Die Entwicklung von KI-Agenten ist der Prozess der Erstellung von KI-Agenten. Sie beinhaltet das Entwerfen, Bauen, Trainieren, Testen und Bereitstellen von agentischer KI.
Unternehmen können sich dafür entscheiden, KI-Agenten von Grund auf neu zu entwickeln. Dies gibt ihnen die volle Kontrolle über die Agenten-Architektur und Funktionalität. Außerdem können sie Agentensysteme auf ihre Anwendungsfälle und Geschäftsanforderungen zuschneiden und die Agenten-KI für spezifische Aufgaben anpassen. Die Entwicklung von KI-Agenten von Grund auf erfordert hingegen umfangreiches Fachwissen in den Bereichen künstliche Intelligenz, maschinelles Lernen und Softwareentwicklung. Außerdem kann es teuer sein.
Ein schnellerer, skalierbarerer Ansatz, insbesondere für Anfänger, ist die Verwendung von KI-Agenten-Frameworks. Als Grundstruktur für KI-gestützte Agenten verfügen diese Softwareplattformen über integrierte Funktionen, die zur Rationalisierung des Agentenentwicklungsprozesses beitragen, darunter vordefinierte Architekturen und Vorlagen, Aufgabenmanagementsysteme sowie Integration und Überwachungstool.
Branchen-Newsletter
Erhalten Sie kuratierte Einblicke in die wichtigsten – und faszinierendsten – KI-Neuheiten. Abonnieren Sie unseren wöchentlichen Think-Newsletter. Weitere Informationen in der IBM Datenschutzerklärung.
Ihr Abonnement wird auf Englisch geliefert. In jedem Newsletter finden Sie einen Abmeldelink. Hier können Sie Ihre Abonnements verwalten oder sich abmelden. Weitere Informationen finden Sie in unserer IBM Datenschutzerklärung.
Die Implementierung von KI-Agenten besteht in der Regel aus den folgenden Schritten:
Der erste Schritt besteht darin, klare Ziele und einen definierten Aufgabenbereich für einen KI-Agenten zu skizzieren. Hier sind einige Fragen, die helfen können:
Die Antworten auf diese Fragen können bei der Steuerung des Entwurfsschritts helfen.
Der Blueprint eines Agenten wird während der Designphase erstellt. Dieser Blueprint umfasst die Architektur, Workflows, die Integration und die Nutzererfahrung.
Für einfache Funktionen, wie z. B. die Verfolgung von Bestellungen in Echtzeit durch Mitarbeiter des Kundensupports und die Bereitstellung von Statusaktualisierungen für Kunden, kann eine Single-Agent-Architektur ausreichend sein. Für komplexe Aufgaben ist jedoch ein Multi-Agenten-System möglicherweise besser geeignet. Im Gesundheitswesen kann beispielsweise ein Multi-Agenten-System die komplexen Workflows der Arzneimittelforschung automatisieren, mit separaten Agenten für die Erforschung von Bibliotheken chemischer Verbindungen und der Zusammenfassung der medizinischen Forschung sowie einem weiteren generativen KI-Agenten für die Generierung neuer molekularer Designs.
Die Architektur hilft bei der Bestimmung des richtigen KI-Agententyps und seiner Komponenten. Sie hilft auch bei der Abbildung von agentischen Workflows, einschließlich Edge-Fällen und Fehlerszenarien. Bei Multi-Agenten-Ökosystemen müssen Kommunikationsprotokolle sowie Strategien zur Orchestrierung und Zusammenarbeit berücksichtigt werden.
Wenn ein Agent direkt mit Benutzern interagiert, können sich Unternehmen für eine KI-Assistenten-Schnittstelle ähnlich wie Chatbots wie ChatGPT von OpenAI entscheiden. Sie benötigen auch einen Plan für die Integration mit anderen Plattformen und erwägen den Aufruf von Tools für den Zugriff auf Programmierschnittstellen (APIs), externe Plug-ins, Kundendaten und andere Datenquellen für die Echtzeit-Informationsverarbeitung und dynamische Entscheidungsfindung.
Sobald das Design entworfen wurde, besteht der nächste Schritt darin, das richtige Framework, KI-Modell und andere relevante KI-Tools oder Bibliotheken auszuwählen.
Unternehmen können Agenten mit Programmiersprachen wie Python oder JavaScript selbst erstellen. Für diejenigen, die ein agentisches Framework verwenden, sind Open Source-Frameworks wie BeeAI, CrewAI, LangChain, LangGraph und das AutoGen- und Semantic Kernel-Software Development Kit (SDK) von Microsoft gängige Optionen.
Die Modellauswahl ist entscheidend, um maschinelle Lernalgorithmen oder große Sprachmodelle (LLMs) auf die Funktionen und Aufgaben eines KI-Agenten abzustimmen. Unternehmen könnten sich auch mit spezialisierten Tools wie Retrieval-Augmented Generation (RAG)-Systemen oder Bibliotheken wie PyTorch, scikit-learn und Tensorflow befassen, um ihren KI-Agenten weiter zu stärken.
In der Bauphase findet die Agentenentwicklung statt. Um eine Überforderung zu vermeiden, können Unternehmen einen modularen Ansatz verfolgen, bei dem jede Komponente separat erstellt wird, bevor sie alle zu einem funktionierenden KI-Agenten kombiniert werden. Diese modulare Strategie ermöglicht auch eine einfachere Wartung, da Änderungen an jedem Teil nur minimale Auswirkungen auf das gesamte Agentensystem haben.
Neben der Entwicklung des KI-Agenten selbst müssen Unternehmen bei der Entwicklung von agentischer KI auch die folgenden Faktoren berücksichtigen:
Beim Modelltraining lernt ein KI-Modell anhand eines Trainingsdatensatzes mit Beispielaufgaben, die für die Funktionen und Aktionen eines Agenten relevant sind. Es handelt sich um einen iterativen Prozess, der die Vorbereitung eines Datensatzes, das Ausführen des Modells mit diesem Datensatz, die Messung seiner Leistung anhand eines Verlust- oder Belohnungssignals und die Anpassung der Parameter des Modells umfasst, um zukünftige Vorhersagen zu verbessern.
Das Training maschineller Lernmodelle von Grund auf kann langwierig, kostspielig und ressourcenintensiv sein. Unternehmen ziehen es möglicherweise vor, stattdessen ein vortrainiertes Modell zu verwenden und es anhand eines Datensatzes, der spezifisch für die Aufgaben eines KI-Agenten ist, zu optimieren.
Bei der KI-Agent-Evaluierung handelt es sich um den Prozess des Testens und Validierens agentischer KI, um sicherzustellen, dass sie ihre Ziele erfüllt und die erwartete Leistung erbringt. Es erfordert einen Test- oder Validierungsdatensatz, der sich vom Trainingsdatensatz unterscheidet und vielfältig genug ist, um alle möglichen Testfälle abzudecken und reale Szenarien widerzuspiegeln.
Die Durchführung von Tests in einer Sandbox- oder simulierten Umgebung kann dazu beitragen, Leistungsverbesserungen frühzeitig zu ermitteln und Sicherheitsprobleme und ethische Risiken zu identifizieren, bevor Agenten für die tatsächlichen Benutzer bereitgestellt werden.
Wie Benchmarks verfügen auch KI-Agenten über eine Reihe von Metriken. Zu den gängigen Metriken zählen funktionale Metriken wie Erfolgsrate oder Aufgabenerledigung, Fehlerrate und Latenz sowie ethische Metriken wie Verzerrung und Fairness-Score sowie Prompt-Injection-Schwachstelle. Agenten und Bots, die mit Benutzern interagieren, werden anhand ihres Gesprächsflusses, ihrer Engagementrate und ihrer Benutzerzufriedenheit bewertet.
Nach der Messung der Metriken und der Analyse der Testergebnisse können die Entwicklungsteams für Agenten mit dem Debuggen von Algorithmen, der Modifizierung der Agentenarchitekturen, der Verfeinerung der Logik und der Leistungsoptimierung fortfahren.
In dieser letzten Phase werden agentenbasierte Systeme in Live-Produktionsumgebungen bereitgestellt, in denen Kunden mit KI-Agenten interagieren und diese verwenden können. Dazu gehört auch eine kontinuierliche Überwachung, die entscheidend ist, um die Leistung der Agenten zu verfolgen und zu verbessern und sicherzustellen, dass sie sich an neue Situationen und Herausforderungen anpasst.
Plattformen wie Amazon Bedrock AgentCore und IBM watsonx.ai® unterstützen bei der Automatisierung der Agentenbereitstellung und -überwachung. Mit watsonx.ai beispielsweise können Entwickler von One-Click-Bereitstellungs- und Tracing-Funktionen für Observability profitieren.
Entwickeln, implementieren und verwalten Sie leistungsstarke KI-Assistenten und -Agenten, die Workflows und Prozesse mit generativer KI automatisieren.
Gestalten Sie die Zukunft Ihres Unternehmens mit KI-Lösungen, denen Sie vertrauen können.
Die KI-Services von IBM Consulting unterstützen Sie dabei, die Art und Weise, wie Unternehmen mit KI arbeiten, neu zu denken.