KI-Agenten und No-Code-Pipelines: Databricks Agent Bricks und Lakeflow Designer

Im Rahmen des Data + AI Summit hat das Unternehmen Databricks eine Reihe von Neuigkeiten angekündigt, darunter den Start der Agent Bricks, einer automatisierten Methode zum Erstellen von individuell auf Unternehmen zugeschnittenen KI-Agenten, sowie der Preview von Lakeflow Designer, mit dem sich Datenpipelines KI-gestützt per visueller Drag-and-Drop-Oberfläche anlegen lassen. Darüber hinaus hat das als Plattform für das Lebenszyklus-Management von Machine-Learning-Projekten ausgelegte Open-Source-Tool MLflow Version 3.0 erreicht.

Maßgeschneiderte KI-Agenten mit Domänen-Know-how

Die neuen Agent Bricks sollen auf Basis der in einem Unternehmen verfügbaren Daten gezielt dabei unterstützen, kosteneffiziente und vertrauenswürdige KI-Agenten bereitzustellen und diese automatisch zu optimieren. Dazu generieren die Agent Bricks ergänzend zu den individuellen Kundendaten automatisch domänenspezifische synthetische Daten und aufgabenbezogene Benchmarks, um den Teams im Unternehmen den notwendigen – und häufig mühsamen – Optimierungsprozess abzunehmen. Die Kernaufgabe dabei ist es, die Daten der Kunden und deren Domäne genau zu verstehen, um anschließend KI-Agenten für spezifische Aufgaben bauen zu können. „Beispielsweise könnte ein Kunde ein Agentensystem bereitstellen wollen, das Fragen zu den von ihm angebotenen Produkten beantworten kann“, erläutert Joel Minnick, Vice President Marketing bei Databricks.

Ausgehend von dieser Zielsetzung erzeugen die Agent Bricks dann eine Reihe sogenannter LLM Judges und zur Daten-Domäne des Kunden passende synthetische Daten. Anhand eines Fragenkatalogs und einem iterativen Frage-Antwort-Prozess, in dem die LLM Judges als Bewerter fungieren, nähert sich das System dann der Zielsetzung des Kunden schrittweise an. Dabei greifen die Agent Bricks auf sämtliche in der Databricks-Plattform verfügbaren Optimierungstechniken und ML-Modelle zurück – auch jene, die noch der Forschungsabteilung bei Databricks vorbehalten sind.

Den Umfang des Iterationsprozesses können Kunden selbst entscheiden und zwischen der Qualität des entstehenden KI-Agenten für den produktiven Einsatz und den dafür erforderlichen Kosten abwägen. Wie schnell dabei ein geeignetes Ergebnis zu erzielen ist, habe sich bei den Versuchen erster Testkunden gezeigt, sagt Minnick: „Ein Pharmakonzern hat einen Agenten zur Wissensextraktion gebaut, der Hunderttausende Dokumente zu klinischen Studien nach Daten für die Optimierung der klinischen Forschung untersucht hat. Es hat nur 60 Minuten gedauert, diesen KI-Agenten zu bauen.“ Die Agent Bricks sind ab sofort in der Beta-Version verfügbar.

Zuverlässige ETL-Pipelines per Drag-and-Drop

Angekündigt hat Databricks auch die Preview von Lakeflow Designer. Diese neue No-Code-ETL-Funktion soll es auch nicht-technischen Anwenderinnen und Anwendern wie etwa Businessanalysten ermöglichen, mithilfe einer visuellen Drag-and-Drop-Oberfläche und einem GenAI-Assistenten in natürlicher Sprache produktionsreife Datenpipelines zu erstellen. Wie der Name es andeutet, setzt der Lakeflow Designer auf dem nun auch generell verfügbaren Data-Engineering-Tool Lakeflow auf. Dieses Werkzeug hilft beim schnelleren Aufbau zuverlässiger Datenpipelines – auch mit geschäftskritischen Daten. Um auch ETL-Pipelines mit derselben Skalierbarkeit und denselben Anforderungen an Governance und Wartbarkeit ohne Programmierkenntnisse zu erstellen, bietet Lakeflow Designer die Unterstützung durch einen KI-Assistenten. Mit dessen Hilfe lassen sich die Pipelines auf der Drag-and-Drop-Oberfläche einfach Schritt für Schritt zusammenbauen.

Unter den weiteren Ankündigungen im Databricks-Blog finden sich eine neue Entwicklungsumgebung (IDE) für Data Engineering, die KI-gestützte Codierung, Debugging und Validierung bietet, sowie neue Point-and-Click-Ingestionskonnektoren für Lakeflow Connect, die sich an verschiedene Dienste wie Google Analytics und SQL Server anbinden lassen. Auch das MLOps-Werkzeug MLflow hat ein Update erhalten und bietet in der nun allgemein verfügbaren Version 3.0 vor allem erweiterte GenAI-Funktionen – etwa für Tracing, LLM Judges, die Anwendungsversionierung und das Prompt-Management.

(map)