Die Analyse von Finanzdaten, etwa im Rahmen von Kreditentscheidungen oder Bilanzprüfungen, ist eine äußerst anspruchsvolle Aufgabe, die hochaggregiertes Expertenwissen und spezielle Instrumente zur Abbildung komplexer Bewertungslogiken erfordert. Damit dieses Expertenwissen angesichts steigender Analysebedarfe und zunehmenden Fachkräftemangels künftig nicht zum Engpassfaktor wird, suchte ein führender Finanzdienstleister nach Möglichkeiten, Analyseprozesse mit Hilfe von KI zu unterstützen und so die Finanzanalysten wirksam zu entlasten.
Die Vision des Kunden ging allerdings weit über eine reine Automatisierungslösung hinaus: Vielmehr wollte das Unternehmen seinen Mitarbeiter:innen einen intuitiven Zugang zu den in der Benchmarking- und Analyseplattform des Unternehmens verfügbaren Daten eröffnen. Die Nutzer:innen in den Fachabteilungen sollten unabhängig von ihrem Kenntnisstand in der Lage sein, in natürlicher Sprache mit den Daten zu interagieren, Fragen an den Datenbestand zu stellen und sich individuelle Berichte erstellen zu lassen.
iteratec begleitete den Kunden von Anfang an bei der Umsetzung dieser anspruchsvollen Vision—und verfolgte dabei einen neuartigen technologischen Ansatz: Um die Anforderungen an Geschwindigkeit, Erweiterbarkeit und Anpassbarkeit des Systems sicherzustellen, konzipierte und entwickelte das Team eine sogenannte Multi-Agenten-Architektur. Damit wurde das Konzept des Single AI Agents weitergedacht: Statt eines LLM-basierten Agenten, der Zugriff auf die Daten hat und in der Lage ist, Visualisierungen etc. zu erzeugen, wird die Arbeit im Team aufgeteilt.
Das so entstandene Multi-Agenten-System besteht aus mehreren spezialisierten KI-Agenten, die wie ein Orchester zusammenarbeiten, um komplexe Aufgaben zu bearbeiten. Jeder Agent übernimmt dabei eine bestimmte fachliche oder funktionale Aufgabe - von der Interpretation und Kategorisierung von Chat-Anfragen über die Durchführung spezifischer Analysen bis hin zur Erstellung grafischer Darstellungen. Durch das Zusammenspiel der einzelnen Agenten kann das System wesentlich effizienter und flexibler agieren als vergleichbare Single-Agent-Ansätze. Das Ergebnis ist ein Tool, mit dem Anwender:innen in natürlicher Sprache Fragen an den Datensatz richten können und in Echtzeit individuelle Ergebnisse erhalten—in Form von Text, Tabellen oder Grafiken.
Durch die Zerlegung hochkomplexer Analyseprozesse in einzelne Aufgabenpakete, die von dafür optimierten Agenten ausgeführt werden, entsteht eine hochflexible und skalierbare Architektur, auf der eine Vielzahl unterschiedlichster Anwendungsfälle abgebildet werden kann. Auf diese Weise können zukünftig weitere Ausgabeformate, z.B. zur Erstellung spezialisierter Reports, oder die Anbindung weiterer Datenquellen zur Durchführung weiterer Analysen in anderen Geschäftsbereichen auf dem gleichen Technologiestack realisiert werden.
Die Speicherung und Verarbeitung von Finanzkennzahlen im Rahmen von Finanzanalysen ist ein sensibler Bereich, da sie hochgradig vertrauliche Informationen über Unternehmen, Investoren oder Märkte betreffen und die Grundlage für weitreichende Entscheidungen bilden. Um den besonderen Anforderungen an die Sicherheit und Verlässlichkeit der Systeme Rechnung zu tragen, entwickelte iteratec innovative Ansätze, um die Ergebnisqualität und die Sicherheit der Daten zu gewährleisten:
Generative KI-Systeme verhalten sich nicht-deterministisch, d.h. selbst bei identischen Eingaben können unterschiedliche Ergebnisse entstehen. Um dennoch die Verlässlichkeit der Analyseergebnisse überprüfen zu können, hat iteratec ein neues Set von Qualitäts-Metriken sowie automatisierte Testverfahren zur kontinuierlichen Überprüfung der Ergebnisqualität entwickelt. Damit ist es möglich, die Qualität des Systems auch dann sicherzustellen, wenn sich einzelne Komponenten, z.B. im Zuge eines Updates des verwendeten LLM, ändern.
Um zu verhindern, dass das System missbräuchlich eingesetzt wird, etwa um personenbezogene Daten auszulesen oder andere Formen von unerwünschtem Datenabfluss oder Datenmanipulation zu verhindern, wurde ein Agent entwickelt, der solche Angriffsversuche automatisch erkennt, blockiert und meldet. Darüber hinaus werden auch die LLM-Antworten automatisch geprüft, damit den Nutzer*innen keine verdächtigen bzw. manipulativen Antworten angezeigt werden.
Die verteilte Architektur des Multiagentensystems ermöglicht es, verschiedene Schritte der Datenverarbeitung wahlweise in der Cloud, auf europäisch gehosteten Cloud-Instanzen oder on Premise durchzuführen und so unterschiedliche Datensphären effektiv in einem System zusammenzuführen.
iteratec begleitete das Projekt von der ersten Konzeption bis zum funktionsfähigen MVP und betreut aktuell die Umsetzung und Weiterentwicklung des Systems. Da sich die Vorgehensweise im Rahmen von GenAI-Projekten teilweise massiv vom Vorgehen in klassischen Softwareentwicklungsprojekten unterscheidet, unterstützte iteratec den Kunden über die gesamte Entwicklungszeit hinweg durch ein intensives Projektmanagement sowie die Bereitstellung einer technischen PO-Rolle, die eine effektive und effiziente Lösungsentwicklung in diesem für den Kunden neuen technischen Umfeld sicherstellte. Auf dieser Weise konnte in kurzer Zeit eine solide und skalierbare technische Basis für den Aufbau weiterer zukunftsorientierter AI-Services im Unternehmen geschaffen werden.
Wenn Sie ein Anliegen oder Fragen zu einem Agentic AI Projekt für Ihr Unternehmen haben, senden Sie eine Anfrage und ich melde mich bei Ihnen.
Dr. Felix Böhmer, Director Al & Data
