Fassen Sie diesen Blogbeitrag wie folgt zusammen:
Anmerkung der Redaktion: Die meisten Leitfäden zu agentenbasierter KI enden bei der Frage „Was ist ein Agent?“. Dieser Blog geht eine Ebene tiefer in die Architektur: die vier Module, die jeder Agent tatsächlich benötigt, und wie sie in realen Systemen wie Flugumbuchungen und Bestandsanpassungen zum Einsatz kommen.
Die Architektur hinter agentischer KI
Vereinfacht ausgedrückt ist agentenbasierte KI die Ebene über generativer KI. Während ein GenAI-Modell auf Anfrage Ergebnisse liefert, entscheidet ein Agent, was zu tun ist, ruft die benötigten Werkzeuge auf und lernt aus dem Ergebnis. Dieser gesamte Kreislauf basiert auf vier Modulen: Wahrnehmung, Schlussfolgerung, Handlung und Lernen.
Im Folgenden werden alle Punkte anhand von Beispielen erläutert.
Diskussion über die agentische Evolution im Microsoft AI Horizon
Um autonom Entscheidungen treffen und handeln zu können, nutzen KI-Systeme eine Kombination verschiedener Technologien. Dazu gehören maschinelles Lernen, natürliche Sprachverarbeitung und Automatisierung. Diese komplexe Kombination ermöglicht es der KI, komplexe Situationen zu verstehen und darauf zu reagieren – ähnlich wie beim Menschen, der über ein vergleichbares Denkvermögen und eine ebensolche Anpassungsfähigkeit verfügt.
Zum besseren Verständnis unterteilen wir die Funktionsweise in vier Schritte.
Agentische KI-Architektur
Anders als herkömmliche KI-Systeme oder LLMs, die auf menschliche Eingaben warten, kombiniert und verknüpft die Wahrnehmungs-Engine aktiv Informationen aus verschiedenen Quellen gleichzeitig. Man kann sie sich als sensorischen Cortex der KI vorstellen, der multimodale Verarbeitung ermöglicht und Text-, Bild- und strukturierte Daten mithilfe transformatorbasierter Architekturen kombiniert.
Beispielsweise würde die Wahrnehmungs-Engine beim oben erwähnten Inventaragenten die Lagerbestände überwachen, indem sie auf die Lagerbestandsdaten zugreift und das System alarmiert, wenn diese sinken.
Angesichts der zunehmenden Effizienz der Denk- und Planungsfähigkeiten von LLMs bilden diese den Kern der Agenten. Sie sollten Folgendes können:
- Ziele in überschaubare Teilziele unterteilen
- Identifizieren Sie potenzielle Hindernisse, bevor sie auftreten
- Entwickeln Sie alternative Ansätze, wenn die ersten Strategien scheitern.
Kehren wir zum Beispiel zurück: Die Ausarbeitung eines Aktionsplans nach dem Rückgang der Lagerbestände, die Auswahl der Lieferanten, die Analyse des möglichen Zeitplans und die Vorauswahl usw. fallen in den Zuständigkeitsbereich des urteilenden Agenten.
Herkömmliche KI und Automatisierungssysteme arbeiten mit vordefinierten Arbeitsabläufen. Agenten hingegen sind durch die Anbindung an mehrere Systeme und Tools eigenständig handlungsfähig. Sie pflegen API-Verbindungen zu verschiedenen Systemen gleichzeitig, implementieren ausgefeilte Rücksetzmechanismen für fehlgeschlagene Aktionen und handeln bedarfsorientiert.
Um auf das Beispiel zurückzukommen: Dies ist der Teil, in dem der Agent eine Bestellung beim Lieferanten aufgibt oder eine Genehmigung des Benutzers für die Bestellung einholt (basierend auf dem, was als Aktionsplan definiert ist).
Hier zeigt die agentenbasierte KI ihre wahre Stärke. Es handelt sich um die Rückkopplungsschleife oder das „Daten-Schwungrad“, in dem die aus den Interaktionen generierten Daten in das System eingespeist werden, um die Modelle zu verbessern. So funktioniert es:
Priorisierung von Erlebnissen
Hier ermittelt der Algorithmus, welche Erfahrungen für das Lernen wertvoller sind. | Kontinuierliche Modellaktualisierungen
Passt das Verhalten an Erfolgsquoten und sich ändernde Bedingungen an. | | Aufgabenübergreifendes Lernen
Wendet Erkenntnisse aus einem Bereich an, um die Leistung in anderen Bereichen zu verbessern
|
Da die Rahmenbedingungen und Prozesse für agentenbasierte KI noch relativ neu sind, bilden diese vier Prozesse die Grundstruktur für die Erstellung eines Agenten. Mit zunehmender Komplexität der Geschäftsanforderungen entwickelt sich dieses Implementierungsframework für agentenbasierte KI weiter, um fortgeschrittenere und skalierbarere Anwendungsfälle zu unterstützen – lassen Sie uns diese Entwicklung nun genauer betrachten.
Die oben beschriebene Architektur mit vier Modulen bildet die Grundlage. Mit zunehmender Reife agentenbasierter Systeme ändert sich, wie viele dieser Module miteinander kombiniert werden und über welche Grenzen hinweg. Unsere Reifegradmodelle für agentenbasierte KI in unserem Wissensportal erläutern das vollständige Fünf-Stufen-Modell. Drei dieser Stufen sind hier anhand von Beispielen besonders aussagekräftig, da sie direkt mit architektonischen Entscheidungen zusammenhängen.
Einzelaufgabenagenten für die Qualitätskontrolle in einer Produktionslinie
Ein Bildverarbeitungsagent, der eine Produktionslinie überwacht, ist die einfachste einsetzbare Architektur. Er läuft ereignisgesteuert, greift bei der Fehlererkennung auf eine REST-API zu und lernt aus den erkannten Mustern. Ein Wahrnehmungsmodul, ein Kern für die Datenverarbeitung, ein Aktionsendpunkt.
Multi-Domain-Orchestrierung für Flugumbuchungen
Wenn ein Passagier umbuchen muss, ist kein einzelner Mitarbeiter für den gesamten Ablauf verantwortlich. Ein Koordinator arbeitet mit verschiedenen Mitarbeitern zusammen, die für Flug, Sitzplatz, Mahlzeiten und Gepäck zuständig sind. Jeder Mitarbeiter durchläuft den kompletten Prozess mit vier Modulen. Der Koordinator entscheidet, welche Antwort sich durchsetzt. Dadurch werden auch unnötige Probleme vermieden: Jeder spezialisierte Mitarbeiter kümmert sich nur um seine Kernkompetenzen.
Beispiel für ein Agentic-KI-System als Flugbuchungsagent Organisationsübergreifendes Ökosystem, wenn Agenten miteinander kommunizieren
Die fortschrittlichste Form ist erreicht, wenn Ihre Mitarbeiter nicht mehr nur mit Ihren eigenen Daten kommunizieren, sondern auch mit den Mitarbeitern anderer Unternehmen. Mitarbeiter im Einkauf verhandeln mit Mitarbeitern der Lieferanten. Kundendienstmitarbeiter sprechen mit Mitarbeitern der Logistik. Diese Ebene der „Mitarbeiter-zu-Mitarbeiter“-Kommunikation verändert die Struktur eines Unternehmenssystems grundlegend.
Wo dies in das vollständige fünfstufige Reifegradmodell passt, erfahren Sie unter Agentic AI Maturity Stages .
Wir erleben gerade einen historischen Moment. Obwohl wir uns noch in der Anfangsphase befinden, schreitet die Entwicklung rasant voran. Es wird erwartet, dass bis 2028 fast ein Drittel der Unternehmen diese KI-Systeme in ihre täglichen Abläufe integrieren werden. Das ist schon bald Realität!
Man kann es sich so vorstellen: Wir entwickeln uns von digitalen Assistenten zu digitalen Kollegen. Das mag im Moment noch etwas abwegig klingen, doch Unternehmen, die zu lange mit der Anpassung warten, laufen Gefahr, den Anschluss zu verlieren. Egal, ob Sie einfach nur neugierig sind, was ein aufgabenspezifischer Agent für Ihren Kundenservice leisten könnte, oder ob Sie bereit sind, in komplexe, domänenübergreifende Lösungen einzutauchen – jetzt ist der richtige Zeitpunkt, sich damit auseinanderzusetzen.
Und genau hier setzen wir von Polestar Analytics an. Wir implementieren nicht nur Technologie, sondern entwickeln Agenten, die Unternehmen helfen, sich in diesem neuen Umfeld souverän und zielgerichtet zu bewegen. Nutzen Sie also diese Chance und handeln Sie jetzt, bevor sie verstreicht und Ihre Wettbewerber die Oberhand gewinnen.