehmen Wissen, Planungssystem und Dialog. Bei Bedarf kommen eine Websuche für externes Wissen und ein E-Mail-Agent dazu, der Berichte an verantwortliche Stellen verschickt.
Jeder Agent hat eine klar begrenzte Aufgabe, eigene Werkzeuge und genau den Kontext, den er dafür braucht. Fahre über die Knoten, um zu sehen, wer was macht.
Anfrage verstehen, Wissen finden, im Planungssystem handeln, Ergebnis erklären – ein durchgehender Ablauf statt einzelner Insellösungen.
Ein Agent bekommt nur, was er für seine Aufgabe braucht. Das hält jede Entscheidung schlank und überprüfbar.
Neue Fehlerarten kommen über zusätzliche Regelkarten dazu, neue Werkzeuge und Prozesse lassen sich anbinden.
Kritische Änderungen gehen erst nach Freigabe ins System. Ergebnisse lassen sich als Bericht per E-Mail-Agent weitergeben.
Das Regelbuch enthält das Fachwissen für die Korrektur: welche Regeln für einen erkannten Fehler gelten und wie sich der richtige Wert herleiten lässt.
Statt bei jeder Korrektur das gesamte Regelwerk bereitzustellen, wurde das Wissen in einen
gemeinsamen Kern und modulare Regelkarten gegliedert. Abhängig vom erkannten Fehler erhält das System
gezielt die relevanten Regeln – der Kontext bleibt fokussiert, und es ist nachvollziehbar, welche
Regelgrundlage in eine Korrektur eingeflossen ist. Die Regeln sind in natürlicher Sprache verfasst,
sodass Fachleute sie ohne Programmierkenntnisse pflegen können.
Der Gedanke dahinter: Das Modell soll nicht alles sehen, sondern das Richtige. Weniger, aber
relevanter Kontext – mehr Signal, weniger Rauschen.
Fehlerklassifikation, Kontextsuche, Regelzuordnung, Korrekturerzeugung, technische Prüfung und erneute Validierung sind klar abgegrenzte Knoten. Jeder schreibt seinen Zwischenstand in einen gemeinsamen Zustand. So lässt sich im Nachhinein rekonstruieren, was das Modell gesehen hat und warum der Ablauf weiterlief oder stoppte.
LLM Nur drei der neun Knoten rufen das Sprachmodell auf – genau so viele Aufrufe wie im bisherigen Ablauf. Der Graph ist nicht „KI-lastiger“, er macht sichtbar, was zwischen den Aufrufen passiert.
Am Ende steht kein Konzept, sondern ein funktionsfähiges Gesamtsystem: in Azure bereitgestellt, über eine Weboberfläche bedienbar und an ein reales Produktionsplanungssystem angebunden.
Ein Snapshot wird geladen, validiert, analysiert, korrigiert, zurückgeschrieben und anschliessend erneut durch das Zielsystem geprüft. Auditierbarkeit, Kontrolle und Reproduzierbarkeit wurden dabei nicht nachträglich aufgesetzt, sondern haben die Architektur von Anfang an geprägt.
Backend und APIs, Integration mit dem Planungssystem, Fehlerbehandlung und mehrere Verarbeitungspipelines.
Agenten-Orchestrierung, RAG, regelbasierte Wissensbereitstellung und schemageprüfte KI-Korrekturen.
Container, Infrastructure as Code, Secret Management, Logging, Monitoring und automatisiertes Deployment.
Chat, Visualisierung des Ablaufs, Prüfung von Änderungen und verständliche Darstellung der Ergebnisse.
Testreihen gegen das echte System, Ablaufprotokolle und ein wissenschaftlicher Architekturvergleich.
Die KI übernimmt dort, wo Interpretation und Schlussfolgerungen nötig sind. Kritische Datenänderungen bleiben technisch abgesichert.
Ein fehlender Fehlerhinweis bedeutet noch keinen erfolgreichen Durchlauf. Erst die erneute Validierung zeigt, ob eine Korrektur tatsächlich funktioniert hat.
Ein KI-Modell kann nur mit den Informationen arbeiten, die es erhält. Entscheidend sind die relevanten Daten, ihre Zusammenhänge und die passenden Regeln.
Eine Änderung kann weitere Fehler sichtbar machen. Deshalb müssen Korrekturen erneut geprüft und bei Bedarf in mehreren Durchläufen verbessert werden.
Eine Korrektur kann vom erwarteten Referenzwert abweichen und trotzdem durch die Daten begründet sein. Nicht jede Abweichung ist eine Halluzination.
Ein KI-System kann mehrfach dieselbe Entscheidung treffen und dennoch falsch liegen. Wiederholbarkeit allein sagt nichts über die fachliche Korrektheit aus.
Erst das Zusammenspiel spezialisierter Agenten, verlässlicher Prüfungen, technischer Schnittstellen und nachvollziehbarer Abläufe macht aus KI-Antworten eine nutzbare Lösung.
Im Rahmen meiner Bachelorarbeit habe ich untersucht, wie sich unterschiedliche KI-Systemarchitekturen auf Korrektheit, Stabilität und Nachvollziehbarkeit automatisierter Datenkorrekturen auswirken.
Die wichtigste Erkenntnis: Den größten Mehrwert für die fachliche Korrektheit brachte die gezielte Bereitstellung relevanten Wissens. Die graphbasierte Orchestrierung verbesserte vor allem die Nachvollziehbarkeit der Entscheidungen und Abläufe.
Zur vollständigen Bachelorarbeit ↗