So erstellen Sie einen KI-Agenten

Was macht Athlet:innen zu einem Goldmedaillengewinner:innen? Schulung Was macht einen Musiker zu einem Virtuosen? Schulung Aber Schulungen gelten nicht nur für Menschen. Jetzt erkennen Unternehmen den Wert des Trainings von künstlicher Intelligenz (KI), um sie voranzubringen. Der Aufbau und das Training eines KI-Agents wird für das Wachstum immer wichtiger, und indem man einem KI-Agents beibringt, die menschliche Sprache zu verstehen, kann er besser reagieren und nützlichere Aufgaben als je zuvor ausführen.

Mit dem Fortschritt der KI-Technologie werden diese Agents immer ausgefeilter und leistungsfähiger und schließen die Lücke zwischen den menschlichen Erwartungen und der KI-Leistung. Lassen Sie uns also herausfinden, worum es bei einem KI-Agents geht, die Grundlagen des Aufbaus und des Trainings von KI und die Schritte, um einen KI selbst zu trainieren.

Unsere Themen:

• Was ist ein KI-Agent?
• Grundlagen der Erstellung von KI-Agents
• Die 6 Schritte zum Erstellen und Trainieren von KI-Agenten
• Erstellen und trainieren Ihres eigenen KI-Agenten

Ein KI-Agent ist ein Computerprogramm, das Menschen unterstützen soll, indem es Aufgaben ausführt und Fragen beantwortet. Die Schlüsselwörter sind hier Menschen unterstützen.

Agents mit künstlicher Intelligenz (KI) helfen bei alltäglichen Aufgaben wie der Verwaltung von E-Mails und der Planung von Terminen, indem sie aus einer Vielzahl von Spracheingaben lernen. Diese Aufgaben können vom Festlegen von Erinnerungen und der Verwaltung von Zeitplänen bis hin zum Bereitstellen von Informationen wie Wetteraktualisierungen oder Nachrichten reichen. KI-Agents sind so programmiert, dass sie die menschliche Sprache verstehen und darauf reagieren, was die Interaktion mit ihnen natürlicher und benutzerfreundlicher macht.

Es gibt viele Arten von KI-Agenten, darunter assistive und autonome Agenten. Assistive Agenten sind beispielsweise in Mitarbeitertools eingebettet, um bei personalisierten Aufgaben zu helfen, die speziell auf ihre Funktion zugeschnitten sind. Und autonome Agenten können Kundenanfragen ohne menschliches Eingreifen verstehen und beantworten. Mit einem Agent Builder wie Agentforce können Sie Agenten erstellen, die dynamisch agieren, anstatt vordefinierten Regeln zu folgen, und die durch veränderte Daten und Automatisierungen ausgelöst werden.

Das Training eines KI-Agents umfasst mehrere wichtige Schritte, um sicherzustellen, dass er effektiv und effizient arbeitet. Dazu gehören die Datenerfassung und -aufbereitung, das Modelltraining, die Bewertung, die Feinabstimmung und der Einsatz. Dazu gehört auch die Überwachung und Aktualisierung Ihres Agents, um sicherzustellen, dass er mit Ihren Zielen übereinstimmt. Lassen Sie uns in die Schritte eintauchen, damit Sie lernen können, dies selbst zu tun.

Beim Aufbau und Training eines KI-Agenten muss man ihm beibringen, die menschliche Sprache zu verstehen und auf eine Weise zu reagieren, die nützlich und relevant ist. Von generativer KI (GenAI) bis hin zu Conversational AI stehen Ihre Daten im Mittelpunkt. Das Training umfasst mehrere Schlüsselkonzepte aus den Bereichen der künstlichen Intelligenz, insbesondere des maschinellen Lernens und der Verarbeitung natürlicher Sprache (NLP). Diese betrachten wir jetzt einmal genauer.

Maschinelles Lernen (ML) ist eine Art von KI, die Systemen die Möglichkeit gibt, automatisch aus Erfahrungen zu lernen und sich zu verbessern, ohne programmiert zu werden. Beim Training eines KI-Agenten verwenden Algorithmen des maschinellen Lernens historische Daten (Beispiele für menschliche Interaktionen), um Muster zu finden und Entscheidungen zu treffen. Je mehr Daten die KI verarbeitet, desto besser kann sie Nutzeranfragen vorhersagen und darauf reagieren.

Natürliche Sprachverarbeitung (NLP) ist ein Zweig der KI, der sich mit der Interaktion zwischen Computern und Menschen durch natürliche Sprache befasst. Ziel ist es, dass Computer große Mengen an Daten in natürlicher Sprache verarbeiten und verstehen können. Im Kontext eines KI-Agenten ermöglicht NLP dem System, menschliche Sprache auf eine Weise zu verstehen, zu interpretieren und zu generieren, die sowohl natürlich als auch sinnvoll ist.

Die Datenkategorisierung ist ein wichtiger Schritt beim Training von KI, bei dem Menschen Daten mit Anmerkungen versehen. Sie fügen den Rohdaten aussagekräftige Tags oder Labels hinzu, damit die KI sie verstehen kann. Beim Trainieren eines KI-Agenten umfasst die Datenkategorisierung beispielsweise das Markieren von Wortarten in Sätzen, das Identifizieren der Stimmung eines Textes oder das Kategorisieren von Abfragen in Themen. Diese gekennzeichneten Daten dienen der KI dann als Leitfaden, um aus diesen Beschriftungen zu lernen, und sie verwendet sie, um den Kontext und die Absicht hinter den Benutzereingaben zu verstehen.

Beim Erstellen eines KI-Agents besteht der erste Schritt darin, klar zu definieren, was er tun soll. Dabei geht es um die Entscheidung über die spezifischen Aufgaben und Funktionen, die der Agent ausführen wird. So gehen Sie vor:

Bestimmen Sie zunächst die Aufgaben und Funktionen des KI-Agents. Listen Sie die Probleme auf, die der KI-Agent lösen soll, oder die Aufgaben, die er bewältigen soll. Möchten Sie einen autonomen Agents? Benötigen Sie es, um Kundenanfragen zu beantworten, Benutzern beim Online-Einkauf zu helfen oder Informationen über Ihr Unternehmen bereitzustellen? Die Funktionen Ihres KI-Agents sollten auf die Bedürfnisse abgestimmt sein, die er erfüllen soll.

Benötigen Sie zum Beispiel einen virtuellen Shopping-Agent? Dieser Agent hilft den Nutzern, sich in Online-Shops zurechtzufinden, und bietet personalisierte Einkaufsberatung, die auf den Präferenzen der Nutzer und dem bisherigen Einkaufsverhalten basiert. Es kann Geschenkideen vorschlagen, die besten Angebote finden oder sogar bei der Modeauswahl helfen.

Identifizieren Sie als Nächstes Ihre Zielgruppe. Unterschiedliche Benutzer:innen haben unterschiedliche Erwartungen und Arten der Interaktion mit Technologie. Beispielsweise muss ein KI-Agent, der für medizinisches Fachpersonal entwickelt wurde, möglicherweise medizinische Terminologie genau verstehen und verwenden.

Und betrachten Sie Anwendungsfälle oder spezifische Situationen, in denen Ihr KI-Agent eingesetzt wird. Die Definition dieser Funktionen kann dazu beitragen, zu klären, welche Funktionen und Funktionen erforderlich sind. Zum Beispiel muss ein Kundenservice-Chatbot Anfragen, Beschwerden und möglicherweise Transaktionen bearbeiten, während ein virtueller Shopping-Agent in der Lage sein sollte, Produkte vorzuschlagen, Preise zu vergleichen und Benutzerpräferenzen zu verstehen.

So wie Student:innen aus Lehrbüchern lernen, lernt ein KI-Agent aus Daten. Wenn die Daten falsch oder von schlechter Qualität sind, lernt die KI die falschen Dinge und macht Fehler. Qualitativ hochwertige Daten stellen sicher, dass die KI Benutzereingaben genau verstehen und verarbeiten kann.

Um Ihren KI-Agents zu trainieren, müssen Sie Daten sammeln, die die Art der Interaktionen widerspiegeln, die er mit Benutzern haben wird. Zum Beispiel:

• Texttranskripte: Sammeln Sie Transkripte von Unterhaltungen aus Chatprotokollen, Supporttickets oder E-Mails, die den erwarteten Interaktionen mit der KI ähneln.
• Sprachaufnahmen: Wenn die KI auf gesprochene Befehle oder Anfragen reagieren soll, sind Sprachaufnahmen unerlässlich, damit sie verschiedene Akzente, Intonationen und Sprachmuster verstehen kann.
• Interaktionsprotokolle: Daten aus früheren Interaktionen mit ähnlichen Systemen können Erkenntnisse über das Nutzerverhalten und häufige Anfragen oder Befehle liefern.

Sobald Sie Ihre Daten haben, sollten Sie sie für das Training bereinigen. Dafür müssen Sie irrelevante oder falsche Daten entfernen, Fehler korrigieren und die Konsistenz des gesamten Datensatzes sicherstellen. Korrigieren Sie beispielsweise Tippfehler in Texttranskripten oder filtern Sie Hintergrundgeräusche in Sprachaufnahmen heraus.

Und schließlich, es zu beschriften. Hier geht es um das Hinzufügen von Labels – Tags oder Metadaten –, um zu beschreiben, was die einzelnen Daten darstellen. Zum Beispiel, indem Sie einen Text mit der Absicht des Benutzers beschriften, z. B. „Buchung eines Fluges“ oder „Frage nach Öffnungszeiten“. Dies hilft der KI, den Kontext und den Zweck von Benutzereingaben zu verstehen.

In diesem Schritt geht es um die Auswahl des richtigen Machine-Learning-Modells, das bestimmt, wie gut Ihre KI aus Daten lernen und ihre Aufgaben ausführen kann.

Es gibt zwei Arten von Machine-Learning-Modellen:

1. Neuronale Netze: Das sind leistungsstarke Modelle, die die Funktionsweise des menschlichen Gehirns nachahmen. Sie können besonders gut große Datenmengen verarbeiten und Muster erkennen. Das macht sie ideal, um menschliche Sprache zu verstehen und zu erzeugen.
2. Reinforcement Learning: Diese Art von Modell lernt durch Versuch und Irrtum und nutzt das Feedback aus seinen Aktionen, um sich im Laufe der Zeit zu verbessern. Es ist nützlich für KI-Agents, die Entscheidungen treffen oder ihr Verhalten auf der Grundlage von Benutzerinteraktionen optimieren müssen.

Wie wählen Sie also das richtige Modell aus?

Berücksichtigen Sie die Funktionen und Aufgaben des KI-Agents, die er ausführen soll. Wenn der Agent beispielsweise menschenähnliche Antworten verstehen und generieren muss, könnte ein neuronales Netzwerk die beste Wahl sein.

Und denken Sie an die Daten, die Sie gesammelt haben. Während neuronale Netze beispielsweise große Datenmengen benötigen, um effektiv zu trainieren, eignet sich Reinforcement Learning für Szenarien, in denen die KI aus den laufenden Interaktionen mit Nutzer:innen lernen kann.

Sie können auch vortrainierte Modelle verwenden. Expert:innen entwickeln und trainieren solche Modelle anhand großer Datensätze. Sie können ein guter Ausgangspunkt sein, da sie bereits viele allgemeine Informationen über Sprache und menschliche Interaktionen gelernt haben.

Das sind einige Beispiele für vortrainierte Modelle:

• GPT (Generative Pre-trained Transformer): Dieses Modell eignet sich hervorragend zum Generieren von Text und kann fein abgestimmt werden, um bestimmte Aufgaben wie das Beantworten von Fragen oder das Schreiben von Content auszuführen.
• BERT (Bidirectional Encoder Representations from Transformers): Bekannt für seine Fähigkeit, den Kontext eines Wortes basierend auf seiner Umgebung zu verstehen, was es nützlich für Aufgaben macht, die ein tiefes Verständnis der Sprache erfordern, wie z. B. Stimmungsanalyse oder Sprachübersetzung.

Vortrainierte Modelle verfügen zwar über ein breites Wissen, sind aber möglicherweise nicht auf die spezifischen Aufgaben spezialisiert, die Ihr KI-Agent ausführen muss. Sie müssen sie fein abstimmen. Bei der Feinabstimmung wird das Training eines vortrainierten Modells für Ihren spezifischen Datensatz fortgesetzt, damit es sich an die Nuancen Ihrer speziellen Anwendung anpassen kann.

Es ist an der Zeit, das Machine-Learning-Modell mit den von Ihnen vorbereiteten Daten zu trainieren. In diesem Schritt beginnt Ihre KI, aus den von Ihnen bereitgestellten Beispielen zu lernen, damit sie schließlich Aufgaben selbstständig ausführen kann.

Hier sind die Schritte zum Trainieren Ihres KI-Agents:

1. Einrichten Ihrer Umgebung: Bevor Sie mit dem Training beginnen, richten Sie Ihre Machine-Learning-Umgebung ein. Dies kann die Installation von Softwarebibliotheken und Frameworks beinhalten, die für maschinelles Lernen notwendig sind.
2. Laden Sie Ihre Daten: Importieren Sie die bereinigten und beschrifteten Daten in Ihre Umgebung, um damit trainieren zu können.
3. Teilen Sie die Daten auf: Unterteilen Sie Ihre Daten in mindestens zwei Sets – Training und Test. Mit dem Trainingsset trainieren Sie Ihr Modell und mit dem Testset bewerten Sie, wie gut Ihr Modell gelernt hat.
4. Wählen Sie ein Modell: Basierend auf dieser Entscheidung initialisieren Sie das maschinelle Lernmodell, das Sie trainieren möchten.
5. Konfigurieren Sie Trainingsparametern: Legen Sie die Parameter fest, die den Trainingsprozess steuern sollen. Dazu gehören die Lernrate, die Batchgröße und die Anzahl der Epochen. Die Lernrate bestimmt, wie stark das Modell seine Parameter als Reaktion auf die beobachteten Fehler während der Datenverarbeitung anpasst. Bei der Batchgröße handelt es sich um die Anzahl der Datenproben, die das Modell sieht, bevor es seine internen Parameter aktualisiert. Und die Anzahl der Epochen, die vollständige Durchläufe durch den gesamten Trainingsdatensatz darstellen, beeinflusst die Lerntiefe. Die meisten Epochen bieten dem Modell mehr Möglichkeiten, aus den Daten zu lernen.
6. Trainieren Sie das Modell: Starten Sie den Trainingsprozess. Das Modell lernt anhand der Trainingsdaten und passt seine internen Parameter an, um Fehler zu minimieren.
7. Überwachen Sie den Trainingsprozess: Verfolgen Sie Leistungskennzahlen wie Genauigkeit oder Verlust während des Trainings. Sie zeigen Ihnen, wie gut das Modell lernt. Wenn es nicht wie erwartet funktioniert, müssen Sie möglicherweise die Trainingsparameter anpassen. Sollte beispielsweise der Trainingsverlust nicht abnehmen, können Sie die Lernrate senken.

Die Entwicklung eines KI-Agents umfasst das Testen und Validieren des Systems, um sicherzustellen, dass es wie erwartet funktioniert und die von Ihnen gesetzten Ziele erreicht. Dieser Schritt hilft Ihnen, Probleme zu identifizieren und zu beheben, bevor der KI-Agent vollständig bereitgestellt wird.

Führen Sie den KI-Agenten zunächst durch verschiedene vordefinierte Aufgaben oder Anfragen und beobachten Sie, wie er reagiert. Das ist wie eine Miniprüfung, um zu sehen, ob er richtig gelernt hat.

Messen Sie, wie genau und effizient der KI-Agent die Aufgaben ausführt. Prüfen Sie, ob er korrekt antwortet, wie lange es dauert, bis er reagiert, und ob die Interaktionen reibungslos verlaufen.

Dann wählen Sie eine der Testmethoden aus:

• Unit-Tests: Testen Sie einzelne Komponenten oder Teile des KI-Agents, um sicherzustellen, dass jede einzelne für sich ordnungsgemäß funktioniert.
• Benutzertests: Laden Sie echte Benutzer:innen ein, den KI-Agents in kontrollierten Umgebungen zu testen. Auf diese Weise können Sie sehen, wie sich der Agent in realen Szenarien verhält und wie Benutzer:innen mit ihm interagieren.
• A/B-Tests: Vergleichen Sie zwei Versionen des KI-Agents miteinander, um festzustellen, welche besser abschneidet. Sie können beispielsweise zwei verschiedene Antwortstile oder Interaktionsabläufe testen, um zu sehen, welcher effektiver ist.

Achten Sie auf Überanpassung und unzureichende Leistung. Überanpassung tritt auf, wenn ein KI-Agent bei den Trainingsdaten gut abschneidet, bei neuen, unbekannten Daten jedoch schlecht. Um einer Überanpassung entgegenzuwirken, können Sie beispielsweise die Kreuzvalidierung verwenden. Dabei rotieren Sie die für das Training und die Tests verwendeten Daten, um sicherzustellen, dass das Modell gut generalisiert.

Wenn die Leistung des KI-Agenten nicht den Erwartungen entspricht, sollten Sie die Trainingsphase wiederholen, um die Parameter anzupassen, weitere Daten hinzuzufügen oder das Modell sogar neu zu trainieren.

Richten Sie Mechanismen ein, um Feedback von Benutzern zu sammeln, z. B. Umfragen, Feedback-Formulare oder direkte Interviews. Achten Sie darauf, was die Benutzer:innen mögen und was nicht und was sie verwirrend finden. Nutzen Sie das Feedback, um den KI-Agenten kontinuierlich zu verbessern. Dies kann das Optimieren der Konversationsabläufe, das Trainieren des Modells mit mehr Daten oder das Anpassen der Benutzeroberfläche umfassen.

Schließlich ist es an der Zeit, Ihren KI-Agent in einer Live-Umgebung einzusetzen und herauszufinden, wie die KI mit tatsächlichen Benutzer:innen interagiert.

Entscheiden Sie, wo Sie den KI-Agent einsetzen möchten – auf Ihrer Website, in einer mobilen App oder auf einer sprachaktivierten Plattform. Integrieren Sie dann den KI-Agents in die von Ihnen gewählte Plattform. Dies kann das Einbetten von Code in eine Website, die Konfiguration des Agents in einer mobilen App oder das Einrichten des Agents mit den APIs einer Sprachplattform umfassen.

Starten Sie nach der Integration den KI-Agent, um mit den Benutzer:innen zu interagieren. Stellen Sie sicher, dass alle Unterstützungssysteme für einen reibungslosen Start vorhanden sind.

Überprüfen Sie regelmäßig, wie gut der KI-Agent funktioniert. Versteht es Benutzeranfragen richtig? Wie geht sie mit komplexen Gesprächen um? Sie können Tools verwenden, die Echtzeiteinblicke in die Leistung des KI-Agents bieten. Diese Tools können Ihnen Reaktionszeiten, Erfolgsquoten und Benutzerzufriedenheit anzeigen.

Sie können dies tun, indem Sie Benutzerfeedback direkt über die Plattform sammeln. Dies kann in Form von Bewertungen, Kommentaren oder direkten Umfragelinks nach Interaktionen mit dem KI-Agents erfolgen. Sie können auch eine Fehlerprotokollierung einrichten, um zu erfassen, wenn etwas schief geht. Lassen Sie sich benachrichtigen, wenn es einen plötzlichen Anstieg von Fehlern oder einen Leistungsabfall gibt, damit Sie schnell handeln können.

Durch den sorgfältigen Einsatz des KI-Agents und die Einrichtung von Überwachungssystemen können Sie sicherstellen, dass er nicht nur stark startet, sondern sich im Laufe der Zeit auch anpasst und verbessert, um die Bedürfnisse und Erwartungen der Benutzer:innen weiterhin zu erfüllen.

Damit ist das Training abgeschlossen! Das Erstellen und Trainieren Ihres eigenen KI-Agents mag aufwändig erscheinen, aber mit Salesforce gehören Sie zu denjenigen, die technologische Innovationen vorantreiben, die Ihr Unternehmen beflügeln. Erhalten Sie Zugriff auf modernste Tools und Frameworks, die den Trainingsprozess vereinfachen und sicherstellen, dass Ihr KI-Agent sowohl intelligent als auch effizient ist. Wenn Sie die Leistungsfähigkeit der KI nutzen, erreichen Sie ein neues Maß an Produktivität und Erkenntnissen und verwandeln Daten in umsetzbare Wachstumsstrategien.

Begrüßen Sie die Zukunft schon heute, indem Sie Ihren Einsatz von Agents mit Salesforce planen und die Voraussetzungen für eine intelligentere, stärker vernetzte Geschäftsumgebung schaffen.

Caylin White ist Editorial Lead und Growth Manager für kleine Unternehmen bei Salesforce. Seit über 15 Jahren verfasst sie Inhalte für verschiedene SaaS-Branchen wie WordPress und BuzzSumo. Sie ist auf SEO spezialisiert, achtet jedoch darauf, jedem Beitrag eine menschliche Perspektive zu verleihen.