MCP trifft futureEXPERT: Gemeinsam mit der HAW Kiel entstanden drei KI-Agenten-Tools, die zentrale Forecasting-Schritte automatisieren. Das Ergebnis: nachvollziehbare Forecasting-Pipelines statt manueller Klickstrecken.
Die Welt der KI entwickelt sich rasant. Gerade erst gewöhnen wir uns an Chatbots, da steht mit dem Model Context Protocol (MCP) schon die nächste Evolution vor der Tür: standardisierte Schnittstellen, die es KI-Modellen ermöglichen, sicher und einfach mit Daten und Tools zu interagieren.
Doch wie sieht das in der Praxis aus? Um das herauszufinden, haben wir uns in einem Kooperationsprojekt mit der Hochschule für Angewandte Wissenschaften Kiel ausgetauscht. Studierende haben untersucht, was passiert, wenn man junge Talente, moderne Agenten-Technologie und unser Forecasting-as-a-Service Tool futureEXPERT zusammenbringt.
Das Ergebnis ist “Birte 2.0” – ein technischer Showcase, der demonstriert, wie intuitiv Forecasting mit echten Daten durch den Einsatz von Coding Agents werden kann.
Was ist das Model Context Protocol (MCP)?
Kurz gesagt: MCP ist der neue Standard, um Large Language Models (LLMs) mit externen Tools und Daten zu verbinden. Anstatt für jeden Anwendungsfall eine eigene Integration zu bauen, bietet MCP einen universellen Stecker.
Im Rahmen des FH-Projekts wurde ein lokaler MCP-Server aufgesetzt, der spezifische Werkzeuge bereitstellt. Ein Coding Agent (wie z. B. Claude Code) kann diese Werkzeuge dann autonom nutzen.
Der Coding Agent selbst muss die sensiblen Zeitreihendaten nicht in seinen Kontext laden oder “lesen”. Er operiert lediglich mit Dateinamen und Metadaten, um die Prozesse zu steuern. Die eigentliche Verarbeitung der Daten findet lokal oder – im Falle der Prognoseberechnung – direkt über die API von futureEXPERT statt, ohne dass der Agent als Mittelsmann die Rohdaten in den Kontext nehmen muss.
Der Agent als Dirigent: Vom User Intent zur Lösung
Bevor wir uns den einzelnen Tools widmen, lohnt sich ein Blick auf die Intelligenz, die sie steuert. Doch was genau unterscheidet einen Agenten von einem klassischen Chatbot? Während ein klassischer Chatbot primär Text generiert, ist ein KI-Agent ein operativer Problemlöser: Er plant eigenständig, bedient digitale Werkzeuge und erreicht komplexe Ziele Schritt für Schritt. In der Umsetzung der Studierenden übernimmt der Coding Agent genau diese Rolle und orchestriert die MCP-Tools hochgradig autonom:
- Verstehen statt nur Ausführen: Der Agent liest die technischen Beschreibungen der zur Verfügung gestellten Tools und interpretiert den User Intent. Wenn der Nutzer sagt: ‚Erstelle eine Prognose für die Umsatzdaten’, versteht der Agent, welche Schritte dafür nötig sind.
- Repo-Suche: Der Agent durchsucht das lokale Repository selbständig nach passenden CSV-Dateien. Der Nutzer muss nicht einmal den exakten Dateipfad kennen.
- Sinnvolle Reihenfolge: Er ruft die Tools in einer logischen Kette auf (erst Daten bereinigen, dann Events suchen, dann forecasten) und reagiert dynamisch auf die Rückmeldungen der Tools.
- Rückfragen bei Unklarheit: Stößt der Agent auf Ambiguitäten – etwa zwei ähnlich klingende Dateien oder fehlende Parameter – bleibt er nicht stehen, sondern fragt gezielt beim Nutzer nach.
Die 3 Säulen von Birte 2.0
Die Studierenden hatten die Aufgabe, auf Basis unserer virtuelle KI-Assistentin Birte neue Fähigkeiten zu entwickeln. Als intuitive Chatoberfläche für unser Forecasting-Backend ermöglicht Birte bereits den Datenupload per Drag-and-Drop und liefert Prognosen auf simple Zuruf-Befehle (z. B. ‚Erstelle Forecasts für 14 Tage’) – ganz ohne technisches Fachvokabular.
Darauf aufbauend sind drei MCP-Tools entstanden, die spezifische Probleme beim Forecasting lösen:
1. Intelligentes Data Preprocessing
Das Problem: Daten liegen in der Realität fast nie so vor, wie ein Forecasting-Algorithmus sie benötigt. Formate sind inkonsistent, Trennzeichen falsch oder Spalten unbenannt.
Die Lösung: Das entwickelte Preprocessing-Tool nimmt rohe CSV-Dateien entgegen und bereitet sie automatisch auf. Es erkennt Formate, bereinigt Spalten und speichert essenzielle Metadaten für das spätere Forecasting ab. Gibt es Unsicherheiten bei der Struktur, kann das Tool Rückfragen initiieren, die dann vom Coding Agent oder dem User geklärt werden. Das Ergebnis ist eine saubere Datengrundlage – allein durch die Anweisung: ‚Bereite meine csv-Datei vor.'
2. Event-Suche & Kontextualisierung
Das Problem: Reine Zahlenreihen sind blind für die Außenwelt. Ein plötzlicher Preisanstieg lässt sich oft nicht rein mathematisch erklären, sondern hat externe Ursachen (z. B. politische Entscheidungen).
Die Lösung: Eine gezielte Eventsuche. Der Agent nutzt dieses Tool, um Nachrichtenquellen nach Ereignissen zu durchsuchen, die die Daten beeinflusst haben könnten (z. B. ‚Suche nach Einflussfaktoren für Rezyklatpreise’). Das Tool liefert nicht nur Nachrichten, sondern versucht auch, eine erste Einschätzung über die Stärke des Einflusses auf die Zeitreihe zu geben. Aus einer “dummen” Zeitreihe wird so eine kontextreiche Analyse.
3. Forecasting mit futureEXPERT
Das Problem: Professionelles Forecasting erfordert oft die Auswahl komplexer Parameter. Welcher Horizont ist sinnvoll? Welche Methode passt zu den Daten?
Die Lösung: Die Studierenden haben die Power von futureEXPERT in ein MCP-Tool verpackt. Der Agent nutzt die im Preprocessing gewonnenen Metadaten, um den API-Aufruf vorzukonfigurieren. Bei geschäftsrelevanten Parametern, wie dem Vorhersagehorizont, tritt der Agent in Interaktion mit dem User. So wird professionelles Forecasting zugänglich gemacht, ohne Code schreiben zu müssen.
Warum Forecasting mit Agenten?
Warum sollte man einen Agenten diese Aufgaben erledigen lassen? Die Antwort: Die Einstiegshürde wird massiv gesenkt.
Bisher erforderte professionelles Forecasting oft tiefes technisches Verständnis und das Studium umfangreicher Dokumentationen. Mit futureEXPERT werden zwar bereits sinnvolle Methoden automatisch gewählt, doch der Weg dahin führte meist über das Schreiben von Code. Durch den Einsatz von MCPs und Agenten ändert sich das:
- Keine Dokumentation nötig: Der Agent kennt die Tools bereits. Er weiß, welche Parameter futureEXPERT benötigt und wie die Daten übergeben werden müssen.
- Natürliche Sprache als Interface: Der User formuliert sein Ziel einfach umgangssprachlich. Der Agent übersetzt dies in präzise API-Aufrufe.
- Effizienz & Fehlerkorrektur: Der Agent kann Fehler selbstständig erkennen oder Parameter anpassen, ohne dass der Nutzer manuell eingreifen muss.
Impulse aus Forschung und Lehre
Dieses Projekt zeigt uns einmal mehr, wie wertvoll der Austausch mit der Wissenschaft ist. Es geht uns dabei nicht nur um Wissensvermittlung, sondern vor allem darum, frische Impulse zu erhalten, aber auch umgekehrt Impulse aus der Industrie in die Hochschulen zu geben.
Wir haben den Studierenden der HAW Kiel bewusst viel Freiheit bei der Architektur gelassen. Es ist inspirierend zu sehen, mit welcher Selbstverständlichkeit die Studenten futureEXPERT als Fundament nutzen, um darauf völlig neue, agentenbasierte Workflows zu errichten. Das zeigt uns, dass unsere Technologie eine robuste Basis ist, die auch zukünftige Generationen von Data Scientists begeistert und zu eigenen Lösungen anregt.
Fazit: MCP macht skalierbares Forecasting flexibel und zugänglich
Ein herzliches Dankeschön an das Studierenden-Team für die Entwicklung des MCP-Servers. Dieser faszinierender Proof of Concept zeigt, dass die Kombination aus der Forecasting Power von futureEXPERT und der Flexibilität von MCP mächtige Werkzeuge schafft, die komplexe Data-Science-Aufgaben einfach machen.
Wir nehmen diese Impulse gerne auf, um Forecasting durch die Verbindung von Forschung und praktischer Anwendung noch zugänglicher zu machen.
Auch Sie möchten endlich aus Buzzwords echte KI-Lösungen machen?