KI-Agenten bauen: Expertenwissen in LLMs einbetten für bessere Visualisierungen

In vielen Industrien liegt kritisches Fachwissen nur bei wenigen Experten, was die Skalierbarkeit von Entscheidungen und die Effizienz von Analyseprozessen stark einschränkt. Gleichzeitig fällt es Laien schwer, aussagekräftige Visualisierungen zu erstellen, was nicht nur die Qualität der Erkenntnisse mindert, sondern auch wertvolle Zeit der Experten beansprucht.

Eine neue Studie präsentiert ein Software‑Engineering‑Framework, das genau dieses Problem löst. Durch die Kombination eines großen Sprachmodells (LLM) mit einem Anforderungs‑Classifier, einem Retrieval‑Augmented‑Generation‑System zur Code‑Generierung, codierten Expertenregeln und bewährten Prinzipien des Visualisierungsdesigns entsteht ein KI‑Agent, der autonom, reaktiv, proaktiv und sozial agiert.

Die Wirksamkeit des Ansatzes wurde in fünf unterschiedlichen Szenarien aus mehreren Ingenieurdisziplinen getestet. Zwölf unabhängige Evaluatoren bewerteten die Ergebnisse und berichteten von einer 206 %igen Steigerung der Ausgabegüte. Der Agent erreichte in allen Fällen Experten‑Level‑Bewertungen, während die Basis‑Modelle deutlich schlechter abschnitten. Zudem zeigte sich eine höhere Code‑Qualität mit geringerer Varianz.

Die Arbeit liefert zwei wesentliche Beiträge: Erstens ein automatisiertes, agentenbasiertes System zur Generierung von Visualisierungen, und zweitens ein validiertes Framework, das es ermöglicht, implizites Expertenwissen systematisch zu erfassen und in KI‑Agenten einzubetten. Damit können auch Nicht‑Experten in spezialisierten Bereichen Ergebnisse erzielen, die zuvor ausschließlich Fachleuten vorbehalten waren.

Zusammenfassend demonstriert die Studie, dass KI‑Agenten komplexe Visualisierungen selbstständig erstellen können, wodurch Expertenressourcen freigesetzt und die Entscheidungsfindung in Organisationen beschleunigt werden.