Agentic AI + Knowledge Graph: So funktioniert die KI 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 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 inkl. Datenmodell 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. Das Datenmodell 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
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, wie z. B. Serviceinformationen oder Troubleshooting.
So trägt der Planner Agent relevante Informationen zusammen und generiert eine mit Quellen versehene Antwort in natürlicher Sprache.
Vorteile und Nutzenaspekte von Agentic AI auf Basis von Wissensgraphen
Durch die agentenbasierte Systemarchitektur in Verbindung mit einer Wissensbasis 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 Research Microscopy Solutions
ZEISS Research Microscopy Solutions ist der führende Anbieter von Licht-, Elektronen- und Röntgenmikroskopsystemen, korrelativer Mikroskopie sowie Softwarelösungen, die KI-Technologien nutzen. Das Portfolio umfasst Produkte und Services sowohl für Biowissenschaften, Material- und industrielle Forschung als auch für Ausbildung und klinische Praxis. Hauptsitz des Bereichs ist Jena. Weitere Produktions- und Entwicklungsstandorte befinden sich in Deutschland, Großbritannien, den USA, China und der Schweiz. ZEISS Research Microscopy Solutions ist Teil der Sparte Industrial Quality & Research.
Weitere Informationen unter www.zeiss.de/mikroskopie
