Databricks lanciert Lösung für Optimierung von KI-Agenten

Warum die meisten Unternehmens-KI-Agenten nie in Produktion gehen und wie Databricks diese Herausforderung angeht Am 11. Juni 2025 um 6:00 Uhr Viele Entwicklungsinitiativen für KI-Agenten im Unternehmen bleiben auf der Strecke, und das liegt nicht an der Unreife der Technologie. Das Problem, so Databricks, besteht darin, dass Unternehmen weiterhin manuelle Bewertungen durchführen, die langsam, inkonsistent und schwer skalierbar sind. Heute auf dem Data + AI Summit hat Databricks die Mosaic Agent Bricks als Lösung für dieses Problem vorgestellt. Die Technologie baut auf und erweitert den 2024 angekündigten Mosaic AI Agent Framework auf. Im Grunde reicht es nicht mehr aus, KI-Agenten bauen zu können; sie müssen auch einen echten Einfluss in der Praxis haben. Das Mosaic Agent Bricks-Plattform automatisiert die Agentenoptimierung durch eine Reihe von wissenschaftlich fundierten Innovationen. Zu den wichtigsten Neuerungen gehört die Integration von TAO (Test-time Adaptive Optimization), die eine neue Methode zur KI-Anpassung ohne etikettierte Daten bietet. Agent Bricks erstellt außerdem domänenspezifische synthetische Daten, task-aware Benchmarks und optimiert das Qualitäts-Kosten-Verhältnis ohne manuelle Eingriffe. Der Kern der neuen Plattform ist es, ein Problem zu lösen, das Databricks-Nutzer bei existierenden KI-Agentenentwicklungsbemühungen hatten. „Sie waren blind, sie hatten keine Möglichkeit, diese Agenten zu bewerten“, erklärte Hanlin Tang, Cheftechnologe für neuronale Netze bei Databricks, dem VentureBeat. „Die meisten von ihnen verließen sich auf eine Art manuelles Gefühl, ob der Agent gut genug klingt, aber das gibt ihnen nicht das Vertrauen, ihn in Produktion zu bringen.“ Hanlin Tang war früher Co-Gründer und CTO von Mosaic, das 2023 von Databricks für 1,3 Milliarden Dollar übernommen wurde. Bei Mosaic führten viele der Forschungsinnovationen nicht sofort zu einem Unternehmensimpact. Das änderte sich jedoch nach der Übernahme. „Der große Durchbruch für mich war, als wir unser Produkt bei Databricks starteten und über Nacht Tausende von Unternehmenskunden nutzten“, sagte Tang. Vor der Übernahme brauchte Mosaic Monate, um nur eine Handvoll Unternehmen dazu zu bringen, Produkte auszuprobieren. Die Integration von Mosaic in Databricks gab dem Forschungsteam direkten Zugang zu Unternehmensproblemen im großen Maßstab und enthüllte neue Bereiche zur Erforschung. Dieser Kontakt zu Unternehmenskunden zeigte neue Forschungsmöglichkeiten auf. „Nur wenn man direkten Kontakt zu Unternehmenskunden hat und tief mit ihnen zusammenarbeitet, entdeckt man interessante Forschungsfragen“, erklärte Tang. „Agent Bricks…ist in gewisser Weise die Weiterentwicklung aller Arbeiten, die wir bei Mosaic geleistet haben, jetzt, da wir alle vollständig ‚Brickster‘ sind.“ Lösung des KI-Agentenbewertungsproblems Unternehmenseams stehen vor einem kostspieligen Prozess der Versuch-und-Irrtum-Optimierung. Ohne task-aware Benchmarks oder domänenspezifische Testdaten wird jeder Agentenanpassung zu teuer. Qualitätsschwankungen, Kostenüberziehungen und verpasste Fristen sind die Folge. Agent Bricks automatisiert den gesamten Optimierungsprozess. Die Plattform nimmt eine hochgradige Aufgabenbeschreibung und Unternehmensdaten entgegen. Danach übernimmt sie alles automatisch. Zunächst generiert sie taskspezifische Evaluierungen und LLM-Judges. Anschließend erstellt sie synthetische Daten, die den Kundendaten entsprechen. Schließlich sucht sie durch verschiedene Optimierungstechniken, um die beste Konfiguration zu finden. „Der Kunde beschreibt das Problem in groben Zügen und geht nicht in die Details, weil wir uns darum kümmern“, sagte Tang. „Das System generiert synthetische Daten und erstellt benutzerdefinierte LLM-Judges für jede Aufgabe.“ Das Plattform bietet vier Agentenkonfigurationen: Einfache Agenten: Für Standardaufgaben. Komplexe Agenten: Für anspruchsvollere Aufgaben. Anpassbare Agenten: Für spezifische Anforderungen. Selbstlernende Agenten: Mit automatischer Verbesserung. Agenten sind wichtig, aber Daten dürfen nicht vernachlässigt werden Das Bauen und Bewerten von Agenten ist ein wesentlicher Bestandteil der Unternehmens-bereiten KI, aber es ist nicht der einzige Teil, der benötigt wird. Databricks positioniert Mosaic Agent Bricks als KI-Konsumschicht auf seinem einheitlichen Datensatz. Auf dem Data + AI Summit wurde auch die allgemeine Verfügbarkeit der Lakeflow-Dateningenieursplattform bekannt gegeben, die erstmals 2024 vorgestellt wurde. Lakeflow löst die Herausforderung der Datenvorbereitung. Sie vereint drei wichtige Dateningenieur-Journeys, die bisher separate Tools erforderten. Ingestion kümmert sich um die Eingabe von strukturierten und unstrukturierten Daten in Databricks. Transformation bietet effiziente Datensäuberung, Umgestaltung und Vorbereitung. Orchestration verwaltet Produktionsabläufe und Scheduling. Der Workflow ist direkt: Lakeflow bereitet Unternehmensdaten durch einheitliche Ingestion und Transformation vor, dann baut Agent Bricks optimierte KI-Agenten auf diesen vorbereiteten Daten. „Wir helfen dabei, die Daten auf die Plattform zu bekommen, und dann kann man ML, BI und KI-Analysen durchführen“, sagte Bilal Aslam, Senior Director of Product Management bei Databricks, dem VentureBeat. Über die Dateningestion hinaus profitiert Mosaic Agent Bricks auch von den Governance-Funktionen des Unity Catalogs von Databricks. Dazu gehören Zugriffskontrollen und Nachverfolgung der Datenherkunft. Diese Integration stellt sicher, dass das Agentenverhalten den Unternehmensdatengovernance entspricht, ohne zusätzliche Konfigurationen zu erfordern. Agent Learning from Human Feedback eliminiert Prompt Stuffing Ein gängiger Ansatz zur Steuerung von KI-Agenten ist der Einsatz von System-Prompts. Tang bezeichnet die Praxis des „Prompt Stuffings“, bei der Benutzer allerlei Anleitungen in einen Prompt packen, in der Hoffnung, dass der Agent ihnen folgt. Agent Bricks führt eine neue Konzept ein, das als „Agent Learning from Human Feedback“ bezeichnet wird. Diese Funktion passt Systemkomponenten automatisch anhand natürlichsprachlicher Anleitungen an. Sie löst das Problem des Prompt Stuffings, da Agentensysteme mehrere Komponenten benötigen, die angepasst werden müssen. Agent Learning from Human Feedback ist ein System, das natürlichsprachliche Anleitungen automatisch interpretiert und die entsprechenden Systemkomponenten anpasst. Dieser Ansatz ähnelt dem Reinforcement Learning from Human Feedback (RLHF), operiert jedoch auf Systemebene statt auf Modellgewichten. Das System behandelt zwei zentrale Herausforderungen. Erstens können natürlichsprachliche Anleitungen vage sein. Zum Beispiel: Was bedeutet „respektiere die Stimme deiner Marke“ konkret? Zweitens enthalten Agentensysteme zahlreiche Konfigurationspunkte. Teams haben Schwierigkeiten, zu identifizieren, welche Komponenten angepasst werden müssen. Das System beseitigt die Ratlosigkeit darüber, welche Agentenkompontenten für bestimmte Verhaltensänderungen angepasst werden müssen. „Wir glauben, dass dies den Agenten steuerbarer machen wird“, sagte Tang. Technische Vorteile gegenüber bestehenden Frameworks Es fehlen nicht an KI-Agenten-Entwicklungsframeworks und -Tools auf dem Markt. Zu den wachsenden Anbietern gehören Werkzeuge von Langchain, Microsoft und Google. Tang argumentiert, dass das Besondere an Mosaic Agent Bricks die Automatisierung der Optimierung ist. Anstelle von manuellen Konfigurationen und Anpassungen integriert Agent Bricks automatisch mehrere Forschungstechniken: TAO, Kontextlernen, Promtopimierung und Feinabstimmung. Was die Agenten-zu-Agenten-Kommunikation betrifft, gibt es einige Optionen auf dem Markt, darunter das Agent2Agent-Protokoll von Google. Databricks erforscht derzeit verschiedene Agentenprotokolle und hat sich noch nicht für ein einzelnes Standard festgelegt. Aktuell behandelt Agent Bricks die Agenten-zu-Agenten-Kommunikation durch zwei Hauptmethoden: Endpunkt-Exposition: Agenten werden als Endpunkte verfügbar gemacht, die in verschiedene Protokolle eingewickelt werden können. Mehr-Agenten-Supervisor: Dieser ist MCP (Model Context Protocol)-bewusst. Strategische Auswirkungen für unternehmerische Entscheidungsträger Für Unternehmen, die in KI die Führung übernehmen möchten, ist es entscheidend, die richtigen Technologien zur Bewertung von Qualität und Effektivität zu haben. OHne Bewertung in Produktion zu gehen, führt nicht zu optimalen Ergebnissen, und Agenten ohne solide Datenbasis sind ebenso wenig sinnvoll. Beim Auswahl von Agentenentwicklungstechnologien ist es entscheidend, die besten Optionen angemessen zu bewerten. Der Ansatz „Agent Learning from Human Feedback“ ist auch für unternehmerische Entscheidungsträger bemerkenswert, da er KI-Agenten zur besten Leistung führt. Für Unternehmen, die in der KI-Agenten-Deployment die Führung übernehmen möchten, bedeutet diese Entwicklung, dass die Evaluationinfrastruktur kein Hindernis mehr ist. Organisationen können ihre Ressourcen auf die Identifikation von Anwendungsfällen und die Datenvorbereitung konzentrieren, anstatt Optimierungsframeworks zu entwickeln. Die Einführung von Mosaic Agent Bricks markiert einen wichtigen Schritt für Databricks, um KI-Agentenentwicklung im Unternehmen zu vereinfachen und zu beschleunigen. Die Plattform verspricht, den langwierigen und fehleranfälligen Manualeinsatz zu reduzieren, indem sie fortschrittliche Forschungsmethoden automatisiert einsetzt. Dies hebt Databricks in einem wachsenden Markt hervor und unterstreicht seine Position als Innovator in der KI-Technologie.