Projekte
Agentenbasierte KI + Knowledge Graph: So funktioniert Agentic RAG im Service Copilot von ZEISS
Der Service Copilot ist ein Assistenzsystem, das die Service-Teams von ZEISS RMS bei der Arbeit durch intelligente Informationsbereitstellung unterstützt. Es verbindet einen Wissensgraphen (engl. Knowledge Graph) als Single Source of Truth mit künstlicher Intelligenz.
Das Feedback der mehr als 1000 Nutzerinnen und Nutzer fällt äußerst positiv aus: Statt langes Suchen nach Informationen in zahlreichen unterschiedlichen Systemen greifen die Mitarbeitenden aller Support-Levels nun auf dieselbe intelligente Service-App zu. Und die liefert aufgrund ihrer speziellen IT-Architektur kontextbasierte Antworten, die die Servicequalität sowie die Kundenzufriedenheit erheblich verbessern.
Die Entwicklung des Service Copilot verlief in sehr enger Zusammenarbeit mit ZEISS Digital Partners (ZDP). Das Development-Team von PANTOPIX stand sowohl beratend als auch unterstützend bei der Entwicklung von Front- und Backend der Applikation zur Seite. Besonders beim Agentensetup für AI-basierte Systeme brachte PANTOPIX seine ausgewiesene Expertise ein.
Semantische Basis für Agentic AI
Das Herzstück des ZEISS Service Copilot ist sein semantisches Fundament: Die Wissensbasis (Knowledge Layer) umfasst einen Knowledge Graph mit einer Produktontologie, die Terminologie für das ganze System sowie Rules und Facts, die das Verhalten der künstlichen Intelligenz im System steuern.
KI meint hier nicht nur ein großes Sprachmodell (LLM) allein, das generische und damit potenziell unzuverlässige Antworten erzeugt. Genutzt wird eine agentische KI-Architektur mit einem orchestrierenden Agenten im Zentrum. Dieser Planner Agent entscheidet autonom, welche Schritte zur Lösung nötig sind, und steuert dann mehrere, auf eigene Aufgabenbereiche spezialisierte Agenten.
Wozu braucht KI noch eine Wissensbasis?
Ein Multi-Agenten-System, das ein LLM nutzt wie im Service Copilot, braucht eine stabile Informationsgrundlage, um zu gesicherten Antworten zu gelangen. Ein Sprachmodell allein reicht dafür nicht. Hier kommt die Wissensbasis ins Spiel. In Form einer Ontologie liefert sie dem LLM eine klar definierte Struktur und Kontext, die für Entscheidungen und Klassifikationen genutzt werden.
Zwar ist das LLM durch NLP-Technologie prinzipiell zur sogenannten Named Entity Recognition (NER) fähig, d. h. es erkennt und klassifiziert Objekte (Entitäten) in Texten automatisch. Aber es ist nicht unfehlbar. Die Ontologie sichert ab, dass die KI weiß, was eine Entität überhaupt sein kann und wie sie mit anderen Dingen zusammenhängt. Dadurch wird die Intention des Nutzers besser verstanden, Mehrdeutigkeit wird ausgeschlossen und Kontext durch vernetzte Informationen geschaffen.
Alle KI-Agenten im System haben vollen Zugriff auf diese Wissensbasis und teilen sich auch die Chat Memory, um zu gewährleisten, dass alle auf dem gleichen Wissensstand sind und zusammenarbeiten können.
Ablauf einer Nutzerfrage im ZEISS Service Copilot
Nutzt ein Servicemitarbeiter den dialogorientierten Einstieg des Service Copilot und stellt im KI-Chat eine Frage, wird vom LLM nicht direkt eine Antwort generiert, wie man das von GenAI kennt. Stattdessen fungiert der zentrale Planner Agent als Gehirn für das gesamte Agentensystem.
Der Planner Agent arbeitet nach dem „Plan and Execute“-Prinzip. Anstatt die Frage einfach an einen der Unteragenten zu verteilen, erstellt er einen mehrstufigen, strukturierten Plan (Task List), um die Anfrage zu lösen.
KI-Agenten mit verschiedenen Kompetenzen arbeiten zusammen
Der zentrale Planner kommuniziert mit verschiedenen Agententypen und steuert so den Informationsfluss. Über den Interaction Agent führt er den Dialog in natürlicher Sprache mit dem Nutzer. Die Nutzerfrage wird hinsichtlich deren Intention analysiert. Außerdem wird der Kontext zur betreffenden Maschine, ihren Komponenten und der Service-Historie hergestellt. Falls nötig werden Rückfragen geklärt.
Der Inference Agent kommt als Helfer zum Einsatz, wenn Informationen fehlen. Dann leitet er aus den semantischen Informationen der Wissensbasis neue Schlussfolgerungen ab (z. B. Ursachen, Zusammenhänge).
Die fachlichen Agenten besitzen spezielle Expertise für ihren Bereich:
- Der Content Agent liefert Schritt-für-Schritt-Anleitungen oder unstrukturierte Informationen (z. B. Bedienungsanweisungen).
- Der Troubleshooting Agent analysiert Fehler und sucht nach den Ursachen von Problemen.
- Der Service Agent ruft servicebezogene oder gerätespezifische Informationen ab (z. B. Seriennummern, Statusberichte).
So trägt der Planner Agent relevante Informationen zusammen und entscheidet immer neu, ob weitere Informationen benötigt werden, um die Nutzerfrage zu beantworten. Falls ja, erstellt der Planner Agent eine neue Task List. Falls nein, generiert er mithilfe des Interaction Agent eine mit Quellen versehene Antwort in natürlicher Sprache.
Vorteile und Nutzenaspekte von Wissensgraph-basierter Agentic-RAG
Durch die agentenbasierte Systemarchitektur in Verbindung mit einer Wissensbasis (Ontologie, Rules, Facts) wird es einer intelligenten Service-App wie ZEISS Service Copilot möglich, Zusammenhänge besser zu erkennen, zu verstehen und dadurch auch komplexe Fragen zuverlässig zu beantworten.
Die modulare Struktur macht das System leicht anpassbar und erweiterbar. Gleichzeitig verbessert sich durch die Interaktivität die Nutzererfahrung, weil der Chat gezielter nachfragt und klare Antworten liefert.
Insgesamt sorgt ein KI-gestützter Chat, der ein Agenten-System und einen Wissensgraphen nutzt, für höhere Antwortqualität und effizientere Serviceprozesse – und schafft damit wirklich intelligente Serviceinformationen.
Erfahren Sie mehr über das Projekt – die Herausforderungen und Lösung – in unserer Case Study “Service Copilot von ZEISS – Der intelligente Assistent, den sich jedes Service-Team wünscht”.
Über ZEISS RMS
ZEISS Research Microscopy Solutions (RMS) ist spezialisiert auf die Entwicklung und Herstellung von Mikroskopen und bildgebenden Technologien für verschiedene Anwendungen. Das Unternehmen bietet eine breite Palette von Mikroskopen – von Lichtmikroskopen über Elektronenmikroskope bis hin zu Röntgenmikroskopen. Diese Instrumente werden in verschiedenen Bereichen eingesetzt, darunter Life Sciences, Materialwissenschaften und Industrie.
Möchten Sie Ihren Service mit einem intelligenten Assistenten unterstützen?
Nehmen Sie gerne unverbindlich mit uns Kontakt auf.
Ihr Ansprechpartner
Maraike Heim
Head of Marketing
- maraike.heim@pantopix.com
easychat: KI-Chat-Assistent von PANTOPIX überzeugt im Livebetrieb
Die im April 2025 vertiefte Zusammenarbeit von gds und PANTOPIX trägt Früchte: Beide Unternehmen sind stolz, bekanntzugeben, dass das Content-Delivery-Portal easybrowse jetzt mit easychat, einer KI-basierten Assistenzfunktion, erweitert wurde.
Mit vernetzten Informationen die Servicequalität verbessern
Produktionsprozesse werden immer weiter optimiert, Automatisierungslösungen vorangetrieben. In der Serviceabteilung jedoch, von der Kunden eine schnelle Reaktion, präzise Lösungen und persönliche Betreuung erwarten, endet der digitale Fortschritt allzu oft.
KI mit Kontext: Wie Produktontologien technische Support-Chats verbessern
Verfügt das Question-Answering-System nur über eine generische KI ohne produktspezifischen Kontext, werden auch die Antworten nur generisch sein. Der Artikel zeigt, wie sich das mit semantischen Informationen lösen lässt.