KI-Agenten
Autonome Systeme, die wahrnehmen, denken und handeln.
Autonome Systeme, die wahrnehmen, denken und handeln.
graph LR
Center["KI-Agenten"]:::main
Pre_artificial_intelligence["artificial-intelligence"]:::pre --> Center
click Pre_artificial_intelligence "/terms/artificial-intelligence"
Pre_reinforcement_learning["reinforcement-learning"]:::pre --> Center
click Pre_reinforcement_learning "/terms/reinforcement-learning"
Pre_large_language_model["large-language-model"]:::pre --> Center
click Pre_large_language_model "/terms/large-language-model"
Rel_automation["automation"]:::related -.-> Center
click Rel_automation "/terms/automation"
Rel_agentic_ai["agentic-ai"]:::related -.-> Center
click Rel_agentic_ai "/terms/agentic-ai"
Rel_generative_ai_agents["generative-ai-agents"]:::related -.-> Center
click Rel_generative_ai_agents "/terms/generative-ai-agents"
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
🤖 KI-Agenten sind wie superintelligente Helfer, die Dinge selbstständig sehen, denken und tun können, um Aufgaben zu erledigen.
🤓 Expert Deep Dive
## Technische Analyse von "KI-Agenten"
KI-Agenten stellen hochentwickelte, für den autonomen Betrieb konzipierte Rechensysteme dar. Im Kern integrieren sie drei kritische Subsysteme: Wahrnehmung, Schlussfolgerung und Aktion.
Das Wahrnehmungssubsystem ist für die Umwelterfassung und -interpretation zuständig. Es nutzt eine vielfältige Palette von Sensoren, darunter Kameras, LiDAR, Mikrofone und digitale Schnittstellen wie APIs und Datenbanken. Die Datenmodalitäten umfassen Bilder, Audio, Text und strukturierte Formate. Rohsensor-Daten durchlaufen eine strenge Vorverarbeitung und Merkmalsextraktion, wobei Techniken wie Deep-Learning-Embeddings, Objekterkennung und Speech-to-Text eingesetzt werden, um eine robuste interne Zustandsrepräsentation zu generieren. Diese Repräsentation kann symbolisch, sub-symbolisch oder probabilistisch sein und ermöglicht die Modellierung der Umgebung und die Zustandschätzung, potenziell unter Einbeziehung fortgeschrittener Konzepte wie Simultaneous Localization and Mapping (SLAM) für Agenten, die in dynamischen Umgebungen operieren.
Das Schlussfolgerungssubsystem bildet die kognitive Engine des Agenten. Es verarbeitet Wahrnehmungseingaben, internes Wissen und definierte Ziele, um optimale Aktionen zu bestimmen. Dies beinhaltet hochentwickelte Entscheidungsfindungsrahmen, die von regelbasierten Systemen und Zustandsautomaten bis hin zu fortgeschrittenen probabilistischen Modellen wie Markov-Entscheidungsprozessen (MDPs) und teilweise beobachtbaren MDPs (POMDPs) reichen. Planungsalgorithmen wie A* und Monte Carlo Tree Search (MCTS) werden oft eingesetzt, neben verschiedenen Paradigmen des Reinforcement Learning (RL) (wertbasiert, politikbasiert, modellbasiert) zum Erlernen optimaler Verhaltensweisen. Techniken der Wissensrepräsentation und -schlussfolgerung (KRR), einschließlich Wissensgraphen und Ontologien, erleichtern den strukturierten Wissenszugriff und die logische Inferenz.
Das Aktionssubsystem übersetzt die abgeleiteten Entscheidungen in greifbare Umwelteingriffe. Dies geschieht durch eine Vielzahl von Aktuatoren und Schnittstellen, die sowohl physische Mechanismen wie Roboterarmaturette als auch digitale Mittel wie API-Aufrufe und GUI-Automatisierung umfassen. Der Aktionsraum kann diskret oder kontinuierlich sein und erfordert eine ausgefeilte Aktionssequenzierung und für physische Agenten eine Trajektoriengenerierung. Closed-Loop-Regelmechanismen, die Rückkopplungsschleifen sowie Fehlererkennungs- und Wiederherstellungsprotokolle nutzen, gewährleisten eine präzise und robuste Ausführung von Aktionen und passen sich an Echtzeit-Umgebungsänderungen an.
Agentenarchitekturen können von modularen Designs, die eine Spezialisierung von Komponenten ermöglichen, bis hin zu End-to-End-Systemen variieren. Der Grad der Autonomie, Robustheit und Erklärbarkeit sind wichtige Designüberlegungen, ebenso wie potenzielle Interaktionen innerhalb von Multi-Agenten-Systemen (MAS), die Protokolle für Koordination, Kommunikation und Verhandlung erfordern.