Eine weitere Art von künstlicher Intelligenz sind KI-Agenten (englisch: AI Agent). Ein Agent ist ein System, welches bestimmte Aufgaben autonom ausführt. Es ist eine Art realer Anwendung von künstlicher Intelligenz. Das Ausführen von Aufgaben kann ohne menschliches Eingreifen erfolgen. Das Herzstück ist ein LLM-Modell. Ein Agent hat ein Gedächtnis, im Gegensatz zu normaler generativer KI, und speichert Aktionen und plant so zukünftige Aufgaben. Der Agent lernt, sich den Erwartungen des Benutzers anzupassen. Ein Agent hat verschiedene Anwendungsbereiche: Verarbeitung natürlicher Sprache, Entscheidungsfindung, Problemlösung, Interaktion mit der externen Umgebung, Ausführung von Handlungen. Wenn ein Agent eine Information nicht hat, kann er mit externen Tools oder anderen Agenten interagieren.
Ein Agent arbeitet anders als eine gewöhnliche KI. Die Aktionen, welche er ausführt, können physisch oder digital sein. Ein Agent verwendet grosse LLM (Large Language Models), um die Eingaben des Benutzers zu verstehen und Schritt für Schritt zu reagieren. Auch bestimmt er, welche externen Tools gebraucht werden, um den Auftrag zu erfüllen. Ein Agent nutzt keine Trainingsdaten, sondern braucht Tool-Aufrufe, um die aktuellsten Infos zu erhalten, den Workflow zu optimieren und eigenständig seine Teilaufgaben zu erstellen, mit welchen er seine komplexen Ziele erreicht. Grundsätzlich arbeitet ein Agent in 3 Phasen:
- Zielinitialisierung und Zielplanung: Agenten brauchen, auch wenn sie vieles eigenständig lösen können, autonome Ziele und Regeln von Menschen. Sie führen zuerst eine Aufgabenverteilung durch, für eine bessere Leistung. Sie planen ihre gesamten Aktionen mit spezifischen Aufgaben und Teilaufgaben. Für ganz einfache Aufgaben sind diese Schritte nicht nötig.
- Argumentation mit verfügbaren Tools und Ausführung der Aktion: Sie schauen zuerst, welche Informationen ihnen noch fehlen. Für diese greift der Agent dann auf externe Tools zu. Wenn er alle nötigen Informationen hat, fängt er an, die verlangte Aktion auszuführen.
- Lernen und Reflexion: Wenn ein Agent ein Feedback bekommt, dann speichert er dieses und nutzt das Feedback für die nächste Aktion. Er kann auch auf Feedbacks von anderen Agenten zugreifen. Dies verbessert das Denkvermögen und die Genauigkeit.
Es gibt verschiedene Arten von Agenten. Sie haben unterschiedliche Fähigkeitsstufen. Insgesamt gibt es 5 Haupttypen, von einfach bis fortgeschritten:
- Einfache Reflex-Agenten: Das ist die einfachste Form von Agenten. Diese Agenten haben der Einfachheit halber kein Gedächtnis und können auch nicht mit anderen Agenten interagieren, wenn ihnen Informationen fehlen. Sie haben vorprogrammierte Reflexe und Regeln, nach denen sie funktionieren. Ihnen wurde das Verhalten vorprogrammiert, Aktionen auszuführen, die bestimmten Bedingungen entsprechen. Treffen die Agenten auf eine Situation, auf die sie nicht vorbereitet sind, können sie nicht reagieren. Diese Agenten sind in Umgebungen effektiv, die vollständig beobachtbar sind und für die sie alle nötigen Informationen haben.
- Modellbasierte Reflex-Agenten: Diese Agenten nutzen ihr aktuelles Wahrnehmen und ihr Gedächtnis. Wenn eine neue Information dazukommt, dann wird sie gespeichert und das Modell aktualisiert. Die Handlungen hängen von Modell-Reflexen, früheren Wahrnehmungen und dem aktuellen Zustand ab. Sie können im Gegensatz alle Informationen im Gedächtnis ablegen und in teilweise veränderten Umgebungen operieren. Sie sind jedoch durch Regeln stark eingeschränkt.
- Zielbasierte Agenten: Diese Agenten besitzen ein internes Modell der Welt und verfügen über ein oder mehrere Ziele. Sie suchen nach Aktionssequenzen, welche ihr Ziel erreichen, und planen diese Aktionen, bevor sie sie ausführen. Die Suche und die Planung verbessert die Effektivität der Agenten im Vergleich zu den einfachen oder modellbasierten Reflex-Agenten.
- Nutzenbasierte Agenten: Diese Agenten schauen, dass ihre Abfolgen von Aktionen nicht nur das Ziel erreicht, sondern auch den Nutzen und die Belohnung maximiert. Der Nutzen wird durch eine Nutzwert-Funktion berechnet. Diese Funktion weist jedem Szenario einen Nutzwert zu, der als Mass die Nützlichkeit, oder die Zufriedenheit der Agenten mit der Handlung, misst. Zu den Kriterien können Faktoren wie der Fortschritt in Richtung Ziel, der Zeitaufwand oder die Komplexität der Berechnungen gehören. Die Agenten stimmen, dann die besten Optionen auf den Benutzer ab. Solche Agenten sind nützlich, wenn es viele Wege gibt, ein Problem zu lösen, und der Beste ausgesucht werden muss.
- Lernende Agenten: Sie verfügen über die gleichen Funktionen wie andere Agenten, jedoch zeichnen sie sich durch ihre Lernfähigkeit aus. Neue Erkenntnisse werden direkt zur Wissensbasis hinzugefügt. Dies verbessert die Fähigkeit von Agenten, in unbekannten Umgebungen zu interagieren. Lernende Agenten können sowohl nutzen- als auch zielbasierte Agenten sein.
Es gibt ganz verschiedene Anwendungsfälle für KI-Agenten, zum Beispiel:
- Customer Experience: Sie können mit Webseiten und Apps interagieren und sind virtuelle Assistenten, welche psychologische Unterstützung mit verbundenen Aufgaben übernehmen.
- Gesundheitswesen: Sie helfen bei der Behandlungsplanung und der Verwaltung von Arzneimitteln. Sie sparen Zeit, Geld und Mühe.
- Notfallmassnahmen: Sie können bei Naturkatastrophen helfen. Die Agenten können Informationen von Benutzern auf Social Media und Webseiten abrufen, um Personen zu finden, welche gerettet werden müssen, oder Standorte auf Karten einzeichnen und Rettungskräfte rufen.
- Finanzen und Lieferkettenmanagement: Die Agenten können in Echtzeit Finanzdaten analysieren, zukünftige Marktrends vorhersagen und das Lieferkettenmanagement optimieren.
Wie bei allen Dingen gibt es auch bei Agenten Vor- und Nachteile.
Vorteile sind:
- Aufgabenautomatisierung: Workflows können optimiert werden und komplexere Aufgaben können kostengünstiger gelöst werden.
- Höhere Leistung: Agenten werden immer besser und beziehen immer mehr das Wissen und das Feedback von anderen Agenten mit ein.
- Qualität der Antworten: Die Antworten werden immer umfassender, präziser und besser auf den Benutzer abgestimmt als die Antworten von herkömmlichen KIs.
Nachteile sind:
- Abhängigkeit von mehreren Agenten: Man ist immer mehr angewiesen auf das Wissen von vielen Agenten für komplexere Aufgaben.
- Unendliche Feedbackschleifen: Wenn ein Agent nicht gut funktioniert, können die Tools sich immer selbst aufrufen. Wenn ein Agent sich nicht gut reflektiert und plant, verbessert er sich nicht.
- Rechnerische Komplexität: KI-Agenten sind zeitaufwändig und rechenintensiv; teilweise brauchen sie mehrere Tage für eine Aufgabe.
- Datenschutz: Es können Sicherheitsprobleme auftreten und Agenten können auf sensible Daten zugreifen.
