Agentic AI
Agentic AI bezieht sich auf KI-Systeme, die darauf ausgelegt sind, autonom Ziele zu verfolgen, Entscheidungen zu treffen und Aktionen in dynamischen Umgebungen auszuführen, oft mit minimaler menschlicher Intervention.
Agentic AI stellt einen Paradigmenwechsel in der künstlichen Intelligenz dar, der über passive Datenverarbeitung hinausgeht hin zu aktiven, zielgerichteten Entitäten. Im Kern zeichnet sich ein agentic AI-System durch seine Fähigkeit aus, seine Umgebung wahrzunehmen, seine Beobachtungen zu analysieren, eine Aktionssequenz zu planen und diese Aktionen autonom auszuführen, um vordefinierte Ziele zu erreichen. Dies beinhaltet ein ausgeklügeltes Zusammenspiel mehrerer KI-Teilbereiche. Die Wahrnehmung wird typischerweise durch Sensor-Inputs gehandhabt, die von Rohdatenströmen (z. B. Sensorwerte, Benutzereingaben) bis hin zu verarbeiteten Informationen aus anderen KI-Modellen (z. B. Computer Vision, Natural Language Processing) reichen können. Schlussfolgerung und Planung nutzen oft Techniken wie symbolische Logik, probabilistische grafische Modelle oder zunehmend Large Language Models (LLMs), die kohärente Pläne und Strategien generieren können. Entscheidungsfindung ist eine kritische Komponente, bei der der Agent die optimale Aktion aus einer Reihe von Möglichkeiten auswählen muss, oft unter Unsicherheit oder bei unvollständigen Informationen. Dies kann Reinforcement Learning (RL) beinhalten, bei dem der Agent durch Versuch und Irrtum lernt, indem er ein Belohnungssignal maximiert, oder komplexere Planungsalgorithmen wie Monte Carlo Tree Search (MCTS). Der 'agentic'-Aspekt impliziert ein gewisses Maß an Selbststeuerung und Initiative; die KI führt nicht bloß vorprogrammierte Anweisungen aus, sondern sucht aktiv nach Wegen, ihre Ziele zu erfüllen. Kompromisse beim Design von agentic AI umfassen die Komplexität der Implementierung robuster Wahrnehmungs- und Schlussfolgerungssysteme, die Herausforderung, Sicherheit und Ausrichtung an menschlichen Werten zu gewährleisten (insbesondere in offenen Umgebungen) und die Rechenressourcen, die für kontinuierlichen Betrieb und Lernen erforderlich sind. Das Spektrum reicht von einfachen reaktiven Agenten bis hin zu hochkomplexen, deliberativen Agenten, die zu langfristiger strategischer Planung und Anpassung fähig sind.
graph LR
Center["Agentic AI"]:::main
Pre_computer_science["computer-science"]:::pre --> Center
click Pre_computer_science "/terms/computer-science"
Rel_ai_agent["ai-agent"]:::related -.-> Center
click Rel_ai_agent "/terms/ai-agent"
Rel_artificial_intelligence["artificial-intelligence"]:::related -.-> Center
click Rel_artificial_intelligence "/terms/artificial-intelligence"
Rel_ai_automation["ai-automation"]:::related -.-> Center
click Rel_ai_automation "/terms/ai-automation"
classDef main fill:#7c3aed,stroke:#8b5cf6,stroke-width:2px,color:white,font-weight:bold,rx:5,ry:5;
classDef pre fill:#0f172a,stroke:#3b82f6,color:#94a3b8,rx:5,ry:5;
classDef child fill:#0f172a,stroke:#10b981,color:#94a3b8,rx:5,ry:5;
classDef related fill:#0f172a,stroke:#8b5cf6,stroke-dasharray: 5 5,color:#94a3b8,rx:5,ry:5;
linkStyle default stroke:#4b5563,stroke-width:2px;
🧒 Erkläre es wie einem 5-Jährigen
Stell dir ein super schlaues Roboter-Spielzeug vor, das selbst entscheiden kann, womit es spielt, um die beste Burg zu bauen, ohne dass du ihm jeden einzelnen Schritt sagst.
🤓 Expert Deep Dive
Experten-Deep-Dive:
Agentic AI stellt einen Paradigmenwechsel von traditioneller, aufgabenbezogener KI zu Systemen dar, die emergente Autonomie und Zielorientierung aufweisen. Im Kern zeichnet sich eine agentische KI durch eine hochentwickelte interne Schleife aus, die Wahrnehmung, Schlussfolgerung, Planung und Aktion umfasst.
Wahrnehmung: Dies beinhaltet das Erfassen und Interpretieren der Umgebung durch verschiedene Modalitäten (z. B. Sensoren, Datenströme, Benutzereingaben). Diese Wahrnehmung ist nicht nur reaktiv; sie ist kontextualisiert und beinhaltet oft probabilistische Modellierung zur Bewältigung von Unsicherheiten.
Schlussfolgerung: Agentische Systeme nutzen fortschrittliche Schlussfolgerungsmechanismen, die logische Inferenz, probabilistische grafische Modelle, Wissensgraphen und zunehmend große Sprachmodelle (LLMs) für symbolische Manipulation und Common-Sense-Verständnis umfassen können.
Planung: Dies ist ein entscheidender Unterscheidungsfaktor. Agentic AI beschäftigt sich mit mehrstufiger Planung, prognostiziert zukünftige Zustände und Konsequenzen potenzieller Aktionen. Techniken wie Monte-Carlo-Baumsuche (MCTS), hierarchische Aufgabennetze (HTNs) und Reinforcement-Learning-(RL)-Policies werden eingesetzt, um optimale oder zufriedenstellende Aktionssequenzen für langfristige Ziele zu generieren.
Aktion: Der Agent führt geplante Aktionen in seiner Umgebung aus. Diese Ausführung ist oft iterativ und speist sich zurück in die Wahrnehmungs-Schlussfolgerungs-Schleife, was Anpassung und Korrektur als Reaktion auf Umweltveränderungen oder unerwartete Ergebnisse ermöglicht.
Schlüsseltechnologien sind Reinforcement Learning (insbesondere Deep RL), optimale Steuerungstheorie, Bayes'sche Inferenz und hochentwickelte Entscheidungsfindungs-Frameworks. Die Entwicklung wird durch den Bedarf an KI vorangetrieben, die mit minimaler menschlicher Aufsicht in dynamischen, offenen Umgebungen agieren kann, komplexe, vielschichtige Ziele verfolgt, die strategische Voraussicht und kontinuierliche Anpassung erfordern, und über einfache Reiz-Reaktions-Mechanismen hinausgeht.