Was sind KI-Agenten?

Ein KI-Agent ist ein Softwareprogramm, das mit seiner Umgebung interagieren, Daten sammeln und diese Daten nutzen kann, um selbstständig Aufgaben auszuführen, die vorab festgelegte 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 Workflows zu automatisieren, und lassen sich zudem in agentenbasierten KI-Systemen einsetzen. Sie tauschen Daten untereinander aus, sodass das gesamte System gemeinsam daran arbeiten kann, gemeinsame Ziele zu erreichen. Einzelne KI-Agenten können darauf spezialisiert werden, bestimmte Teilaufgaben präzise auszuführen. Ein Koordinationsagent koordiniert die Aktivitäten verschiedener Spezialagenten, um größere, komplexere Aufgaben zu bewältigen.

Weitere Informationen über künstliche Intelligenz (KI)

Jede Software führt verschiedene Routineaufgaben selbstständig aus, wie vom Softwareentwickler festgelegt. Was macht KI-Agenten also so besonders?

Autonomie

KI-Agenten handeln autonom, ohne ständige menschliche Eingriffe. Während herkömmliche Software fest programmierten Anweisungen folgt, ermitteln KI-Agenten anhand vergangener Daten die nächstgeeignete Maßnahme und führen diese ohne ständige menschliche Überwachung aus.

Beispielsweise markiert ein Buchhaltungsagent fehlende Rechnungsdaten für Einkäufe automatisch und stellt diese als Anforderung an.

Zielorientiertes Verhalten

KI-Agenten sind zielorientiert. Ihre Handlungen zielen darauf ab, den Erfolg zu maximieren, wie er durch eine Nutzfunktion oder eine Leistungskennzahl definiert ist. Im Gegensatz zu herkömmlichen Programmen, die lediglich Aufgaben erledigen, verfolgen intelligente Agenten Ziele und bewerten die Konsequenzen ihrer Handlungen im Hinblick auf diese Ziele.

Beispielsweise optimiert ein KI-Logistiksystem Lieferrouten, um Geschwindigkeit, Kosten und Kraftstoffverbrauch gleichzeitig in Einklang zu bringen und so mehrere Ziele zu balancieren.

Wahrnehmung

KI-Agenten interagieren mit ihrer Umgebung, indem sie Daten über Sensoren oder digitale Eingaben erfassen. Sie können Daten aus externen Systemen und Tools über APIs erfassen. Diese Daten ermöglichen es ihnen, die Welt um sie herum wahrzunehmen, Veränderungen zu erkennen und ihren internen Zustand entsprechend anzupassen.

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

Rationalität

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

Beispielsweise sammelt ein Roboter-Agent 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 Zustände die Initiative ergreifen. Anstatt lediglich auf Eingaben zu reagieren, antizipieren sie Ereignisse und treffen entsprechende Vorbereitungen.

So könnte beispielsweise ein KI-gestützter Service-Agent einen Benutzer kontaktieren, dessen Verhalten auf Frustration hindeutet, und ihm Hilfe anbieten, noch bevor ein Support-Ticket erstellt wird. Autonome Lagerroboter können sich in Erwartung bevorstehender Vorgänge mit hohem Arbeitsaufkommen neu positionieren.

Kontinuierliches Lernen

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

Beispielsweise lernen Agenten für prädiktive Wartung aus vergangenen Geräteausfällen, um zukünftige Probleme besser vorherzusagen.

Anpassungsfähigkeit

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

So passt beispielsweise ein Aktienhandelsbot seine Strategie während eines Marktcrashs an, während ein Spielagent wie AlphaZero durch Selbstspiel neue Taktiken entdeckt, auch ohne vorherige menschliche Strategien.

Zusammenarbeit

KI-Agenten können mit anderen Agenten oder menschlichen Akteuren zusammenarbeiten, um gemeinsame Ziele zu erreichen. Sie sind in der Lage, zu kommunizieren, sich abzustimmen und zusammenzuarbeiten, um Aufgaben gemeinsam zu bewältigen. Ihr kooperatives Verhalten umfasst häufig Verhandlungen, den Austausch von Informationen, die Zuweisung von Aufgaben und die Anpassung an die Handlungen anderer.

Beispielsweise können Multi-Agenten-Systeme im Gesundheitswesen über Agenten verfügen, die auf bestimmte Aufgaben wie Diagnose, Vorsorge, Medikamentenplanung usw. spezialisiert sind, um eine ganzheitliche Automatisierung der Patientenversorgung zu ermöglichen.

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 nutzen, um unnötige Kosten zu minimieren, die durch ineffiziente Prozesse, menschliche Fehler und manuelle Abläufe entstehen. Sie können komplexe Aufgaben mit Vertrauen bewältigen, da autonome Agenten einem konsistenten Modell folgen, das sich an veränderte Umgebungen anpasst. Agententechnologie zur Automatisierung von Geschäftsprozessen kann zu erheblichen Kosteneinsparungen führen.

Informierte Entscheidungsfindung

Fortgeschrittene intelligente Agenten verfügen über Vorhersagefähigkeiten und können riesige Mengen an Echtzeitdaten erfassen und verarbeiten. Dies ermöglicht es Führungskräften, bei der Planung ihrer nächsten Schritte schnell fundiertere Prognosen zu erstellen. 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 Kundenanfragen geben und Probleme effizienter lösen.

Eine KI-Agent-Architektur umfasst die folgenden Schlüsselkomponenten.

Grundlagenmodell

Das Herzstück jedes KI-Agents bildet ein Grundgerüst 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 verarbeiten. Das LLM fungiert als Denkmaschine des Agenten, verarbeitet Prompts und wandelt diese in Aktionen, Entscheidungen oder Abfragen an andere Komponenten (z. B. Speicher oder Tools) um. Es behält standardmäßig einen Teil des Gedächtnisses über Sitzungen hinweg bei und kann mit externen Systemen gekoppelt werden, um Kontinuität und Kontextbewusstsein zu simulieren.

Planungsmodul

Das Planungsmodul ermöglicht es dem Agenten, Ziele in kleinere, überschaubare Schritte zu unterteilen und diese logisch zu ordnen. Dieses Modul nutzt symbolisches Schlussfolgern, Entscheidungsbäume oder algorithmische Strategien, um den effektivsten Ansatz zur Erreichung eines gewünschten Ergebnisses zu ermitteln. Es kann als promptgesteuerte Aufgabenzerlegung oder in formalisierteren Ansätzen wie Hierarchical Task Networks (HTNs) oder klassischen Planungsalgorithmen implementiert werden. Die Planung ermöglicht es dem Agenten, über längere Zeiträume hinweg zu agieren und dabei Abhängigkeiten und Eventualitäten zwischen Aufgaben zu berücksichtigen.

Speichermodul

Das Speichermodul ermöglicht es dem Agenten, Informationen über Interaktionen, Sitzungen oder Aufgaben hinweg zu speichern. Dies umfasst sowohl das Kurzzeitgedächtnis, wie z. B. den Chat-Verlauf oder aktuelle Sensoreingaben, als auch das Langzeitgedächtnis, einschließlich Kundendaten, früherer Aktionen oder gesammelten Wissens. Das Speichermodul verbessert die Personalisierung, Kohärenz und Kontextwahrnehmung des Agenten. Bei der Entwicklung von KI-Agenten nutzen Entwickler Vektordatenbanken oder Wissensgraphen, um semantisch aussagekräftige Inhalte zu speichern und abzurufen.

Tool-Integration

KI-Agenten erweitern ihre Fähigkeiten häufig durch die Anbindung an externe Software, APIs oder Geräte. Dies ermöglicht es ihnen, über die natürliche Sprache hinaus zu agieren und reale Aufgaben auszuführen, wie beispielsweise das Abrufen von Daten, das Versenden von E-Mails, das Ausführen von Code, das Abfragen von Datenbanken oder die Steuerung von Hardware. Der Agent erkennt, wann eine Aufgabe ein Tool erfordert, und delegiert den Vorgang entsprechend. Der Einsatz von Tools wird in der Regel vom LLM über Planungs- und Parsing-Module gesteuert, die den Tool-Aufruf formatieren und dessen Ausgabe interpretieren.

Lernen und Reflexion

Reflexion kann in verschiedenen Formen stattfinden:

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

Reinforcement Learning (RL) ist ein zentrales Lernparadigma. Der Agent interagiert mit einer Umgebung, erhält Feedback in Form von Belohnungen oder Strafen und lernt eine Strategie, die Zustände Aktionen zuordnet, um eine maximale kumulative Belohnung zu erzielen. RL ist besonders nützlich in Umgebungen, in denen explizite Trainingsdaten rar sind, wie beispielsweise in der Robotik, bei Spielen oder im Finanzhandel. Der Agent balanciert Exploration (das Ausprobieren neuer Aktionen) und Exploitation (die Nutzung bekannter bester Aktionen) aus, 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 die von ihnen geplanten Aufgaben erfolgreich auszuführen. 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 den einzelnen Aufgabenausführungen prüft der Agent, ob er das vorgegebene Ziel erreicht hat, indem er externes Feedback einholt und seine eigenen Protokolle überprüft. Im Rahmen dieses Prozesses kann der Agent zusätzliche Aufgaben erstellen und ausführen, um das Endergebnis zu erreichen. 

Unternehmen entwickeln und stellen KI-Agenten für eine Vielzahl von Arten und Aufgaben bereit. 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 bestimmte 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 modellbasierter Agent ähnelt einfachen reflexiven Agenten, verfügt jedoch über einen ausgefeilteren Entscheidungsmechanismus. Anstatt lediglich einer bestimmten Regel zu folgen, bewertet ein modellbasierter Agent vor einer Entscheidung die wahrscheinlichen Ergebnisse und Konsequenzen. Mithilfe unterstützender Daten erstellt er ein internes Modell der Welt, die er wahrnimmt, und verwendet es zur Unterstützung seiner Entscheidungen.

Zielgestützte Agenten

Zielgestützte Agenten, auch als regelbasierte Agenten bezeichnet, sind KI-Agenten, die über robustere Schlussfolgerungsfähigkeiten 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 nutzenorientierter Agent nutzt einen komplexen Schlussfolgerungsalgorithmus, um Benutzer dabei zu unterstützen, das von ihnen gewünschte Ergebnis zu maximieren. Der Agent vergleicht verschiedene Szenarien und ihre jeweiligen Nutzwerte oder Vorteile. Anschließend wählt es das Angebot aus, das den Benutzern die meisten Vorteile bietet. Beispielsweise können Kunden mithilfe eines utilitätsbasierten Agenten nach Flugtickets mit der kürzesten Reisezeit suchen, unabhängig vom Preis.

Lernende Agenten

Ein lernender Agent lernt kontinuierlich aus vergangenen Erlebnissen, um seine Leistung zu verbessern. Mithilfe sensorischer Input- und Feedback-Mechanismen passt der Agent sein Lernelement im Laufe der Zeit an bestimmte Standards an. Zudem nutzt es einen Aufgabengenerator zur Nutzung neuer Aufgaben, die sich anhand der gesammelten 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 Teilaufgaben und weisen diese 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.

Multi-Agenten-Systeme

Ein Multi-Agenten-System (MAS) besteht aus mehreren Agenten, die miteinander interagieren, um Probleme zu lösen oder gemeinsame Ziele zu erreichen. Diese Agenten können homogen (in ihrer Ausgestaltung ähnlich) oder heterogen (in Struktur oder Funktion unterschiedlich) sein und je nach Kontext zusammenarbeiten, sich abstimmen oder sogar miteinander konkurrieren. MAS sind besonders effektiv in komplexen, verteilten Umgebungen, in denen eine zentralisierte Steuerung unpraktisch ist.

In autonomen Fahrzeugflotten beispielsweise agiert jedes Fahrzeug als unabhängiger Agent, arbeitet jedoch mit anderen zusammen, um Verkehrsstaus zu vermeiden und Kollisionen zu verhindern, was zu einem flüssigeren Flow führt.

KI-Agenten sind nützliche Softwaretechnologien, die Workflows 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 Ergebnisse liefern, die verzerrt oder ungenau sind. Die Einführung von Sicherheitsvorkehrungen, wie beispielsweise manuelle Überprüfungen, trägt dazu bei, dass Kunden hilfreiche und faire Antworten von den bereitgestellten 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, mit dem man einfach auf branchenführende generative KI-Modelle wie Claude, Llama 2 und Amazon Titan sowie eine breite Palette an Funktionen zugreifen kann, die für die Entwicklung generativer KI-Anwendungen erforderlich sind.

Amazon Bedrock Agents nutzen die Logik von FMs, APIs und Daten, um Benutzeranforderungen zu analysieren, 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 bietet Support für folgende Funktionen:

• Speichererhaltung für nahtlose Aufgabenfortführung
• Zusammenarbeit mehrerer Agenten zur Erstellung mehrerer spezialisierter Agenten unter der Koordination eines Supervisor-Agenten
• Amazon Bedrock Integritätsschutz 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 von generativer KI gestützter Assistent, der Ihnen dabei hilft, Informationen zu finden, Erkenntnisse zu gewinnen und Maßnahmen am Arbeitsplatz zu ergreifen. Damit steht jedem Mitarbeiter die Möglichkeit zur Erstellung von KI-Agenten zur Verfügung. 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.