Generative KI für die Skill-Management-Plattform Solvedio implementieren

Der Kunde

Solvedio ist eine Plattform nach dem Prinzip Digitalization as a Service (DaaS), die auf die umfassende Digitalisierung von Unternehmen durch einen menschenzentrierten No-Code-Ansatz ausgerichtet ist. Die Lösungen von Solvedio richten sich an Fertigung, HR und den öffentlichen Sektor und sollen eine schnelle und zugängliche digitale Transformation ermöglichen. Durch Geschwindigkeit, Flexibilität und niedrige Kosten ist Solvedio zu einem wichtigen Partner für Unternehmen geworden, die ihre Prozesse modernisieren und ihre Produktivität steigern möchten.

Kontext und Herausforderungen

Der Markt für Digitalisierungs- und HR-Technologien hat sich in den vergangenen Jahren deutlich verändert. Organisationen setzen zunehmend auf intelligente Systeme, die Fähigkeiten automatisch bewerten, Teams optimieren und Lernbedarfe prognostizieren können. Dieser Trend führt zu einer breiteren Nutzung von Cloud- und KI-Lösungen.

Die zentrale geschäftliche Herausforderung für Solvedio lag in den begrenzten Möglichkeiten, unstrukturierte Daten zur Befüllung und Pflege von Skill-Matrizen automatisiert zu verarbeiten und zu verstehen. Kunden benötigten eine Lösung, die über manuelle Dateneingabe und einfaches Skill-Tracking hinausgeht. Dafür musste die Plattform technologisch erweitert werden, um:

1. umfassende Skill-Matrizen automatisch zu erstellen, direkt aus Mitarbeiterdokumenten wie Lebensläufen und Zertifikaten. Das System musste unterschiedliche Formate wie PDF, DOCX, TXT und verschiedene Bildtypen verarbeiten können.
2. intelligente Empfehlungen für neue Skills bereitzustellen, basierend auf dem bestehenden Profil und den Dokumenten eines Nutzers.
3. qualifizierte Nutzer automatisch vorzuschlagen, die zu bestimmten Skill-Gruppen oder Projekten passen, und dadurch die Teambildung effizienter zu machen.
4. eine konversationelle Interaktion mit dem System zu ermöglichen, um Skills und Wissen über ein KI-Chatmodell zu finden.

Ohne die Erweiterung um generative KI hätte Solvedio mehrere langfristige geschäftliche Risiken bewältigen müssen:

1. Stagnierendes Produktangebot: Der Plattform würde die Differenzierung fehlen, die KI-basierte Funktionen bieten, wodurch Marktanteile an innovativere Lösungen verloren gehen könnten.
2. Begrenzter Kundennutzen: Der Aufwand für manuelle Dateneingabe und Analyse würde weiterhin beim Kunden liegen, den Mehrwert der Plattform reduzieren und möglicherweise zu Kundenabwanderung beitragen.
3. Eingeschränkte Skalierbarkeit: Ohne automatisierte Skill-Extraktion könnten Kunden die Fähigkeiten großer und dynamischer Belegschaften nur schwer effizient verwalten, wodurch die Attraktivität von Solvedio für Enterprise-Szenarien eingeschränkt wäre.
4. Operative Ineffizienz für Endnutzer: Kunden hätten weiterhin Schwierigkeiten mit ineffizienter Projektbesetzung, langsamer Identifikation von Fachwissen und fehlender strategischer Transparenz über die vorhandene Skill-Basis.

Das Ziel

Geschäftliche Ziele:

• Skill-Matrizen direkt aus Mitarbeiterdokumenten automatisiert erstellen und aktualisieren.

• Die Teambildung mit KI-Empfehlungen auf Basis von Skills und Verfügbarkeit optimieren.

Technische Ziele:

• Eine intelligente, API-gesteuerte Plattform mit generativer KI zur Verarbeitung unterschiedlicher Dokumentformate aufbauen.

• Eine Reihe sicherer, asynchroner APIs für lang laufende Aufgaben implementieren.

Die Lösung

Die Lösung basiert auf einer serverlosen Architektur, bei der AWS Skalierung und Verfügbarkeit automatisch verwaltet. Die Architektur ist darauf ausgelegt, lang laufende Aufgaben resilient und effizient zu verarbeiten, indem sie von der ursprünglichen Nutzeranfrage getrennt werden. Dadurch führt der Ausfall eines einzelnen Prozesses nicht zum Scheitern der gesamten API-Anfrage.

Architekturüberblick

• SQS entkoppelt Datenaufnahme und Verarbeitung, sodass das System hohe Spitzen bei eingehenden Anfragen bewältigen kann.

• Aurora Serverless (PostgreSQL) und Amazon S3 dienen als Datenspeicher. Aurora wird zusätzlich als Vektordatenbank genutzt, die über Bedrock Knowledge Base verwaltet wird und automatische Skalierung sowie Multi-AZ-Bereitstellung unterstützt.

• Der vollständig serverlose Ansatz beseitigt einzelne Ausfallpunkte: Komponenten wie API Gateway, AWS Lambda und DynamoDB arbeiten und skalieren unabhängig voneinander.

• Das asynchrone Job-System stellt sicher, dass die API auch beim Ausfall einer Teilaufgabe verfügbar und stabil bleibt.

Verarbeitung und Steuerung von Aufgaben

Für jede Anfrage wird ein eigener Job erstellt und in DynamoDB erfasst. Die Tabelle speichert Verarbeitungszustände wie pending, streaming, failed und completed. Nach Abschluss wird das Ergebnis wieder in den Datensatz geschrieben. Dadurch lassen sich auch lang laufende KI-Anfragen effizient verarbeiten, ohne das System zu überlasten.

Komponenten und ihre Rolle

• Amazon Bedrock Knowledge Base stellt eine vollständig verwaltete Retrieval-Augmented Generation (RAG)-Pipeline bereit. Sie umfasst die Vektorisierung der Quelldokumente mit Titan Text Embeddings v2, die Speicherung in Aurora Serverless und das Management der Abfragen. Eine eigene RAG-Implementierung wäre zeitlich und technisch aufwendiger.

• Aurora Serverless (PostgreSQL) wurde aufgrund der automatischen Skalierung und geringerer Kosten im Vergleich zu OpenSearch Serverless gewählt. Zusätzlich soll die Datenbank künftig einen breiteren Funktionsumfang unterstützen.

• DynamoDB unterstützt die asynchrone Verarbeitung von KI-Anfragen, da eine relationale Datenbank für diesen Zweck unnötigen Overhead verursachen würde.

• SQS unterstützt die Batch-Verarbeitung neuer Datensätze, die aufgenommen, vorverarbeitet und vektorisiert werden müssen, und erhöht dadurch die Resilienz des Systems. Alternativen wie RabbitMQ auf EC2 wurden aufgrund des höheren Betriebsaufwands verworfen.

• AWS Lambda bildet die Compute-Schicht für die gesamte Geschäftslogik: Der Event-driven-Ansatz ermöglicht Reaktionen sowohl auf API-Aufrufe als auch auf Nachrichten aus Queues.

• EventBridge startet AWS-Lambda-Funktionen periodisch zur Synchronisierung der Knowledge Base.

• CloudWatch überwacht Performance, Fehlerraten und Latenzen des Systems zur laufenden Optimierung.

Integrationen und Datenflüsse

1. SQS → Lambda Triggers: für die asynchrone Batch-Verarbeitung von Datensätzen.

2. DynamoDB → Lambda Triggers: für die Verarbeitung neuer KI-Anfragen.

3. Bedrock Knowledge Base ↔ Aurora Serverless: zur Speicherung von Vektoren, die mit Titan Text Embeddings v2 erzeugt werden.

4. EventBridge → Lambda: für die periodische Synchronisierung der Knowledge Base.

Dieses Design ermöglicht einen resilienten, skalierbaren und kosteneffizienten Betrieb ohne Serververwaltung, wobei die einzelnen Komponenten voneinander entkoppelt und unabhängig bleiben.

Jeder AWS-Service wurde nach einer Analyse der Alternativen ausgewählt:

• Bedrock Knowledge Base: stellt einen vollständig verwalteten RAG-Prozess bereit; eine eigene Implementierung würde Komplexität und Bereitstellungszeit erhöhen.

• Aurora Serverless (PostgreSQL): gewählt aufgrund automatischer Skalierung und geringerer Kosten gegenüber OpenSearch Serverless sowie der vorhandenen Expertise im Team.

• DynamoDB: verwaltet lang laufende KI-Jobs und verfolgt deren Status. Gegenüber einer relationalen Datenbank vereinfacht dies das Design und verbessert die Performance.

• SQS: entkoppelt die Batch-Verarbeitung; Alternativen wie RabbitMQ wurden aufgrund des höheren Betriebsaufwands verworfen.

• AWS Lambda: Event-driven-Compute-Schicht ohne erforderliche Serververwaltung.

• EventBridge: Planung periodischer Aufgaben zur Synchronisierung der Knowledge Base.

Integrationen:

1. AWS-Lambda-Triggers aus SQS für die Batch-Verarbeitung von Datensätzen.

2. AWS-Lambda-Triggers aus DynamoDB (INSERT) für KI-Anfragen.

3. Integration von Bedrock KB und Aurora Serverless zur Speicherung von Vektoren.

4. EventBridge-Trigger zur Synchronisierung der Knowledge Base.

Ergebnisse und Nutzen

Die Lösung brachte messbaren geschäftlichen und technologischen Nutzen und zeigte ein günstiges Verhältnis von Mehrwert, Kosten und Komplexität. Die wesentlichen Vorteile liegen in drei Bereichen:

• Höherer geschäftlicher Nutzen: Durch verwaltete Services wie Amazon Bedrock Knowledge Base entfiel die Notwendigkeit, eine eigene RAG-Pipeline von Grund auf zu entwickeln. Dadurch konnten Entwicklung und Bereitstellung neuer KI-Funktionen für Kunden deutlich beschleunigt werden.

• Niedrigere Kosten: Die serverlose Architektur auf Basis von AWS Lambda, SQS und DynamoDB ermöglicht eine Abrechnung nach tatsächlich genutzten Ressourcen, ohne Kosten für ungenutzte Serverkapazitäten.

• Geringere Komplexität: Die Event-driven-Architektur vereinfacht Entwicklung, Fehleranalyse und Wartung. Bedrock Knowledge Base reduziert außerdem den Aufwand für Implementierung, Feinabstimmung und Betrieb einer sicheren und effizienten RAG-Lösung.

Die Lösung brachte messbaren Nutzen bei zwei zentralen Kennzahlen, die sich direkt auf operative Stabilität und Teameffizienz auswirken:

1. Bessere Projektabwicklung durch skillbasierte Zuordnung: Vor der Implementierung waren rund 23 % der Projekte verzögert, weil Mitarbeitende nicht passend zugeordnet wurden. Nach der Bereitstellung von Solvedio mit KI-Empfehlungen sank die Verzögerungsquote innerhalb von 6 Monaten auf 10 %. Das entspricht einer Verbesserung von mehr als 50 %. Gemessen wurde dies anhand von Projektabschluss-Logs und dem Vergleich des Anteils fristgerecht abgeschlossener Projekte vor und nach der Bereitstellung.

2. Ausgewogenere Auslastung und höhere Mitarbeiterzufriedenheit: Vor der Implementierung lag die Zufriedenheit mit der Arbeitsbelastung bei 60 von 100 Punkten. Nach sechs Monaten mit den Tools zur Kapazitäts- und Skill-Analyse stieg sie auf 80 Punkte und übertraf damit das Ziel von 75.

   Die Daten stammen aus wiederholten Mitarbeiterbefragungen und Auslastungsanalysen, beispielsweise dem Anteil der Mitarbeitenden mit optimaler Auslastung. Das Ergebnis waren eine bessere Verteilung der Arbeit, eine höhere Teammoral und ein positiver Effekt auf die Mitarbeiterbindung.

Fazit

Diese Case Study zeigt, wie generative KI und Cloud-Technologien die Art und Weise deutlich verändern können, wie Organisationen Digitalisierung, Automatisierung und Datennutzung angehen. Durch die Integration fortgeschrittener KI-Services in bestehende Prozesse entstand eine Lösung, die nicht nur die Datenverarbeitung effizienter macht, sondern auch schnellere Entscheidungen und ein strategisches Ressourcenmanagement unterstützt.

Der Nutzen der Plattform reicht über HR hinaus. Sie zeigt, wie generative KI die digitale Transformation in Fertigung, öffentlicher Verwaltung, Wissensmanagement und interner Innovation beschleunigen kann. Solvedio verdeutlicht, wie Cloud-Infrastruktur, asynchrone Verarbeitung und intelligentes Lernen zu einer flexiblen Lösung kombiniert werden können, die für künftige Erweiterungen in Datenanalyse, prädiktiver Planung und autonomer Entscheidungsfindung vorbereitet ist.

Die Plattform zeigt, wie generative KI zu einem wichtigen Instrument der digitalen Transformation werden kann und dabei Geschwindigkeit, Genauigkeit und Skalierbarkeit für den Umgang mit komplexen Datenökosystemen bereitstellt.