Fabrix.ai: Workflow-Optimierung mit KI-Agenten

Rebranding zu Fabrix.ai

Das Unternehmen CloudFabrix agiert seit Anfang Februar 2025 unter dem Namen Fabrix.ai. Dieses Rebranding soll die Weiterentwicklung des Unternehmens und seiner Produkte mit zusätzlichen KI-Agenten (künstliche Intelligenz) widerspiegeln. Alle Produkte und Dienstleistungen werden auf Fabrix.ai umgestellt. Für bereits bestehende Kunden von Fabrix.ai hat das Rebranding keine Auswirkungen, laufende Verträge bleiben unter neuem Namen in Kraft.

Diese KI-Agenten sollen die Bewältigung komplexer Aufgaben optimieren, Workflows und digitale Transformationen beschleunigen. Ziel ist es, dass die Agenten für die Erreichung vorher festgelegter Ziele eingesetzt werden, ohne dass Menschen eingreifen müssen. Außerdem ermöglichen sie Durchsuchung und Erfassung von riesigen Datenmengen und unterstützen beim Troubleshooting. Damit Voreingenommenheit, ethische Probleme und Halluzinationen der KI-Agenten verhindert werden, sind gesammelte Daten aus unterschiedlichen Bereichen wie der Security oder dem Networking notwendig.

Wichtig dabei ist, dass Agenten im Gegensatz zu einem ML-Ansatz (maschinelles Lernen) selbst handeln können. Am Beispiel von der Erkennung von Anomalien bedeutet das, dass die Agenten selbst Korrekturmaßnahmen vorschlagen oder sogar durchführen können. Durch jede aufgedeckte Anomalie lernen die Agenten weiter und passen deshalb ihre Reaktionen an.

Erweiterung von Robotic Data Automation Fabric

Das Robotic Data Automation Fabric (RDAF, Data Fabric) ist eine Plattform für Operational Intelligence und nutzt agentenbasierte KI. Die Data Fabric wurde jetzt um eine Automation Fabric und eine AI Fabric erweitert. So sollen autonome KI-Agenten für Workflows erstellt und verwaltet werden. Dazu sind einfache Phrasen ausreichend.

Die bereits existierende Data Fabric ist semantikbasiert und ermöglicht die Erfassung, Transformation, Anreicherung, Weiterleitung und Integration von Daten mit über 1.000 Bots. Zusätzlich gibt es Telemetrie-Pipelines zu frei wählbaren Zielen oder Quellen, egal ob lokal oder Cloud-basiert. Wenn also Daten auf anderen Plattformen wie Opensearch, Elasticsearch oder Splunk liegen, können diese genutzt werden, ohne dass sie neu in RDAF eingespeist werden. Dafür werden die Anmeldeinformationen der API in RDAF eingeben.

Die neu dazu gekommene Automation Fabric ist ein Workflow-Framework, mit dessen integrierter Automatisierung, Agenten und Daten so genannte Agentic Workflows erstellt werden. Diese Workflows arbeiten nach Zeitplan oder wenn sie ausgelöst werden. Eine Anbindung an Drittanbieter-Engines wie von NSO, Ansible, Terraform, Camunda oder Cisco ist möglich, falls diese in Unternehmen bereits in Verwendung sind.

Ebenfalls neu ist AI Fabric. Dieser Orchestrator nutzt KI, um die Agenten zu erstellen, zu verwalten und ihren Einsatz zu definieren. Gleichzeitig finden Qualitätskontrollen statt. AI Fabric ist in unterschiedliche Modelle integrierbar, die Automatisierung und kuratierte Datensätze nutzen, wodurch die agentenbasierten Workflows gesteuert werden.

Data Fabric, AI Fabric und Automation Fabric greifen ineinander, um die folgenden Features zu ermöglichen:

• Orchestrierung und Lifecycle-Management für Agenten
• Observability und Monitoring für Agenten
• Qualitätssicherung für Agenten
• Qualitätskontrolle für KI und Agenten
• schlussfolgernde Large Language Models (LLMs)
• Verwaltung von Aktions- und Datenberechtigungen

Nutzungsbeispiele von agentenbasierten Workflows

Es gibt verschiedene Einsatzmöglichkeiten für die unterschiedlichen KI-Agenten von Fabrix.ai, die agentenbasierte Workflows steuern:

• Agenten, die für das KPI-Management und Anomalieerkennung zuständig sind, können beispielsweise bei der Netzwerküberwachung Warnmeldungen ausgeben, wenn es ungewöhnliches Verhalten in Form von Einbrüchen oder Lastspitzen gibt. Ursache könnten Leistungsprobleme, Sicherheitsverletzungen oder ein Ausfall des Netzwerks sein.
• Closed Loop Remediation Agents können die Kapazität der Netzwerke oder Cloud-Ressourcen erweitern, wenn Leistungsprobleme, Beschränkungen der Ressourcen oder Ausfall von Anwendungen oder Infrastrukturen auftreten.
• Agenten können digitale Zwillinge von Netzwerken erstellen und anhand dieser prädiktive, Baseline- und What-if-Szenarien auflisten. Das erlaubt eine vorausschauende Wartung und Änderungen an der Access Control List (ACL) für das Change Management.

Erstellung eigener Agenten

Unternehmen ist es auch möglich, mithilfe von Prompts eigene Agenten zu stellen oder Vorlagen zu nutzen, um die Produktivität und den ROI zu steigern, Risiken zu minimieren und Agentic-Workflows zu demokratisieren. Durch das Framework werden die Beschreibungen mithilfe von LLMs in Aufgabendiagramme übersetzt. Dort sind die Aufgaben, Abhängigkeiten und Bedingungen der einzelnen Agenten festgehalten.

Lifecycle der Agenten

Das Lebenszyklus-Management der Agenten startet nach der Erstellung mit einer Überprüfung durch die Nutzer. Hier wird das Aufgabendiagramm falls gewünscht noch einmal angepasst. Im Anschluss gibt es die Möglichkeit einer Simulation, um eine Vorschau auf die Ergebnisse zu erhalten. Durch den Test wird die Ausführung der Agenten für eine gewisse Zeit erleichtert oder auf Iterationen von festgelegten Testdaten beschränkt. So können die Ergebnisse überprüft werden. In der Deployment-Phase wird der Agent bereitgestellt, je nach Wunsch entweder nach einem Zeitplan oder in Folge von ausgelösten Ereignissen. Als letzter Schritt wird der Agent wieder offline genommen.

Aufbau des Aufgabendiagramms

Das Aufgabendiagramm besteht meist aus vier Knotenarten: Der Query Node führt Abfragen gegen die Data Fabric aus. So werden Daten oder Aggregationen abgerufen. Durch den Generation Node werden mithilfe von LLMs Abfragen, Erkenntnisse, Handlungsempfehlungen oder Zusammenfassungen erstellt. Der Decision Node trifft anhand von Daten und früheren Ergebnissen Entscheidungen und legt so die nächsten Schritte fest. Der Action Node nutzt das Automation Fabric für die Ausführung automatisierter Maßnahmen. Das kann das Senden von Benachrichtigungen, Auslösen anderer Agenten oder auch das Abrufen von Daten sein.

AI Guardrails und Agent Quality Control

Während der Agentic AI Orchestrator die Aufgaben anhand der Diagramme ausführt, soll das AI-Guardrails-Modul sicherstellen, dass ausschließlich die vorgegebene Aufgabe ausgeführt wird. Fabrix.ai nutzt für das Modul bewährte Benchmarks, erlaubt seinen Kunden aber, spezifische Anforderungen einzubauen. AI Fabric überwacht mit diesem Guardrails-Modul nicht nur die Agentenerstellung, sondern auch jede Interaktion zwischen LLM und Agenten.

Die Agenten werden kontinuierlich überwacht, um Fehler sofort zu identifizieren und zu beheben. Dabei nutzt das Agent-Quality-Control-Modul LLMs, die die Agenten überwachen. Nutzer können aber auch Feedback geben, um die Leistung der Agenten permanent zu verbessern.

Berechtigungen der Agenten

Da die KI-Agenten benutzerähnlich aufgebaut sind, können sie unterschiedliche Zugriffsberechtigungen haben und so innerhalb von Data Fabric nur auf die für sie freigegebenen Streams und Datensätze zugreifen. Das ist durch Benutzer steuerbar. So können individuelle Datenschutz- und Compliance-Richtlinien festgelegt werden.

Ebenso wichtig ist es, bei autonomen Agenten festzulegen, welche Aktionen und wie viele sie ausführen dürfen. Es wird sichergestellt, dass die KI diese vorher festgelegten Bedingungen nicht selbst überschreiben kann.

Storyboard für die Agenten

Das Storyboard visualisiert die Arbeitsabläufe der Agenten. So können Sie dort Fortschritte verfolgen, aber auch Bereiche für Optimierungen finden. Durch diese Visualisierung soll eine bessere Verwaltung und Koordination erzielt werden. Außerdem zeigt das Storyboard die Begründungen des LLMs, was dabei helfen soll, Entscheidungen der KI nachzuvollziehen und Korrekturen vorzunehmen.

Fabrix.ai stellte seine Produkte im Rahmen der IT Press Tour in San Francisco vor, die mehrmals im Jahr Besuche bei Start-ups und IT-Unternehmen organisiert.