Der Elasticsearch Agent Builder Hackathon

Was die Community geschaffen hat

Elastic-agent-builder-hackathon-anchor-blog.png

Anfang dieses Jahres veranstaltete Elastic den Elasticsearch Agent Builder Hackathon, einen Wettbewerb zur Entwicklung sinnvoller und funktionierender KI-Agenten mit dem Elastic Agent Builder. Ziel war es, ein Schlussfolgerungsmodell mit Elastic Agent Builder-Tools wie Elastic Workflows, Elasticsearch oder der Elasticsearch-Abfragesprache (ES|QL) zu kombinieren, um chaotische interne Arbeitsabläufe zu automatisieren, nicht zusammenhängende Systeme zu verbinden und wirkungsvolle, domänenspezifische Agenten zu erstellen. Die Resonanz war bemerkenswert. Entwickler aus der ganzen Welt reichten Projekte aus den Bereichen Gesundheitswesen, Sicherheit, regulatorische Compliance und anderen Bereichen ein.

Jeder Teilnehmer identifizierte ein echtes Problem in seinem Fachgebiet, überlegte sorgfältig, wie Agenten, Suchen und Orchestrierung bei dessen Lösung zusammenwirken könnten, und entwickelte eine Lösung zum Beheben dieses realen Problems. Die Ergebnisse zeigen, was möglich ist, wenn die Schlussfolgerungsfähigkeit großer Sprachmodelle (LLM) mit der Geschwindigkeit und Struktur von Agenten kombiniert wird – zum Beispiel Pipelines, die Arzneimittelsicherheitssignale in weniger als 60 Sekunden erkennen, Adversarial-Testing-Systeme, die im Laufe der Zeit intelligenter werden, und Tools zur Duplikaterkennung, die Gesundheitsfachkräften Tage manueller Arbeit ersparen.

Im Folgenden finden Sie Blogbeiträge der drei erstplatzierten Teams über das von ihnen gewählte Problem, die Gestaltung ihrer Agentenarchitektur und die dabei gewonnenen Erkenntnisse. Egal, ob Sie den Elastic Agent Builder gerade erst kennenlernen oder bereits Produktionssysteme entwickeln: Diese Beiträge sind lesenswert.

Die Gewinner

PHAROS: Vier Wirkstoffe, 60 Sekunden, eine übersehene Arzneimittelsicherheitswarnung von der Katastrophe entfernt

Prajwal Sutar entwickelte PHAROS – ein Pharmakovigilanzsystem mit vier Agenten, das FDA-Berichte über unerwünschte Ereignisse verarbeitet, statistische Analysen nach WHO-Standard vollständig in ES|QL ausführt, regulatorische Unterlagen generiert und Benachrichtigungen an Slack, Jira und E-Mail sendet – alles in weniger als einer Minute. Sein Beitrag beschreibt die bewusst gewählte Agentenarchitektur, die Entscheidung, die statistischen Berechnungen in Elasticsearch durchzuführen, und das JSON-Parsing in der Pipeline.

Gauntlet: Was passiert, wenn sich die Tools Ihres Agenten wehren

Kavish Sathia entwickelte Gauntlet – ein Framework für Adversarial Testing, bei dem ein Mock-Agent die Tool-Aufrufe des primären Agenten abfängt und versucht, diesen automatisch zum Scheitern zu bringen – mit einem Langzeitgedächtnis, das ihn mit jedem Durchlauf kreativer macht. Gauntlet wurde nach einem Erstdurchlauf 48 Stunden vor dem Abgabetermin von Grund auf neu erstellt und liefert ein überzeugendes Argument dafür, warum Happy-Path-Tests für Agenten mit Zugriff auf reale Tools nicht ausreichen. In seinem Beitrag erläutert er die Zwei-Speicher-Architektur und wie ihn die Completion-Funktion von ES|QL überrascht hat.

Unsichtbare Fehler aufspüren: Ein Agent zur Duplikaterkennung für Kenias HIV-Programm

Fredrick Kioko ist ein Solutions Architect in Nairobi und baut Gesundheitsinformationssysteme in allen 47 kenianischen Counties auf. Er brachte zum Hackathon ein Problem mit, das er seit Monaten beobachtet hatte: doppelte Patienteneinträge in der kenianischen HIV-Testinfrastruktur, die die Dashboards aufblähen und Reagenzien verschwenden. Sein Drei-Agenten-System durchsuchte 1.010 echte, anonymisierte Einträge in weniger als 10 Sekunden und entdeckte dabei 131 Duplikate, darunter auch Fälle in mehreren Einrichtungen am selben Tag, deren manuelle Erfassung Wochen gedauert hätte. Sein Blog veranschaulicht, warum Erklärbarkeit in der klinischen KI kein „Nice-to-have“ ist.

Erfahren Sie mehr über die Gewinner

Diese drei Projekte repräsentieren sehr unterschiedliche Bereiche, aber sie haben ein gemeinsames Thema: Jeder Entwickler begann mit einem konkreten, kostspieligen Problem und nutzte Agent Builder, um etwas zu erstellen, das darüber nachdenkt, statt es nur abzufragen. Das ist genau die Art von Arbeit, für die dieser Hackathon konzipiert wurde.

Die Entscheidung über die Veröffentlichung der in diesem Blogeintrag beschriebenen Leistungsmerkmale und Features sowie deren Zeitpunkt liegt allein bei Elastic. Es ist möglich, dass noch nicht verfügbare Leistungsmerkmale oder Features nicht rechtzeitig oder überhaupt nicht veröffentlicht werden.

In diesem Blogpost haben wir möglicherweise generative KI-Tools von Drittanbietern verwendet oder darauf Bezug genommen, die von ihren jeweiligen Eigentümern betrieben werden. Elastic hat keine Kontrolle über die Drittanbieter-Tools und übernimmt keine Verantwortung oder Haftung für ihre Inhalte, ihren Betrieb oder ihre Anwendung sowie für etwaige Verluste oder Schäden, die sich aus Ihrer Anwendung solcher Tools ergeben. Gehen Sie vorsichtig vor, wenn Sie KI-Tools mit personenbezogenen, sensiblen oder vertraulichen Daten verwenden. Alle von Ihnen eingegebenen Daten können für das Training von KI oder andere Zwecke verwendet werden. Es gibt keine Garantie dafür, dass von Ihnen bereitgestellte Informationen sicher oder vertraulich behandelt werden. Setzen Sie sich vor Gebrauch mit den Datenschutzpraktiken und den Nutzungsbedingungen generativer KI-Tools auseinander. 

Elastic, Elasticsearch und zugehörige Marken sind Marken, Logos oder eingetragene Marken von Elasticsearch B.V. in den Vereinigten Staaten und anderen Ländern. Alle anderen Unternehmens- und Produktnamen sind Marken, Logos oder eingetragene Marken ihrer jeweiligen Eigentümer.