Was sind KI-Agenten?

Ein Agent für künstliche Intelligenz (KI) ist ein Softwareprogramm, das mit seiner Umgebung interagieren, Daten sammeln und diese Daten verwenden kann, um selbstgesteuerte Aufgaben auszuführen, die vorgegebene Ziele erfüllen. Menschen setzen sich Ziele, aber ein KI-Agent wählt unabhängig die besten Aktionen aus, die er ausführen muss, um diese Ziele zu erreichen. Stellen Sie sich beispielsweise einen KI-Agenten im Kontaktzentrum vor, der Kundenanfragen lösen möchte. Der Agent stellt dem Kunden automatisch verschiedene Fragen, sucht nach Informationen in internen Dokumenten und antwortet mit einer Lösung. Basierend auf den Kundenantworten bestimmt er, ob er die Anfrage selbst lösen oder an einen Menschen weitergeben kann.

Mehrere KI-Agenten können zusammenarbeiten, um komplexe Arbeitsabläufe zu automatisieren, und können auch in agentischen KI-Systemen eingesetzt werden. Sie tauschen Daten miteinander aus, sodass das gesamte System zusammenarbeiten kann, um gemeinsame Ziele zu erreichen. Einzelne KI-Agenten können darauf spezialisiert werden, bestimmte Unteraufgaben mit Genauigkeit auszuführen. Ein Orchestrator-Agent koordiniert die Aktivitäten verschiedener Fachagenten, um größere, komplexere Aufgaben zu erledigen.

Erfahren Sie mehr darüber, was künstliche Intelligenz (KI) ist

Jede Software führt autonom verschiedene Routineaufgaben aus, die vom Softwareentwickler festgelegt werden. Also, was macht KI-Agenten so besonders?

Autonomie

KI-Agenten agieren autonom, ohne ständiges menschliches Eingreifen. Während herkömmliche Software fest codierten Anweisungen folgt, identifizieren KI-Agenten die nächste geeignete Aktion auf der Grundlage vergangener Daten und führen sie ohne ständige menschliche Aufsicht aus.

Beispielsweise kennzeichnet ein Buchhaltungsagent automatisch fehlende Rechnungsdaten für Käufe und fordert sie an.

Zielorientiertes Verhalten

KI-Agenten werden von Zielen geleitet. Ihr Handeln zielt darauf ab, den Erfolg zu maximieren, wie er durch eine Nutzenfunktion oder Leistungsmetrik definiert wird. Im Gegensatz zu herkömmlichen Programmen, die lediglich Aufgaben erledigen, verfolgen intelligente Agenten Ziele und bewerten die Konsequenzen ihres Handelns in Bezug auf diese Ziele.

Beispielsweise optimiert ein KI-Logistiksystem die Lieferrouten, um Geschwindigkeit, Kosten und Kraftstoffverbrauch gleichzeitig auszugleichen und so mehrere Ziele abzuwägen.

Wahrnehmung

KI-Agenten interagieren mit ihrer Umgebung, indem sie Daten über Sensoren oder digitale Eingaben sammeln. Sie können Daten von externen Systemen und Tools über APIS sammeln. Diese Daten ermöglichen es ihnen, die Welt um sie herum wahrzunehmen, Veränderungen zu erkennen und ihren inneren Zustand entsprechend zu aktualisieren.

Cybersicherheitsagenten sammeln beispielsweise Daten aus Datenbanken von Drittanbietern, um über die neuesten Sicherheitsvorfälle auf dem Laufenden zu bleiben.

Rationalität

KI-Agenten sind rationale Entitäten mit Argumentationsfähigkeiten. Sie kombinieren Daten aus ihrer Umgebung mit Fachwissen und früheren Kontexten, um fundierte Entscheidungen zu treffen und optimale Leistung und Ergebnisse zu erzielen.

Beispielsweise sammelt ein Roboteragent Sensordaten, und ein Chatbot verwendet Kundenanfragen als Eingabe. Der KI-Agent wendet die Daten an, um eine fundierte Entscheidung zu treffen. Er analysiert die gesammelten Daten, um die besten Ergebnisse vorherzusagen, die vorgegebene Ziele unterstützen. Der Agent verwendet die Ergebnisse auch, um die nächste Aktion zu formulieren, die er ergreifen sollte. Beispielsweise navigieren selbstfahrende Autos auf der Grundlage von Daten mehrerer Sensoren um Hindernisse auf der Straße herum.

Proaktivität

KI-Agenten können auf der Grundlage von Prognosen und Modellen zukünftiger Staaten Initiativen ergreifen. Anstatt einfach auf Eingaben zu reagieren, antizipieren sie Ereignisse und bereiten sich entsprechend vor.

Beispielsweise könnte sich ein KI-gestützter Kundendienstmitarbeiter an einen Benutzer wenden, dessen Verhalten auf Frustration hindeutet, und Hilfe anbieten, bevor ein Support-Ticket eingereicht wird. Autonome Lagerroboter könnten sich in Erwartung bevorstehender stark frequentierter Operationen neu positionieren.

Kontinuierliches Lernen

KI-Agenten verbessern sich im Laufe der Zeit, indem sie aus früheren Interaktionen lernen. Sie identifizieren Muster, Feedback und Ergebnisse, um ihr Verhalten und ihre Entscheidungsfindung zu verfeinern. Dies unterscheidet sie von statischen Programmen, die sich unabhängig von neuen Eingaben immer gleich verhalten.

Zum Beispiel lernen Mitarbeiter für vorausschauende Wartung aus vergangenen Geräteausfällen, um zukünftige Probleme besser vorhersagen zu können.

Anpassungsfähigkeit

KI-Agenten passen ihre Strategien an neue Umstände an. Diese Flexibilität ermöglicht es ihnen, mit Unsicherheiten, neuartigen Situationen und unvollständigen Informationen umzugehen.

Zum Beispiel passt ein Börsen-Bot seine Strategie während eines Marktcrashs an, während ein Spielagent wie AlphaZero im Selbstspiel neue Taktiken entdeckt, auch ohne vorherige menschliche Strategien.

Zusammenarbeit

KI-Agenten können mit anderen Agenten oder menschlichen Agenten zusammenarbeiten, um gemeinsame Ziele zu erreichen. Sie sind in der Lage zu kommunizieren, zu koordinieren und zusammenzuarbeiten, um Aufgaben gemeinsam zu erledigen. Ihr kooperatives Verhalten beinhaltet oft Verhandlungen, den Informationsaustausch, die Zuweisung von Aufgaben und die Anpassung an die Handlungen anderer.

So können beispielsweise in Systemen mit mehreren Agenten im Gesundheitswesen Agenten eingesetzt werden, die sich auf bestimmte Aufgaben wie Diagnose, Vorsorge, Medikamentenplanung usw. spezialisiert haben, um die Patientenversorgung ganzheitlich zu automatisieren.

KI-Agenten können Ihre Geschäftsabläufe und das Erlebnis Ihrer Kunden verbessern.

Verbesserte Produktivität

Teams in Unternehmen sind produktiver, wenn sie sich wiederholende Aufgaben an KI-Agenten delegieren. Auf diese Weise können sie ihre Aufmerksamkeit auf unternehmenskritische oder kreative Aktivitäten lenken und so einen Mehrwert für ihr Unternehmen schaffen.

Reduzierte Kosten

Unternehmen können intelligente Agenten einsetzen, um unnötige Kosten zu minimieren, die durch Prozessineffizienzen, menschliche Fehler und manuelle Prozesse entstehen. Sie können komplexe Aufgaben souverän bewältigen, da autonome Agenten einem konsistenten Modell folgen, das sich an sich ändernde Umgebungen anpasst. Agententechnologie, die Geschäftsprozesse automatisiert, kann zu erheblichen Kosteneinsparungen führen.

Informierte Entscheidungsfindung

Fortschrittliche intelligente Agenten verfügen über prädiktive Funktionen und können riesige Mengen an Echtzeitdaten sammeln und verarbeiten. Auf diese Weise können Unternehmensleiter bei der Strategieplanung für ihren nächsten Schritt schnell fundiertere Prognosen treffen. Beispielsweise können Sie KI-Agenten verwenden, um die Produktanforderungen in verschiedenen Marktsegmenten zu analysieren, wenn Sie eine Werbekampagne durchführen.

Verbessertes Kundenerlebnis

Kunden suchen bei der Interaktion mit Unternehmen nach ansprechenden und personalisierten Erlebnissen. Die Integration von KI-Agenten ermöglicht es Unternehmen, Produktempfehlungen zu personalisieren, schnelle Antworten zu geben und Innovationen zu entwickeln, um die Kundenbindung, Konversion und Loyalität zu verbessern. KI-Agenten können detaillierte Antworten auf komplexe Kundenfragen geben und Herausforderungen effizienter lösen.

Eine AI-Agent-Architektur enthält die folgenden Schlüsselkomponenten.

Stiftungsmodell

Im Mittelpunkt eines jeden KI-Agenten steht ein Fundament oder ein großes Sprachmodell (LLM) wie GPT oder Claude. Es ermöglicht dem Agenten, Eingaben in natürlicher Sprache zu interpretieren, menschenähnliche Antworten zu generieren und komplexe Anweisungen zu überdenken. Das LLM fungiert als Argumentationsmaschine des Agenten, verarbeitet Aufforderungen und wandelt sie in Aktionen, Entscheidungen oder Abfragen an andere Komponenten (z. B. Speicher oder Tools) um. Es behält standardmäßig einen Teil des Speichers über Sitzungen hinweg bei und kann mit externen Systemen gekoppelt werden, um Kontinuität und Kontextsensitivität zu simulieren.

Modul Planung

Das Planungsmodul ermöglicht es dem Agenten, Ziele in kleinere, überschaubare Schritte aufzuteilen und diese logisch anzuordnen. Dieses Modul verwendet symbolisches Denken, Entscheidungsbäume oder algorithmische Strategien, um den effektivsten Ansatz für das Erreichen eines gewünschten Ergebnisses zu ermitteln. Es kann als promptgesteuerte Aufgabenzerlegung oder als eher formalisierte Ansätze wie Hierarchical Task Networks (HTNs) oder klassische Planungsalgorithmen implementiert werden. Die Planung ermöglicht es dem Agenten, über längere Zeithorizonte hinweg zu arbeiten und Abhängigkeiten und Eventualitäten zwischen den Aufgaben zu berücksichtigen.

Speichermodul

Das Speichermodul ermöglicht es dem Agenten, Informationen über Interaktionen, Sitzungen oder Aufgaben hinweg zu speichern. Dazu gehören sowohl das Kurzzeitgedächtnis, wie der Chatverlauf oder aktuelle Sensoreingaben, als auch das Langzeitgedächtnis, einschließlich Kundendaten, früherer Aktionen oder gesammeltem Wissen. Das Gedächtnis verbessert die Personalisierung, Kohärenz und Kontextbewusstsein des Agenten. Bei der Entwicklung von KI-Agenten verwenden Entwickler Vektordatenbanken oder Wissensgraphen, um semantisch bedeutsame Inhalte zu speichern und abzurufen.

Integration von Tools

KI-Agenten erweitern ihre Funktionen häufig, indem sie eine Verbindung zu externer Software, APIs oder Geräten herstellen. Dadurch können sie über natürliche Sprache hinaus agieren und reale Aufgaben wie das Abrufen von Daten, das Senden von E-Mails, das Ausführen von Code, das Abfragen von Datenbanken oder das Steuern von Hardware ausführen. Der Agent erkennt, wann für eine Aufgabe ein Tool erforderlich ist, und delegiert den Vorgang dann entsprechend. Die Verwendung des Tools wird in der Regel vom LLM durch Planungs- und Parsing-Module geleitet, die den Toolaufruf formatieren und seine Ausgabe interpretieren.

Lernen und Reflektieren

Reflexion kann in verschiedenen Formen auftreten:

• Der Agent bewertet die Qualität seiner eigenen Ausgabe (z. B. hat er das Problem richtig gelöst?).
• Menschliche Benutzer oder automatisierte Systeme sorgen für Korrekturen.
• Der Agent wählt unsichere oder informative Beispiele aus, um sein Lernen zu verbessern.

Reinforcement Learning (RL) ist ein wichtiges Lernparadigma. Der Agent interagiert mit einer Umgebung, erhält Feedback in Form von Belohnungen oder Strafen und lernt eine Richtlinie, die Staaten Aktionen zuordnet, um die maximale kumulative Belohnung zu erzielen. RL ist besonders nützlich in Umgebungen, in denen explizite Trainingsdaten spärlich sind, wie z. B. Robotik, Spiele oder Finanzhandel. Der Agent balanciert Exploration (Ausprobieren neuer Aktionen) und Ausbeutung (Verwendung bekanntermaßen bester Aktionen), um seine Strategie im Laufe der Zeit zu verbessern.

KI-Agenten vereinfachen und automatisieren komplexe Aufgaben. Die meisten autonomen Agenten folgen einem bestimmten Arbeitsablauf, wenn sie zugewiesene Aufgaben ausführen.

Ziele festlegen

Der KI-Agent erhält eine bestimmte Anweisung oder ein bestimmtes Ziel vom Benutzer. Es verwendet das Ziel, um Aufgaben zu planen, die das Endergebnis für den Benutzer relevant und nützlich machen. Dann unterteilt der Agent das Ziel in mehrere kleinere, umsetzbare Aufgaben. Um das Ziel zu erreichen, führt der Agent diese Aufgaben auf der Grundlage bestimmter Befehle oder Bedingungen aus.

Informationen beschaffen

KI-Agenten benötigen Informationen, um Aufgaben, die sie geplant haben, erfolgreich ausführen zu können. Beispielsweise muss der Agent Gesprächsprotokolle extrahieren, um die Stimmung der Kunden zu analysieren. Daher könnten KI-Agenten auf das Internet zugreifen, um nach den benötigten Informationen zu suchen und diese abzurufen. In einigen Anwendungen kann ein intelligenter Agent mit anderen Agenten oder Modellen für Machine Learning interagieren, um auf Informationen zuzugreifen oder diese auszutauschen.

Aufgaben umsetzen

Mit ausreichenden Daten setzt der KI-Agent die anstehende Aufgabe methodisch um. Sobald eine Aufgabe abgeschlossen ist, entfernt der Agent sie aus der Liste und fährt mit der nächsten fort. Zwischen der Erledigung der Aufgaben bewertet der Agent, ob er das angegebene Ziel erreicht hat, indem er externes Feedback einholt und seine eigenen Protokolle überprüft. Während dieses Vorgangs kann der Agent zusätzliche Aufgaben erstellen und ausführen, um das endgültige Ergebnis zu erzielen. 

Unternehmen erstellen und setzen KI-Agenten für eine Reihe von Typen und Aufgaben ein. Im Folgenden finden Sie einige Beispiele.

Einfache Reflexagenten

Ein einfacher Reflexagent arbeitet strikt nach vordefinierten Regeln und seinen unmittelbaren Daten. Es reagiert nicht auf Situationen, die über ein bestimmtes Ereignis, eine bestimmte Bedingung und eine Aktionsregel hinausgehen. Daher eignen sich diese Agenten für einfache Aufgaben, die kein umfangreiches Training erfordern. Sie können beispielsweise einen einfachen Reflexagenten verwenden, um Passwörter zurückzusetzen, indem Sie bestimmte Schlüsselwörter in der Konversation eines Benutzers erkennen.

Modellgestützter Reflexagenten

Ein modellgestützter Wirkstoff ähnelt einfachen Reflexstoffen, außer dass er über einen fortgeschritteneren Entscheidungsmechanismus verfügt. Anstatt nur einer bestimmten Regel zu folgen, bewertet ein modellgestützter Agent wahrscheinliche Ergebnisse und Konsequenzen, bevor er eine Entscheidung trifft. Mithilfe unterstützender Daten erstellt er ein internes Modell der Welt, die er wahrnimmt, und verwendet es zur Unterstützung seiner Entscheidungen.

Zielgestützte Agenten

Zielbasierte Agenten, auch bekannt als regelbasierte Agenten, sind KI-Agenten, die über robustere Denkfähigkeiten verfügen. Neben der Auswertung der Umweltdaten vergleicht der Agent verschiedene Ansätze, um das gewünschte Ergebnis zu erzielen. Zielgestützte Agenten wählen immer den effizientesten Weg. Sie eignen sich für komplexe Aufgaben wie die natürliche Sprachverarbeitung (NLP) und Robotikanwendungen.

Nutzengestützte Agenten

Ein auf Dienstprogrammen basierender Agent verwendet einen komplexen Argumentationsalgorithmus, um die Benutzer dabei zu unterstützen, das gewünschte Ergebnis zu maximieren. Der Agent vergleicht verschiedene Szenarien und ihre jeweiligen Nutzwerte oder Vorteile. Dann wird eine ausgewählt, die den Benutzern die meisten Belohnungen bietet. So können Kunden beispielsweise ein Reisebüro nutzen, um unabhängig vom Preis nach Flugtickets mit der Mindestreisezeit zu suchen.

Lernende Agenten

Ein Lernagent lernt kontinuierlich aus früheren Erfahrungen, um seine Leistung zu verbessern. Mithilfe sensorischer Input- und Feedback-Mechanismen passt der Agent sein Lernelement im Laufe der Zeit an bestimmte Standards an. Darüber hinaus verwendet es einen Problemgenerator, um neue Aufgaben zu entwerfen, die sich anhand gesammelter Daten und früherer Ergebnisse selbst trainieren.

Hierarchische Agenten

Hierarchische Agenten sind eine organisierte Gruppe intelligenter Agenten, die in Stufen angeordnet sind. Agenten auf höherer Ebene zerlegen komplexe Aufgaben in kleinere und weisen sie Agenten auf niedrigerer Ebene zu. Jeder Agent arbeitet unabhängig und übermittelt seinem betreuenden Agenten einen Fortschrittsbericht. Der übergeordnete Agent sammelt die Ergebnisse und koordiniert untergeordnete Agenten, um sicherzustellen, dass sie gemeinsam Ziele erreichen.

Systeme mit mehreren Agenten

Ein Multiagentensystem (MAS) besteht aus mehreren Agenten, die miteinander interagieren, um Probleme zu lösen oder gemeinsame Ziele zu erreichen. Diese Agenten können homogen (ähnlich im Design) oder heterogen (unterschiedlich in Struktur oder Funktion) sein und können je nach Kontext zusammenarbeiten, koordinieren oder sogar konkurrieren. MAS sind besonders effektiv in komplexen, verteilten Umgebungen, in denen eine zentrale Steuerung nicht praktikabel ist.

In autonomen Fahrzeugflotten fungiert beispielsweise jedes Fahrzeug als unabhängiger Akteur, arbeitet jedoch mit anderen zusammen, um Verkehrsstaus und Kollisionen zu vermeiden, was zu einem reibungsloseren Verkehrsfluss führt.

KI-Agenten sind hilfreiche Softwaretechnologien, die Geschäftsabläufe automatisieren, um bessere Ergebnisse zu erzielen. Davon abgesehen sollten Unternehmen die folgenden Bedenken berücksichtigen, wenn sie autonome KI-Agenten für geschäftliche Anwendungsfälle einsetzen.

Bedenken hinsichtlich des Datenschutzes

Die Entwicklung und der Betrieb fortschrittlicher KI-Agenten erfordern das Erfassen, Speichern und Verschieben riesiger Datenmengen. Unternehmen sollten sich der Datenschutzanforderungen bewusst sein und die notwendigen Maßnahmen ergreifen, um ihre Datensicherheit zu verbessern.

Ethische Herausforderungen

Unter bestimmten Umständen können KI-Modelle zu verzerrten oder ungenauen Ergebnissen führen. Die Anwendung von Schutzmaßnahmen wie menschlichen Bewertungen trägt dazu bei, dass Kunden hilfreiche und faire Antworten von den eingesetzten Agenten erhalten.

Technische Komplexität

Die Implementierung fortschrittlicher KI-Agenten erfordert spezielle Erfahrung und Kenntnisse der Technologien für Machine Learning. Entwickler müssen in der Lage sein, Bibliotheken für Machine Learning in Softwareanwendungen zu integrieren und den Agenten mit unternehmensspezifischen Daten zu schulen.

Eingeschränkte Rechenressourcen

Das Training und der Einsatz von Deep-Learning-KI-Agenten erfordern erhebliche Rechenressourcen. Wenn Unternehmen diese Agenten vor Ort implementieren, müssen sie in eine kostspielige Infrastruktur investieren und diese verwalten, die nicht einfach skalierbar ist.

Amazon Bedrock ist ein vollständig verwalteter Service, der einfachen Zugriff auf branchenführende generative KI-Modelle wie Claude, Llama 2 und Amazon Titan sowie auf eine breite Palette von Funktionen bietet, die für die Entwicklung generativer KI-Anwendungen erforderlich sind.

Amazon Bedrock Agents nutzen die Argumentation von FMs, APIs und Daten, um Benutzeranfragen aufzuschlüsseln, relevante Informationen zu sammeln und Aufgaben effizient zu erledigen. Das Erstellen eines Agenten ist einfach und schnell, und die Einrichtung erfolgt in nur wenigen Schritten. Amazon Bedrock unterstützt:

• Speichererhaltung für nahtlose Aufgabenkontinuität
• Zusammenarbeit mehrerer Agenten zur Zusammenstellung mehrerer spezialisierter Agenten unter der Koordination eines Supervisor-Agenten
• Amazon Bedrock Guardrails für integrierte Sicherheit und Zuverlässigkeit.

AWS hat ein Open-Source-Toolkit mit einem wachsenden Katalog von Starter-Agenten eingeführt, die speziell für Anwendungsfälle im Gesundheitswesen und in den Biowissenschaften entwickelt wurden.

AWS Transform ist der erste agentenbasierte KI-Dienst zur Transformation von .NET-, Mainframe- und VMware-Workloads. Basierend auf 19 Jahren Migrationserfahrung stellt es spezialisierte KI-Agenten bereit, um komplexe Aufgaben wie Beurteilungen, Code-Analyse, Faktorwechsel, Zerlegung, Abhängigkeitszuordnung, Validierung und Transformationsplanung zu automatisieren. Es unterstützt Unternehmen dabei, Hunderte von Anwendungen gleichzeitig zu modernisieren und dabei Qualität und Kontrolle zu gewährleisten.

Amazon Q Business ist ein generativer KI-gestützter Assistent, der Ihnen hilft, Informationen zu finden, Erkenntnisse zu gewinnen und bei der Arbeit Maßnahmen zu ergreifen. Damit liegt die Macht der Erstellung von KI-Agenten in den Händen aller Mitarbeiter. Jeder kann damit leichtgewichtige agentenbasierte KI-Anwendungen erstellen, die mit gängiger Unternehmenssoftware interagieren und sich wiederholende Aufgaben automatisieren.

Beginnen Sie mit KI-Agenten auf AWS, indem Sie noch heute ein kostenloses Konto erstellen.