Wie Künstliche Intelligenz die Automatisierung in der IT transformiert
Dokumentation in Automic war schon immer eine Herausforderung, und KI verändert nun die Art und Weise, wie sie bewältigt werden kann. Künstliche Intelligenz begann in den frühen 2020er Jahren, die IT-Landschaft neu zu gestalten, und ihr Einfluss ist seitdem nur noch gewachsen. Einer der Bereiche, in denen diese Transformation am deutlichsten sichtbar ist, ist die Automatisierung.
Von der Automatisierung zum intelligenten Betrieb
Die Integration von KI in die Automation Engine (AE) eröffnet neue Möglichkeiten. Sie zeigt, dass Automatisierung nicht mehr nur die Ausführung von Prozessen bedeutet, sondern auch die Generierung von Mehrwert durch tiefere Einblicke und intelligente Unterstützung. Einer der Bereiche, in dem dies besonders wirkungsvoll wird, ist die Dokumentation. Eine klare und strukturierte Dokumentation war schon immer entscheidend für IT-Infrastrukturen, um sicherzustellen, dass Jobs und Workflows langfristig wartbar bleiben – selbst wenn der ursprüngliche Ersteller nicht mehr verfügbar ist.
Die Herausforderung der Dokumentation
Trotz ihrer Bedeutung wird die Dokumentation oft vernachlässigt oder auf ein Minimum reduziert. Entwickler überspringen sie häufig, um Zeit zu sparen, aber dieser kurzfristige Gewinn kann langfristige Risiken erzeugen – wie Wissenslücken, langsameres Onboarding neuer Teammitglieder und höhere Wartungskosten. Genau hier kann GenAI einen Durchbruch erzielen – indem sie Dokumentation schneller, einfacher und in vielen Fällen sogar automatisch macht.
Wie GenAI die AE-Workflows verbessert
Ein gut strukturierter AE-Workflow, der mit GenAI erweitert wurde, kann automatisch eine Dokumentation als Teil des Auftragsausführungsprozesses erstellen. Dadurch wird sichergestellt, dass keine wichtigen Details übersehen werden und stets genaue, aktuelle Informationen zur Verfügung stehen.
Schritt 1: Aktivieren des Jobplans
Der Prozess beginnt mit der Aktivierung des Job Plans. Sobald dieser Schritt ausgelöst wird, bereitet der Workflow die notwendigen Informationen für die Dokumentation vor und macht sie zu einem natürlichen Bestandteil des Prozesses – anstatt eines nachträglichen Gedankens.
Schritt 2: Definieren des Objekts für die Dokumentation
Nach der Aktivierung muss das zu dokumentierende Objekt festgelegt werden. Dies wird durch eine Kombination aus einem PromptSet und einer SQLI VARA erreicht. Die SQLI VARA führt eine Abfrage durch, um potenzielle Objekte für die Dokumentation zu erfassen, die anschließend in einer Combo Box zur einfachen Auswahl präsentiert werden. An diesem Punkt können auch bestimmte Objekte aus dem Dialog ausgeschlossen werden, wenn sie für die Dokumentation nicht relevant sind.
Von der Automatisierung zur Intelligenz
Dieser Ansatz verdeutlicht, wie KI nicht nur Workflows optimiert, sondern auch die Rolle von IT-Fachleuten neu definiert. Durch die Integration von GenAI in die AE wird Dokumentation zu einem zuverlässigen, automatisierten Ergebnis, das eine der häufigsten Schwachstellen im IT-Betrieb beseitigt. Das Ergebnis ist mehr Konsistenz, geringeres Risiko und mehr Zeit für IT-Teams, um sich auf Innovation statt auf repetitive Arbeit zu konzentrieren. Auf diese Weise hilft KI-gestützte Automatisierung Organisationen, sich schneller an Veränderungen anzupassen und gleichzeitig eine stärkere Grundlage für langfristigen Erfolg aufzubauen.
Sobald die Einrichtung abgeschlossen ist, konfigurieren Sie das PromptSet mit der korrekten DataReference – dem Namen der SQLI VARA – und dem Variable Name, der später im Job Plan referenziert wird. Nach dem Speichern dieser Einstellungen kann der Automatisierungs-Workflow beginnen.
Die erste Aktion besteht darin, den Skriptinhalt des ausgewählten Objekts zu exportieren. Dazu wird die in AE eingebaute EXPORT() Prozedur verwendet, die den Objektnamen aus der Variable PromptSet und eine Zieldatei akzeptiert, in die das System das extrahierte Skript schreibt.
Sobald der Inhalt verfügbar ist, muss er geparst werden. In diesem Fall wird ein einfacher, selbst entwickelter Python-Parser mit der xml.etree.ElementTree Modul verwendet, obwohl jede XML-Parsing-Lösung funktionieren würde - letztendlich muss sie nur zuverlässig funktionieren. Der Parser speichert das Skript in einer externen Datei, und ein anderer Job liest diese Datei und lädt den Inhalt in AE-Variablen, damit er vom KI-Framework verarbeitet werden kann.
Wenn der Skriptinhalt nicht leer ist, wird das AI über die ASK_AI() Verfahren. Hier wird die KI angewiesen, eine Dokumentation für das extrahierte Skript zu erstellen. Da AE Beschränkungen hat, ist die Antwort auf 1024 Zeichen begrenzt, um ein Abschneiden zu vermeiden. Die KI wird auch aufgefordert, Zeichen zu vermeiden, die die XML-Struktur zerstören könnten. Sobald die Dokumentation generiert ist, wird sie mit demselben Python-Parser wie zuvor in die XML-Datei unter dem richtigen Dokumentationsabschnitt zurückgeschrieben. Der letzte Schritt besteht darin, das Objekt wieder in AE zu importieren.
Hierfür wird die eingebaute IMPORT() wird mit dem Pfad zur aktualisierten XML-Datei verwendet. Das Argument Ordner kann leer gelassen werden, aber die Objekteinstellung muss auf 1 gesetzt werden, andernfalls überspringt der Import das Objekt, da es bereits existiert. Das Ergebnis dieses Arbeitsplans wird im Dokumentationsbereich des ausgewählten Objekts angezeigt.
Das oben gezeigte Ergebnis wird durch den folgenden Skriptinhalt erzeugt:
Feinabstimmung von AI für strukturierte Dokumentation in Automic
Diese Lösung kann fein abgestimmt werden, um eine strukturierte Dokumentation zu erstellen, oder mit vordefinierten Informationen angereichert werden, wie z. B. Priorität, Schweregrad oder verantwortliche Person. Auf diese Weise können die Teams eine konsistente und detaillierte Dokumentation erstellen, die über technische Details hinausgeht und die betriebliche Relevanz einbezieht.
Empfehlungen für einen zuverlässigen Einsatz
Obwohl diese Vorgehensweise die Dokumentationsphase der Entwicklung erheblich beschleunigt, ist es immer empfehlenswert, die Ergebnisse des Arbeitsplans sorgfältig zu überprüfen. Es ist nicht ratsam, mehrere Objekte gleichzeitig zu dokumentieren, da dies das Risiko von Ungenauigkeiten erhöht und die Transparenz verringert.
Über die Dokumentation hinaus: Weiterer Nutzen von KI in der Agrarpolitik
Die Beschleunigung der Dokumentation ist nur ein Bereich, in dem wir von den Vorteilen der KI in der ZVE profitieren können. Dahinter verbergen sich mehrere zusätzliche Möglichkeiten, die einen noch größeren Nutzen bringen können.
AI-gesteuerte Alarmierung
Eine in das Warnsystem integrierte KI-Analyse kann äußerst nützlich sein. Bediener und Administratoren haben bereits eine Reihe von Informationen zur Hand, wenn ein Alarm eintrifft - darunter Fehlerbeschreibungen, mögliche Grundursachenanalysen und Lösungsvorschläge. Dadurch wird die Zeit für die Fehlersuche drastisch reduziert und eine schnellere Lösung ermöglicht.
Kundenspezifische Modelle mit Ollama
Mit Ollama-Integrationkönnen Unternehmen ihre eigenen benutzerdefinierten Modelle trainieren und sie nahtlos in Automic. Das bedeutet, dass die KI in der Agrarumweltpolitik auf die spezifischen Bedürfnisse des Unternehmens zugeschnitten werden kann, wodurch eine relevantere und kontextbezogene Automatisierungsunterstützung geschaffen wird.
Ausweitung der Anwendungsfälle
Die KI in der Agrarwirtschaft wird nicht nur die Fehleranalyse und die Softwareentwicklung unterstützen, sondern kann auch in breiteren Geschäftsbereichen eingesetzt werden, z. B. Datenanalyse, Data Mining, Trendprognosen und sogar automatische Entscheidungsfindung. Dies eröffnet Unternehmen, die innovativ tätig werden wollen, ein viel breiteres Spektrum an Möglichkeiten.
Fazit
Da die KI immer intelligenter wird, eröffnet ihre Kombination mit Automic neue Möglichkeiten für intelligentere, schnellere und zuverlässigere Prozesse. Unternehmen, die sich als Vorreiter bei der Einführung von KI positionieren, können sich einen erheblichen Wettbewerbsvorteil verschaffen, indem sie erhebliche Effizienzgewinne erzielen, Zeit sparen und den Ressourcenverbrauch reduzieren.
