Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Muster 4: Mehrstufiger KI-Workflow
Viele reale KI-Anwendungen werden nicht von einem einzigen Modell oder einer einzigen Funktion bedient. Stattdessen erfordern sie eine Abfolge von KI-gesteuerten Aufgaben, die häufig mit Geschäftslogik, Validierungen oder API-Aufrufen von Drittanbietern verknüpft sind. Diese mehrstufigen Workflows sind in allen Branchen und Anwendungsfällen üblich, darunter:
-
Pipelines zur Dokumentenanalyse, von der optischen Zeichenerkennung (OCR) über die Klassifizierung bis hin zur Zusammenfassung und Indexierung
-
Systeme zur Betrugserkennung, von regelbasierten Prüfungen über maschinelles Lernen (ML), Scoring bis hin zur Eskalationslogik
-
Automatisierung im Gesundheitswesen, von der Bildgebung über die Diagnose bis hin zur Berichtserstellung bis hin zur Überprüfung durch den Arzt
-
Abläufe der Sprachverarbeitung, von der Transkription über die Stimmungsanalyse bis hin zur Generierung von Antworten
Diese Pipelines können jedoch problematisch sein, da sie häufig Folgendes beinhalten:
-
Heterogene Dienste wie OCR, Verarbeitung natürlicher Sprache (NLP), Vektorsuche und benutzerdefiniertes ML
-
Verschiedene Modelltypen wie herkömmliches ML und generative KI
-
Strenge Prüf- und Fehlerbehandlungsanforderungen
-
Funktionsübergreifendes Eigentum, z. B. in den Bereichen Datenwissenschaft, Technik und Compliance
Traditionell werden diese Workflows als spröde Code- oder statische Orchestrierungsplattformen implementiert. Dieser Ansatz führt zu schlechter Beobachtbarkeit, enger Kopplung und geringer Agilität sowie zu einem hohen betrieblichen Aufwand für Updates und Fehlerbehebung.
Das mehrstufige KI-Workflow-Muster: modulare, beobachtbare, serverlose KI-Pipelines
Das mehrstufige KI-Workflow-Muster dient als Rückgrat für die Orchestrierung AWS Step Functions. Mit diesem Muster können Teams eine Abfolge von KI-Aufgaben als modulare, serverlose Funktionen koordinieren, die jeweils unabhängig voneinander ausgelöst und verwaltet werden. Jede Phase des Workflows ist beobachtbar, unterstützt Wiederholungsversuche und ist vollständig von den anderen Phasen entkoppelt. Das mehrstufige KI-Workflow-Muster ermöglicht Folgendes:
-
Feinkörnige Steuerung und Fehlerbehandlung
-
Plug-and-play Modellintegration, z. B. Änderung eines Amazon Bedrock-Modells, ohne die Orchestrierung zu berühren
-
Klare Trennung der Belange zwischen Aufgaben wie Anreicherung und Inferenz
-
Wiederholbarkeit, Rückverfolgbarkeit und Anpassung an die Einhaltung der Vorschriften
Die Referenzarchitektur implementiert jede Ebene wie folgt:
-
Ereignisauslöser — Initiiert eine Step Functions Functions-Zustandsmaschine über einen Amazon S3 S3-Upload (z. B. eine PDF-Datei), einen API-Aufruf oder einen geplanten Job.
-
Verarbeitung — Wird verwendet, AWS Lambdaum Metadaten vorzubereiten, den Dateityp zu klassifizieren und Eingaben anzureichern (z. B. zur Erkennung der Sprache des Dokuments).
-
Inferenz — Erfolgt in mehreren Phasen, z. B. von Amazon Textract über Amazon SageMaker Classifier bis hin zum Amazon Bedrock Large Language Model (LLM) Summarizer, die alle mithilfe von Step Functions verkettet sind.
-
Nachbearbeitung — Verwendet Lambda, um das Routing zu bestimmen, z. B. zum Senden an den Prüfer, zur Eskalation an die Rechtsabteilung oder zur automatischen Genehmigung.
-
Ausgabe — Speichert Ergebnisse in Amazon S3 oder Indizes in Amazon OpenSearch Service. Sendet Prüfereignisse EventBridge zur Protokollierung und Benachrichtigung an Amazon.
Anwendungsfall: Erfassung und Zusammenfassung von Rechtsdokumenten
Eine Anwaltskanzlei erhält täglich Hunderte von Verträgen in verschiedenen Formaten. Sie müssen Dokumenttypen extrahieren und klassifizieren und Risikoklauseln identifizieren. Darüber hinaus müssen sie die Dokumente für den Abruf zusammenfassen und indexieren und sie auf der Grundlage der Risikobewertung und der Art des Dokuments an Anwälte weiterleiten.
Als Antwort auf diesen Anwendungsfall folgt die mehrstufige KI-Workflow-Lösung diesen Schritten:
-
Ein PDF-Upload veranlasst Amazon S3, zu Step Functions EventBridge zu wechseln.
-
Amazon Textract extrahiert Rohtext aus der PDF-Datei.
-
Das SageMaker Modell klassifiziert den Dokumenttyp, z. B. eine Geheimhaltungsvereinbarung (NDA) oder eine Master Service Agreement (MSA).
-
Amazon Bedrock generiert eine Zusammenfassung und Risikoerklärung in natürlicher Sprache.
-
Lambda bestimmt die nächste Aktion, z. B. zur Überprüfung kennzeichnen oder automatisch verarbeiten.
-
Die Ausgaben werden in Amazon S3 protokolliert. Benachrichtigungen werden mithilfe von Amazon Simple Notification Service (Amazon SNS) oder EventBridge ausgegeben.
Warum Step Functions ideal für mehrstufige KI-Workflows ist
Step Functions bietet die folgenden Funktionen und Vorteile:
-
Visual Workflow Builder — Ermöglicht die einfache Zuordnung und Iteration der Geschäftslogik
-
Integrierte Wiederholungsversuche und Timeouts — Behandelt Fehler im Downstream-Modell problemlos
-
Parallele Ausführung — Führt mehrere Inferenzmodelle gleichzeitig aus (z. B. mehrsprachige Übersetzung)
-
Dynamische Verzweigung — Routen, die auf Zwischenergebnissen der Inferenz basieren
-
Überprüfbarkeit — Ermöglicht eine detaillierte Überwachung und Einhaltung von Vorschriften anhand von Protokollen und Metriken für jeden Schritt
Bewährte Methoden für Sicherheit und Unternehmensführung
Um sichere, überprüfbare und richtlinienorientierte KI-Pipelines zu gewährleisten, sollten Unternehmen die folgenden bewährten Methoden für Sicherheit und Unternehmensführung befolgen:
-
Verwenden Sie AWS Identity and Access Management (IAM) pro Schritt, um das Prinzip der geringsten Rechte für alle Dienste und Lambda-Funktionen durchzusetzen.
-
Protokollieren Sie jede Eingabe und Ausgabe in Amazon CloudWatch Logs oder Amazon S3, um Rückverfolgbarkeit, Debugging und Prüfung zu ermöglichen.
-
Integrieren Sie AWS CloudTrail, um Zugriffs- und Aufrufverläufe auf API-Ebene für Compliance-Zwecke und forensische Analysen zu erfassen.
-
Wenden Sie die Schemavalidierung zwischen den Phasen an, um die Datenintegrität sicherzustellen, Injection oder Prompt Drift zu verhindern und die Ausbreitung von Fehlern zu reduzieren.
Geschäftlicher Nutzen des mehrstufigen KI-Workflow-Musters
Das mehrstufige KI-Workflow-Muster bietet in den folgenden Bereichen einen Mehrwert:
-
Agilität — Aktualisiert oder ordnet Schritte neu an, ohne die Pipeline zu unterbrechen.
-
Skalierbarkeit — Skaliert automatisch mit dem Dokumentenvolumen durch eine serverlose Architektur.
-
Compliance — Ermöglicht die step-by-step Rückverfolgbarkeit von Maßnahmen und KI-Entscheidungen.
-
Wartbarkeit — Bietet eine modulare und teamorientierte Codebasis. (Die Trennung von KI-Logik und Richtlinienlogik verbessert die Wartbarkeit, da dynamisches Modellverhalten und deterministische Geschäftsregeln unabhängig voneinander verwaltet werden können. Dieser Ansatz reduziert das Risiko und ermöglicht eine klarere Teamverantwortung.)
-
Integration — Ermöglicht Kombinationen aus herkömmlichem ML und externem LLMs maschinellem Lernen APIs ohne Kopplung.
Das mehrstufige KI-Workflow-Muster bietet Unternehmen eine strukturierte, skalierbare Möglichkeit, komplexe KI-Pipelines zusammenzustellen, die auf serverlosen Prinzipien und betrieblichen Best Practices basieren.
Dieses Muster bildet das Rückgrat für die Entwicklung von KI-gestützten Workflows auf Unternehmensebene, die sicher, beobachtbar und im Laufe der Zeit leicht weiterzuentwickeln sind. Es unterstützt verschiedene Anwendungsfälle, von der Erfassung von Dokumenten und der Automatisierung des Onboardings bis hin zur Risikoanalyse und der Zusammenstellung kontextueller Ergebnisse aus mehreren Modellen.
