Dies ist der erste Artikel einer Serie über die Anbindung externer Datenquellen zur Verarbeitung mit Automic KI-Features in Version v26.

Ähnlich wie sich REST zum Standard für Webservices durchgesetzt hat, hat sich bei KI-Modellen der Standard MCP (Model Context Protocol) etabliert. MCP ermöglicht die sichere Verbindung von KI-Modellen mit externen Datenquellen, Werkzeugen und APIs. Es ist sozusagen der Zugang zu Datenquellen und APIs.

Damit ist es möglich, einem KI-Modell direkten Zugang zu einer Datenbank zu geben, um dessen Daten zu analysieren und aufzubereiten. Die Anbindung an ein Ticket-System ist ein weiterer typischer Anwendungsfall.

Für die KI-Features hat das Automic-Team die Komponente Automation.AI entwickelt. Diese stellt die Funktionalität zur Anbindung des LLMs und des MCPs bereit.  Automation.AI ist der Name der zugrunde liegenden Komponente. Die bereitgestellten Funktionen laufen unter dem Begriff „Gen AI”.

Die Automation.AI-Komponente wird separat über den Automic Service Manager gestartet, ähnlich wie ein Analytics-Backend. Die Konfiguration erfolgt über die Datei „application.properties”. Mehr dazu in den nachfolgenden Blogs.

Meiner Meinung nach ist die Art und Weise, wie ein Automic-AI-Job aufgebaut ist, gut gelöst. Sobald in Automation.AI ein MCP konfiguriert wurde, kann dieser ausgewählt und die Liste der Tools des MCP komfortabel zusammengestellt werden. Später in der Serie werde ich darauf im Detail eingehen, da dies sicherheitsrelevant ist. 

Damit ein Automic AI-Job funktioniert, muss zunächst die LLM (KI-Anbieter) konfiguriert werden. Hierzu stehen Google Gemini, OpenAI ChatGPT, Azure OpenAI, Ollama und VMware PAIS zur Verfügung.  Wie die Konfiguration erfolgt, ist in der Automic-Hilfe beschrieben. Später in dieser Serie werde ich näher auf die Anbindung von lokalen KI Modellen eingehen.

Neu ist AI-Job Objekt, dieses verwendet das Connection-Objekt. Wie bei KI üblich, stehen zwei Arten von Prompts zur Verfügung. Vereinfacht gesagt spezifiziert der System-Prompt den Kontext, in dem die KI arbeiten soll. Wenn der AI-Job beispielsweise Daten für einen Verkaufsstatistik-Report aufbereiten soll, kann der System-Prompt dies explizit festlegen. Um vorhersehbare Ergebnisse zu gewährleisten, ist ein ausgefeilter System-Prompt sehr wichtig.

Der User Prompt definiert, was der AI-Job machen soll.  Auch hier muss im Detail beschrieben werden, was erwartet wird und wie das Ergebnis dargestellt werden soll. In automatisierten Umgebungen sind lange und ausgefeilte System- und User-Prompts ein Muss, um zuverlässige Ergebnisse zu gewährleisten.

Wichtig zu erwähnen ist die AI-Output-Variable, die das Ergebnis der KI-Analyse in einer Laufzeitvariable speichert. Diese kann dann in Folgejobs weiterverarbeitet werden.

Auch die „Conversation ID” ist interessant, da sie es ermöglicht, an die Ergebnisse eines vorherigen AI-Jobs anzuknüpfen.

Ausblick

In dem nachfolgenden Blogbeitrag setze ich mich mit der Frage auseinander, wann es sinnvoll ist, AI-Jobs einzusetzen, oder ob die klassischen Job-Objekte weiterhin die bessere Lösung sind.