Teams konzentrieren sich oft stark auf die Ingenieurierung von Agentensystemen und vernachlässigen dabei das Produkt, die Arbeitsabläufe und die menschlichen Entscheidungen, die den tatsächlichen Geschäftseinfluss bestimmen. Dieses Übersehen führt häufig dazu, dass hochentwickelte Agentensysteme implementiert werden, aber nicht wirklich die Art und Weise verändern, wie Arbeit erledigt wird. Basierend auf Erfahrungen beim Aufbau von Agentensystemen für einen verwalteten IT-Dienstleister mit mehr als 100 Millionen Dollar, der Kundenabwanderung bekämpft, ergeben sich fünf Kernprinzipien für die Erstellung von Agentensystemen, die in der Produktion erfolgreich sind, Vertrauen ernten und sich im Laufe der Zeit verbessern.
Das erste Prinzip betont, das Produktdesign an den geschäftlichen Abläufen anzupassen, anstelle standardmäßig Chat-Schnittstellen zu verwenden. Die Erkennung von Kundenabwanderung beginnt, wenn neue Beweise eintreffen, und muss kontinuierlich im Hintergrund laufen, was ein statusbasiertes, ereignisgesteuertes System angemessener macht als ein chatbasierter Ansatz. Das System überwacht wiederkehrende Service-Probleme über Kunden hinweg und eskaliert nur solche, die bestimmten Kriterien entsprechen.
Das zweite Prinzip empfiehlt, jeden Arbeitsablauf-Schritt dem einfachsten Mechanismus zu übergeben, der ihn gut bewältigt. Anstelle, den gesamten Arbeitsablauf einem einzigen Agenten zu übergeben, verwendet das System einen Zusammenfassungs-Agent für sprachliche Urteile, semantische Ähnlichkeit zur Gruppierung von Tickets, deterministischen Code für Wiederholungsschwellen und reserviert die Agentenermittlung für die komplexe Musteranalyse, die geschäftliches Geschick erfordert.
Die übrigen Prinzipien konzentrieren sich auf die Neugestaltung menschlicher Rollen bei der Übergabe von Agenten, die Gestaltung von Übergaben für Verifikation und Feedback sowie den Aufbau von Selbstlern-Schleifen aus menschlicher Eingabe. Dies stellt sicher, dass das Agentensystem auf dem Laufenden bleibt, was den Geschäftsfunktionen entspricht, während es durch die reale Nutzung kontinuierlich verbessert wird.
Quelle: Towards Data Science · Zusammengefasst von HeadlinesBriefing