Ein zielorientierter Agent ist ein KI-Agent, der einen proaktiven, zielorientierten Ansatz bei der Problemlösung und Entscheidungsfindung verfolgt. Er ist ein Beispiel für agentische KI, bei der KI-Systeme tatsächlich im Namen von Benutzern handeln (im Gegensatz zu einem einfachen LLM-Chatbot für den Kundensupport).
In der fünfstufigen Hierarchie der Agentenkomplexität sitzen zielorientierte Agenten genau in der Mitte. Sie sind komplexer als sowohl einfache Reflexagenten (die vordefinierten Regeln folgen) als auch modellbasierte Reflexagenten (die ein internes Weltmodell hinzufügen). Sie sind jedoch weniger komplex als sowohl nutzenbasierte Agenten (die Kompromisse mit einer sogenannten Nutzenfunktion berechnen können) als auch Lernagenten (die sich im Laufe der Zeit anpassen und verbessern können, oft durch bestärkendes Lernen oder Deep Learning).
Zielorientierte Agenten gehen über einfachere Reflexagenten hinaus, indem sie eine Planungsfunktion hinzufügen, die zukünftige Zustände berücksichtigt – sie gehen jedoch nicht so weit, die dynamischen Bewertung von komplexeren Agenten einzusetzen, sondern verlassen sich stattdessen auf vorprogrammierte Strategie oder Entscheidungsbaum, um ihre Ziele zu erreichen.
Erhalten Sie kuratierte Einblicke in die wichtigsten – und faszinierendsten – KI-Neuheiten. Abonnieren Sie unseren wöchentlichen Think-Newsletter. Weitere Informationen in der IBM Datenschutzerklärung.
Ein Beispiel für einen zielorientierten Agenten kommt aus dem Bereich der Robotik, insbesondere der Lagerautomatisierung. Ein Lagerroboter, der einen bestimmten Artikel aus einem bestimmten Regal herausnehmen muss, könnte einfach auf unmittelbare Hindernisse reagieren, wie zum Beispiel, dass ein Vakuumroboter gegen Wände stößt (ein rein „reaktiver Agent“). Effizienter wäre es jedoch, einen Weg zu planen, der Umwege minimiert und bekannte Hindernisse umgeht. In einer dynamischen Umgebung wie einem modernen Lager kann beispielsweise ein Planungsmodul seine Wissensbasis konsultieren, den aktuellen Zustand beobachten und zukünftige Zustände abbilden (z. B. durch Kenntnis der geplanten Bewegungen anderer Bots), um so das gewünschte Ergebnis effizienter zu erreichen.
Zielorientierte Agenten arbeiten in vier Phasen:
Zunächst wird dem Agenten eine präzise Definition von Erfolg vorgegeben. Im Gegensatz zu nutzenbasierten Agenten arbeiten zielorientierte Agenten unter binären, logischen Bedingungen. Aber während ein zielorientierter Agent Erfolg als das Umschalten von Bits von einem Zustand in einen anderen definieren kann, verhindert nichts, dass das singuläre „Ziel“ eines solchen Agenten ein mäßig komplexes Set von Aussagenlogik und Logik erster Ordnung ist. Ein Roboter könnte sich beispielsweise das Ziel setzen, „jedes als dringend gekennzeichnete Paket von seinem jeweiligen Bestand zum Versanddock zu liefern“. Das Ziel ist grundsätzlich binär (man kann dieses Ziel entweder erreichen oder scheitern), aber es besteht auch aus mehreren Komponenten, was Komplexität ermöglicht.
Es wäre zwar wünschenswert, wenn ein menschlicher Benutzer Ziele präzise definieren könnte, es ist aber auch möglich, dass ein Mensch ein vageres Ziel eingibt („Optimierung der Weihnachtsabwicklung“) und ein LLM die Lücke schließt und dies in ein präziseres Ziel oder eine Reihe von Zielen umwandelt (zum Beispiel „Schätzung des täglichen Systemdurchsatzes“, „Definieren von P-Paketen als höchste Priorität“, „Festlegen des Ziels, P-Pakete innerhalb von 24 Stunden zuzustellen“).
Nachdem der zielorientierte Agent sein Ziel formuliert hat, plant er es zunächst ein wenig, bevor er zur Ausführung übergeht. Im Lagerbeispiel beispielsweise verbringt der Agent einige Zeit damit, aktuelle und potenzielle Bedingungen zu modellieren, um einen optimalen Weg zu wählen, damit die Aufträge mit der höchsten Priorität rechtzeitig erfüllt werden können – er entscheidet beispielsweise, wie oft er Fahrten von den Lagerregalen zum Versandbereich unternehmen soll.
Natürlich sind Pläne nur so gut wie die Realität, auf die sie treffen. Während einige zielorientierte Agenten „konservativ“ sind und es vorziehen, sich an Pläne zu halten, bis sie buchstäblich unmöglich werden, kommen flexiblere Ansätze von „opportunistischen“ Agenten, die, wenn sie auf Hindernisse bei ihren Plänen stoßen, flexibel eine bessere nächste Aktion berechnen: ähnlich wie wenn Google Maps einen unerwarteten Stau umgeht.
Im Falle eines Lagerroboters können Sensoren an der Maschine helfen, die Situation in Echtzeit zu überwachen und wichtige Daten an das Planungsmodul zu übermitteln. Wenn ein Sensor beispielsweise erkennt, dass das Unterziel „Paket holen“ aus irgendeinem Grund versagt hat, kann ein zielorientierter Agent versuchen, die Ursache zu diagnostizieren, eine alternative Vorgehensweise zu planen oder Unterstützung anzufordern.
Die Entscheidung, welche Art von KI-Agent eingesetzt werden soll, hängt von der Art des Problems ab, das gelöst werden muss. Solange ihnen spezifische Ziele vorgegeben werden, können die KI-Modelle, die zielorientierte Agenten zugrunde liegen, fundierte Entscheidungen treffen und komplexe Aufgaben bewältigen – die Kriterien für den Erfolg müssen jedoch unkompliziert (oft binär) sein.
In Situationen, in denen die Anpassungsfähigkeit in Echtzeit von entscheidender Bedeutung ist oder in denen es mehrere Ziele zu optimieren gilt, möchten Unternehmen vielleicht von zielorientierten Agenten zu einer ausgefeilteren Option übergehen, wie z. B. nutzenbasierten Agenten. Ein typisches Beispiel hierfür wäre ein autonomes Fahrzeug . Wenn ein Fahrgast ein selbstfahrendes Auto bestellt, müssen mehrere Ziele in Einklang gebracht werden: Fahrtdauer, Preisgestaltung, Stauvermeidung und Sicherheit. Um das beste Kundenerlebnis zu bieten, muss ein KI-gestütztes Fahrzeug komplexe Entscheidungsprozesse durchlaufen und verschiedene Abwägungen möglicher Aktionen durchführen. Die resultierende Nutzenfunktion bestimmt die Handlungen des Agenten.
Es gibt keine Vorschrift, die besagt, dass ein agentenbasiertes System nicht verschiedene Agententypen „mischen und kombinieren“ kann, wobei jeder Agent auf die Komplexität des jeweiligen Problems zugeschnitten ist. Zum Beispiel kann man sich ein Beispiel aus dem Gesundheitswesen vorstellen: ein Krankenhaus, das nicht nur zielorientierte Agenten zur Durchführung von Workflows beschäftigt, sondern auch Agenten der vier anderen untersuchten Typen.
Im einfachsten Fall könnte ein Reflexagent namens Vitals Monitor einfach die Vitalzeichen aller Patienten überwachen. Das spezifische Ziel besteht darin, einen Alarm auszulösen, wenn beispielsweise die Herzfrequenz eines Patienten unter einen bestimmten Wert sinkt – um so besser einen Arzt oder eine Krankenschwester für ein menschliches Eingreifen alarmieren zu können. Ein solcher Agent kann auf einfache Wenn/Dann-Algorithmen zurückgreifen.
Eine Ebene höher könnte ein modellgestützter Reflexagent namens Inventory Agent das Inventar von Medikamenten und Vorräten für das Krankenhaus verwalten. Er pflegt ein internes Modell des aktuellen Lagerbestands, historischer Nutzungsmuster und Reaktionszeiten der Lieferkettenpartner, um Nachfüllaufträge besser zu optimieren.
Drittens könnte ein übergeordneter, zielorientierter Agent namens Entlassungsplaner vom einfachen binären Ziel der Patientenentlassung ausgehend rückwärts arbeiten. Er würde sich auf vorprogrammierte Strategien und Entscheidungsbäume stützen und dabei auch zukünftige Zustände berücksichtigen, um Labore, Medikamente und Genemigungen durch Spezialisten zu koordinieren – einschließlich aller erforderlichen Teilaufgaben. Wenn sich ein Schritt verzögert, kann sein Planungsmodul erneut ausgeführt werden, um einen neuen Plan zu erstellen. (Der zielorientierte Agent wird, wie die meisten dieser Agenten, wahrscheinlich auf ein großes Sprachmodell abgestimmt sein.)
Viertens könnte ein nutzungsbasierter Agent, der sogenannte Bettenbelegungsoptimierer, Patienten verschiedenen Zimmern zuweisen und dabei versuchen, Sicherheit, Zufriedenheit und Durchsatz zu maximieren. Da er mehrere Waren und komplexe Kompromisse verwalten muss, arbeitet der Agent mit einer Nutzenfunktion, die Variablen wie Anfälligkeitsniveau, Personalbestand und Schweregrad der Krankheit bewertet.
Fünftens und auf höchster Ebene setzt ein Lernagent namens Eingabe-Assistent maschinelles Lernen ein, um Muster aus vergangenen Erfahrungen zu suchen, um Triage-Fragen zu verbessern, Hochrisiko-Patienten zu markieren und redundante Schritte zu reduzieren. Im Gegensatz zu Agenten auf niedrigerer Ebene muss dieser Lernagent kontinuierlich sich entwickelnde Datensätze auswerten und nach tiefen Mustern suchen, die für Menschen unsichtbar sein könnten.
Die fünf Agenten arbeiten als virtuelle Assistenten zusammen, um komplexe Probleme zu lösen. Mit der richtigen Orchestrierung sowie der Integration verschiedener Funktionen, von Verarbeitung natürlicher Sprache (NLP) und generativer KI bis hin zu Computer Vision und API-Toolaufrufen, ist das Multi-Agenten-System einfach, wo es einfach sein muss, komplex, wo es komplex sein muss.
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.