Nutzung von generativer KI im Content-Marketing und Vertrieb mit einem System von Agenten

In der Geschäftswelt ist generative KI zu einem Modewort geworden, und jeder möchte auf den Zug der „KI-gestützten“ Unternehmen aufspringen. Als Data Scientist aus der Zeit vor ChatGPT stimmt mich das traurig, denn generative Modelle gab es schon lange bevor ChatGPT sie demokratisierte und kommerzialisierte. Allerdings waren sie auf die Forschungsgemeinschaft oder einige hochmoderne KI-Startups beschränkt. Heutzutage, mit Open AI, LLangChain und LlamaIndex, gibt es nichts mehr „Magisches“ an generativer KI. Sie ist aktuell eine der grundlegendsten Anforderungen für die Rolle des Data Scientists, selbst wenn sie die grundlegenden KI/ML-Konzepte nicht verstehen!

Vor kurzem wurde ich gebeten, Anwendungsfälle für generative KI im Content-Marketing und Vertrieb für ein E-Commerce-Unternehmen zu entwickeln. Das ließ meine Produkt-Data-Scientist-Säfte fließen!

Als Produkt-Data-Scientist betrachtete ich dieses Problem aus einer Produktperspektive. Welches Problem versuchte ich für dieses Unternehmen zu lösen?

Unternehmen, die ihren Marketingprozess an externe Marketingagenturen auslagern, sehen sich mit folgenden Problemen konfrontiert:

1. Die Vorlaufzeit für die Erstellung der Leistungen ist lang und unvorhersehbar.
2. Die Qualität der Leistungen ist nicht immer zufriedenstellend.
3. Es gibt nicht genügend Ressourcen, um alle Kampagnen abzudecken.
4. Mangelnde Automatisierung der Prozesse
5. Hohe Produktionskosten

Automatisierte generative KI-Lösung für Content-Marketing

Content-Marketing ist ein perfekter Anwendungsfall für generative KI. Da generative KI-Modelle in der Erzeugung von Ausgaben basierend auf einer gegebenen Eingabe exzellieren, eignen sie sich gut für Domänen, die Informationsverarbeitung oder Content-Erstellung erfordern. Und dank der heutzutage produzierten Large Language Models ist sogar Kreativität garantiert!

Ein Multi-Agenten-System

Ich habe die für die digitale Content-Erstellung erforderlichen Schritte wie folgt aufgeteilt:

1. Marktforschung: Verständnis des Produktumfelds, aufkommender Kunden- oder Produkttrends und Ermittlung von Marktlücken sind einige der Aufgaben der Marktforschung.
2. Kampagnen-Generierung: Basierend auf den oben identifizierten Trends muss das Marketing-Team Ideen für (digitale) Marketing-Kampagnen entwickeln.
3. Content-Erstellung: Die Kampagnen müssen in vollständige Kampagnen inklusive Plattformauswahl und möglichem Drehbuchentwurf umgesetzt werden.

Natürlich können die Aufgaben noch weiter unterteilt werden. Ich wollte jedoch zunächst einen Proof-of-Concept erstellen und darauf aufbauen. Daher habe ich mich für die oben genannte Aufteilung der Aufgaben entschieden.

Proof of Concept

Für meinen PoC habe ich einen einfachen generativen KI-Stack mit einer einfachen Front-End-Schnittstelle zur Eingabe von Prompts und einem generativen KI-Modell auf der Unterseite gewählt.

Front-End: Für die Benutzeroberfläche habe ich die altbewährte Streamlit-Bibliothek verwendet.

Generative KI: Für das LLM-Modell selbst habe ich die Open-Source-Bibliothek Crew AI verwendet, die die Erstellung und Orchestrierung mehrerer generativer KI-Agenten sehr einfach macht.

LLM: Crew AI dient als Wrapper über LLMs. Das standardmäßig von Crew AI angebotene LLM ist GPT-3.5, für das ich mich entschieden habe.

Hier ist der Schritt-für-Schritt-Code, den ich zur Erstellung meines Multi-Agenten-Marketing-Systems verwendet habe:

Schritt 1: Importieren der erforderlichen Bibliotheken

import streamlit as st
import openai
from crewai import Agent, Task, Crew, Process
import os
from langchain.llms import Ollama, OpenAI
from langchain.chat_models import ChatOpenAI

Schritt 2: Aktivierung von Open AIs LLM mit API-Schlüssel

llm=ChatOpenAI(model_name="gpt-3.5-turbo", openai_api_key='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')

Schritt 3: Erstellen jedes Agenten im System

market_researcher = Agent(
role = 'Market Researcher',
goal='Research new and emerging trends in pet products industry in Germany',
backstory = 'You are a market researcher in the pet product industry',
verbose= True,
allow_delegation= False,
llm=llm
)
campaign_creator =  Agent(
role = 'Marketing Campaign Creator',
goal='Come up with 3 interesting marketing campaign ideas in the pet product industry based on market research insights',
backstory = 'You are a marketing campaign planner in the pet product industry',
verbose= True,
allow_delegation= False,
llm=llm
)
digital_marketer =  Agent(
role = 'Digital Marketing Content Creator',
goal='Come up with 2 or 3 interesting advertisement ideas for marketing on digital platforms such as Youtube, Instagram amd Tiktok along with script for each marketing campaign',
backstory = 'You are a marketing marketer specialising in performance marketing in the pet product industry',
verbose= True,
allow_delegation= False,
llm=llm
)

Für jeden Agenten müssen wir die Rolle, den Zweck oder das Ziel des Agenten definieren, ihm eine Hintergrundgeschichte (Personifizierungsprompt) geben sowie das LLM, auf dem er basieren soll.

Schritt 4: Angabe der erforderlichen Prompts als Aufgaben

prompt = st.text_area("What Market Research Task would You like me to do Today?")
task1 = Task(description=prompt, agent=market_researcher)
prompt = st.text_area("What Marketing Campaigns would You like me to come up with Today?")
task2 = Task(description=prompt, agent=campaign_creator)
prompt = st.text_area("What Digital Marketing Content would You like me to generate Today?")
task3 = Task(description=prompt, agent=digital_marketer)

Jeder Agent benötigt ein Prompt, um zu erkennen, welchen Inhalt er generieren soll.

Schritt 5: Synchronisieren der Agenten

crew = Crew(
agents=[market_researcher,campaign_creator,digital_marketer],
tasks=[task1,task2,task3],
verbose = 2,
process = Process.sequential
)

Aktuell erlaubt Crew AI nur eine sequentielle Planung von Agenten. Daher müssen wir die Liste der Agenten und Aufgaben in der Reihenfolge angeben, in der sie ausgeführ. Schritt 6: Den Prozess starten

crew.kickoff()

Dieser Befehl startet den Prozess der Content-Generierung durch jeden Agenten basierend auf den übergebenen Prompts/Aufgaben.

Dies ist der gesamte Code:

import streamlit as st
from crewai import Agent, Task, Crew, Process
from langchain.chat_models import ChatOpenAI

st.subheader("Marketing Ideen- und Content-Generator")
llm=ChatOpenAI(model_name="gpt-3.5-turbo", openai_api_key='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')

# Agenten definieren
market_researcher = Agent(
role = 'Market Researcher', 
goal='Research new and emerging trends in pet products industry in Germany',
backstory = 'You are a market researcher in the pet product industry',
verbose= True,
allow_delegation= False,
llm=llm
)

campaign_creator =  Agent(
role = 'Marketing Campaign Creator',
goal='Come up with 3 interesting marketing campaign ideas in the pet product industry based on market research insights',
backstory = 'You are a marketing campaign planner in the pet product industry', 
verbose= True,
allow_delegation= False,
llm=llm
)

digital_marketer =  Agent(
role = 'Digital Marketing Content Creator',
goal='Come up with 2 or 3 interesting advertisement ideas for marketing on digital platforms such as Youtube, Instagram amd Tiktok along with script for each marketing campaign',
backstory = 'You are a marketing marketer specialising in performance marketing in the pet product industry',
verbose= True,
allow_delegation= False,
llm=llm
)

# Aufgaben definieren
prompt = st.text_area("Welche Marktforschungsaufgabe soll ich heute erledigen?")
task1 = Task(description=prompt, agent=market_researcher)

prompt = st.text_area("Welche Marketing-Kampagnen soll ich heute entwickeln?") 
task2 = Task(description=prompt, agent=campaign_creator)

prompt = st.text_area("Welchen digitalen Marketing-Content soll ich heute generieren?")
task3 = Task(description=prompt, agent=digital_marketer)

# Crew erstellen
crew = Crew(
agents=[market_researcher,campaign_creator,digital_marketer],
tasks=[task1,task2,task3],
verbose = 2,
process = Process.sequential
)

# Anfrage beantworten
if st.button("Generieren"):
    with st.spinner("Generiere Antwort..."):
        st.write(crew.kickoff())
        st.write(task1.output)
        st.write(task2.output)
        st.write(task3.output)

Die Ausgabe

Die Benutzeroberfläche

Die Prompts/Aufgaben

Die Ausgabe des Crews

Fazit

Im Zeitalter der generativen KI wurde die Kreativbranche auf viele Arten revolutioniert. Was ich demonstriert habe, ist nur einer von vielen Anwendungsfällen.

Immer mehr vor- und nachgelagerte Aufgaben können in die Crew integriert werden, um einen vollständig automatisierten End-to-End-Prozess zu schaffen, der komplett von den generativen KI-Agenten erstellt wurde.