Hinter den Kulissen des KI-Workflows: Wie mehrere LLMs zusammenarbeiten, um zukunftsorientierte Produktdaten zu liefern

Ein Blick hinter die Kulissen der KI-gestützten Produktdatenanreicherung

Die Verwaltung und Optimierung von Produktinformationen hat sich in den letzten Jahren grundlegend verändert. Während herkömmliche PIM-Systeme (Product Information Management) auf manuelle Eingaben und regelbasierte Automatisierungen angewiesen sind, nutzt Ainavio ein innovatives Multi-LLM-Konzept (Large Language Models), um Produktdaten intelligent anzureichern. Was bedeutet Multi-LLM-Konzept und wie genau arbeiten diese Modelle zusammen? In diesem Artikel werfen wir einen Blick auf Ainavios hochentwickelten KI-Workflows, die verschiedene spezialisierte LLMs kombinieren, um eine unvergleichliche Datenqualität zu erreichen.

Warum ein einziges LLM nicht ausreicht

Viele Unternehmen setzen bereits auf KI zur Automatisierung von Produktdatenprozessen. Doch ein einzelnes LLM stößt schnell an seine Grenzen: Während ein Modell hervorragend für Texterstellungen geeignet ist (beispielsweise OpenAI Sprachmodell), glänzt ein anderes in der Attributerkennung (Anthropic Claude) oder wiederum ein anderes zur Extrahierung von Texten aus PDFs (Google Gemini 2.0 Flash). Ainavio geht deshalb einen Schritt weiter und kombiniert mehrere spezialisierte LLMs in einem mehrstufigen Prozess.

Daneben haben die einzelnen Anbieter wiederum verschiedenen Ausbaustufen ihrer Sprachmodelle, mit verschiedenen Preisen, auch hier nutzt ainavio je nach Anforderung verschiedene Modelle um Kosten und Datenqualität optimal zu steuern.

Durch diese Aufteilung der Aufgaben können unterschiedliche Aspekte der Produktdaten parallel verarbeitet und optimiert werden. So entsteht ein nahtloser, automatisierter Workflow, der nicht nur Geschwindigkeit, sondern auch Qualität und Konsistenz erheblich verbessert.

Der Multi-LLM-Ansatz von Ainavio: Synergien zwischen spezialisierten KI-Modellen

Ainavio setzt auf spezialisierte KI-Modelle, die verschiedene Aufgaben innerhalb des PIM-Prozesses übernehmen. Die Kombination dieser Modelle sorgt für eine optimale Datenqualität und Prozessautomatisierung. Hier ein exemplarischer Workflow:

1. Datenextraktion und Vorverarbeitung --> Sprachmodell Google Gemini Flash 2.0

• KI-gestützte Analyse eingehender Daten aus Lieferanten-Feeds, Datenblättern und Webquellen.
• Erkennung von strukturierten und unstrukturierten Daten.
• Entfernen von Dubletten und Bereinigung inkonsistenter Angaben.

2. Attributgenerierung und Vervollständigung --> Sprachmodell Anthropic Claude

• Ein spezialisiertes LLM extrahiert relevante Attribute aus Texten, Bildern oder Tabellen.
• Fehlen bestimmte Informationen, ergänzt die KI die Daten automatisch durch Mustererkennung.

3. Automatische Texterstellung und Optimierung --> Sprachmodell OpenAI

• Ein weiteres LLM generiert SEO-optimierte Produktbeschreibungen basierend auf den gewonnenen Attributen.
• Stil, Tonalität und Keywords werden an die jeweilige Zielgruppe angepasst.
• Automatische Rechtschreib- und Grammatikprüfung.

4. Mehrsprachige Lokalisierung und Metrikumrechnung --> je nach Sprache DeepL

• Ein auf Sprachen spezialisiertes LLM übersetzt die Produktdaten in verschiedene Märkte.
• Konvertierung von Maßeinheiten (z. B. Zoll in Zentimeter) und Währungsumrechnungen je nach Zielregion.

5. Qualitätskontrolle und Validierung --> Sprachmodell OpenAI

• Ein abschließendes LLM prüft, ob alle Produktinformationen korrekt, vollständig und marktkonform sind.
• Manuelle Eingriffe durch das Team sind nur in Sonderfällen erforderlich.

Erweiterungsmöglichkeiten: Integration externer Services

Neben diesen spezialisierten LLMs können weitere Services in den Workflow integriert werden, um die Datenqualität weiter zu steigern. So ermöglicht es z. B. Perplexity AI, eine KI-gestützte Webrecherche durchzuführen, um fehlende oder unvollständige Informationen zu ergänzen. Diese Kombination aus LLMs und externen Tools macht den Workflow noch leistungsfähiger und sorgt für eine vollständige, präzise und aktuelle Datenbasis.

Die Kombination mehrerer spezialisierter LLMs in einem strukturierten KI-Workflow ist der Schlüssel zu einer herausragenden Produktdatenqualität. Jedes Modell übernimmt eine spezifische Aufgabe und trägt dazu bei, dass die Daten nicht nur präzise, sondern auch umfassend, SEO-optimiert und marktspezifisch angepasst sind.

Präzise Steuerung durch Workflows und Prompts

Die Steuerung dieser KI-Prozesse erfolgt durch eine Kombination aus automatisierten Workflows und individuell definierten Prompts:

• Automatisierte Steuerung durch Ainavio Workflows: Das System entscheidet basierend auf der aktuellen Datenlage in Echtzeit, welches LLM und welche Prozesse aktiviert werden. Falls eine Qualitätsprüfung ergibt, dass die Ergebnisse nicht den Anforderungen entsprechen, wird automatisch nachgesteuert.
• Individuelle Definition durch Prompts: Regeln, Vorgaben und Abhängigkeiten wie Attribute, Texte oder Formate werden durch präzise formulierte Eingabeaufforderungen (Prompts) gesteuert. Dies stellt sicher, dass die KI konsistente und markenkonforme Ergebnisse liefert. Diese Prompts werden individuell im ainavio PIM System hinterlegt und können von jedem Nutzer geändert werden.

Beispiel 1: Optimierung von Produktbeschreibungen

Für das Attribute "Beschreibungstext" könnte der Prompt wie folgt lauten:

• Erstelle eine SEO-optimierte Produktbeschreibung für den Webshop
• 200 - 300 Worte, Fließtext
• Erwähne die wichtigsten USPs, wiederhohle aber keine aus den Bulletpoints (weiteres Attribut)

Durch diesen gezielten Prompt wird sichergestellt, dass der generierte Text nicht nur ansprechend formuliert, sondern auch für Suchmaschinen optimiert ist. Es wird auch direkt eine Abhängigkeit definiert, keine Widerhohlungen gegenüber dem weiteren Attribut "Bulletpoints".

Beispiel 2: Abhängigkeit zwischen zwei Attributen definieren

Für das Attribut "Trinktemperatur" könnte der Prompt wie folgt lauten: "Basierend auf dem Weintyp füge die empfohlene Trinktemperatur hinzu. Weißwein: 10–12°C, Rotwein: 16–18°C, Rosé: 10–12°C, Sekt & Secco: 6–8°C."

Durch diesen gezielten Prompt wird sichergestellt, dass die KI automatisch die passende Trinktemperatur zu jedem Weintyp ergänzt, wodurch eine einheitliche und logische Produktbeschreibung entsteht.

Beispiel 3: Rohdaten-Umwandlung – falsches Format korrigieren

Für das Attribut "Verpackungsgewicht" könnte der Prompt lauten: "Rechne das Verpackungsgewicht von Gramm in Kilogramm um. Beispiel: 160 g → 0,160 kg."

Dieser Prompt sorgt dafür, dass Lieferantendaten, die in unterschiedlichen Formaten vorliegen, automatisch umgewandelt und vereinheitlicht werden, um eine konsistente Datenausgabe zu gewährleisten.

Beispiel 4: Extraktion aus Produktbild

Für das Attribut "Vegan" könnte der Prompt wie folgt formuliert sein: "Falls auf der Verpackung ein 'Vegan'-Icon sichtbar ist, wird das Attribut automatisch mit 'Ja/Wahr' ausgefüllt."

Mit diesem Prompt kann die KI visuelle Informationen aus Produktbildern extrahieren und relevante Attribute automatisch ergänzen, was die manuelle Pflege solcher Informationen erheblich reduziert.

Ein weiterer Vorteil dieses Ansatzes: Durch maschinelles Lernen werden die Prompts kontinuierlich verbessert, sodass die KI immer präzisere und relevantere Ergebnisse liefert.

Diese Beispiele zeigen nur eine kleine Auswahl der möglichen Einsatzbereiche. Die Anpassungsmöglichkeiten sind nahezu unbegrenzt und können individuell auf Ihre Anforderungen zugeschnitten werden. Gerne demonstrieren wir dies live in unserem System mit Ihren eigenen Produktdaten.

Der Business Case: Warum Unternehmen von Multi-LLM profitieren

Unternehmen, die auf eine Multi-LLM-Strategie bei Ihrem Produktdaten setzen, profitieren von mehreren entscheidenden Vorteilen:

• Zeitersparnis: Automatisierte Datenverarbeitung reduziert den manuellen Aufwand drastisch.
• Höhere Datenqualität: Durch KI-gestützte Validierung sinkt die Fehlerquote erheblich.
• Schnellere Time-to-Market: Neue Produkte lassen sich in Rekordzeit auf verschiedenen Plattformen veröffentlichen.
• Flexibilität für globale Märkte: Automatische Lokalisierung und Metrikumrechnung ermöglichen internationale Expansion ohne Mehraufwand.

‍