Veranstaltungsprogramm

Im Beitrag wird ein agentenbasiertes LLM-Framework vorgestellt, dass in Zusammenarbeit von SPIE Automation und der Technischen Hochschule Aschaffenburg im Rahmen von studentischen Arbeiten und einem Forschungsprojekt entwickelt wird. Das Framework ist modular aufgebaut und bietet durch diese Abgrenzbarkeit organisatorisch und didaktisch gute Möglichkeiten für studentische Arbeiten, die fokussiert an einer Funktionalität arbeiten, und diese abschließend im Kontext des kompletten Frameworks bereitstellen können. Das Framework erprobt den Einsatz von generativer KI im industriellen Umfeld, einem Schlüsselthema für den Wirtschaftsstandort Deutschland. Wir stellen nachfolgend Ansätze und Lösungen zu technischen Herausforderungen, sowie den Themen Datenschutz, Privatheit, Haftungsrisiken und Nutzerakzeptanz (insbesondere Barrierefreiheit) vor.

In cyber-physical production systems, the integration of large language models (LLMs) is becoming increasingly prevalent, necessitating efficient and Humanity-centered Automation solutions. Designing effective and reusable prompts is crucial for creating intelligent systems that are both efficient and aligned with human needs. This paper introduces a framework based on five essential elements of reusable prompts: Model Selection, Purpose Definition, Variables, Examples, and Output Structuring. By focusing on these elements, developers can define the inputs and outputs of models more precisely, allowing for greater control over results and facilitating the chaining of multiple prompts or collaboration between LLMs. The identification of these five elements resulted from extensive experimentation with LLMs and various prompts, leading to a structured approach akin to a programming language. This framework enables the creation of adaptable, reliable, and user-friendly AI workflows and agents, particularly suitable for complex automation tasks in factory settings where different AI agents handle visual, programming, and conversational tasks. By maintaining a clear prompt structure, it becomes possible to manage a prompt base similar to a codebase, enabling human operators to better create, maintain, and use different prompts. This applied research aligns with the principles of humanity-centered automation, ensuring technology serves human values and expectations.