• alt " "

KI-Agenten und Automatisierung

Sie möchten die nächste Evolutionsstufe der KI kennenlernen – autonome Agenten, die eigenständig Aufgaben planen, Entscheidungen treffen und komplexe Workflows automatisieren können? Wenn Sie verstehen möchten, wie KI-Agenten funktionieren und wie Sie diese mit modernen Frameworks wie LangChain, CrewAI oder AutoGPT selbst entwickeln können, dann freuen Sie sich auf dieses Training. Von den theoretischen Grundlagen der Agentenarchitekturen bis zur praktischen Implementierung mit aktuellen OpenSource Tools lernen Sie, wie Sie intelligente Automatisierungslösungen für Ihr Unternehmen entwickeln. In umfangreichen Hands-on Übungen in Google Colab bauen Sie eigene KI-Agenten und Multi-Agent-Systeme auf.

Wir empfehlen:

alt " "

Ziele

  • Grundlagen von KI-Agenten verstehen: Definition, Architektur, Autonomie
  • Verschiedene Agententypen und deren Einsatzgebiete kennenlernen
  • LLM-basierte Agenten mit ReAct-Paradigma entwickeln
  • Aktuelle OpenSource Frameworks beherrschen (LangChain, CrewAI, AutoGPT)
  • Tool Use und Function Calling für Agenten implementieren
  • Multi-Agent-Systeme für komplexe Aufgaben orchestrieren
  • Praktische Automatisierungslösungen mit KI-Agenten entwickeln
  • Safety, Evaluation und Deployment-Strategien für Agenten verstehen

Zielgruppen:

AI Expert, Software Entwickler, ML Engineer, System Architect, Software Architect, DevOps Engineer, Automation Specialist und alle, die sich mit KI-Agenten und intelligenter Automatisierung beschäftigen möchten.

Termine anzeigen

Inhalt

1. Grundlagen von KI-Agenten

  • Was sind KI-Agenten? Definition und Abgrenzung
  • Von einfachen Tools zu autonomen Systemen
  • Agent vs. Modell vs. Copilot
  • Autonomie und Entscheidungsfindung
  • Perception, Action, Goal-Oriented Behavior
  • Agent-Environment-Interaktion
  • Historische Entwicklung: Von regelbasierten zu LLM-basierten Agenten
  • Aktuelle Trends: Wachsende Bedeutung von KI-Agenten in Enterprise-Anwendungen

2. Agentenarchitekturen

  • Reactive Agents: Stimulus-Response
  • Deliberative Agents: Planning und Reasoning
  • Hybrid Architectures
  • BDI-Modell: Beliefs, Desires, Intentions
  • Layered Architectures
  • Subsumption Architecture
  • Vergleich und Anwendungsszenarien

3. Planungsalgorithmen für Agenten

  • Goal-based Planning
  • Utility-based Planning
  • State Space Search
  • Forward vs. Backward Planning
  • Hierarchical Task Networks (HTN)
  • Planungsalgorithmen in der Praxis

4. Reinforcement Learning für Agenten

  • Grundlagen des Reinforcement Learning
  • Markov Decision Processes (MDP)
  • Q-Learning und Deep Q-Networks (DQN)
  • Policy Gradient Methoden
  • Multi-Armed Bandits
  • RL für autonome Agenten

5. LLM-basierte Agenten

  • Revolution durch Large Language Models
  • LLMs als Reasoning Engines
  • ReAct-Paradigma: Reasoning + Acting
  • Observation, Thought, Action Loop
  • Chain-of-Thought für Agenten
  • Tree-of-Thought für komplexe Entscheidungen
  • Self-Reflection und Self-Correction

6. Tool Use und Function Calling

  • Konzept von Tool Use bei LLMs
  • Function Calling: OpenAI, Anthropic, Google Ansätze
  • Tool Description und Schemas
  • Multi-Tool Orchestrierung
  • External APIs anbinden: Web Search, Calculator, Database
  • Error Handling und Retry-Strategien
  • Praktische Übung: Agent mit mehreren Tools (Google Colab)

7. Memory und Kontextmanagement

  • Short-term vs. Long-term Memory
  • Conversation History Management
  • Memory Types: Buffer, Summary, Entity, Knowledge Graph
  • Vektordatenbanken als Long-term Memory
  • Context Window Optimierung
  • Praktische Übung: Agent mit Memory-System

8. LangChain für Agenten

  • Überblick über LangChain Framework
  • Agents in LangChain: Zero-shot, Conversational, ReAct
  • Tools und Toolkits
  • Chains vs. Agents
  • AgentExecutor und Agent Types
  • Custom Tool Development
  • LangSmith für Agent Debugging
  • Praktische Übung: ReAct-Agent mit LangChain (Google Colab)

9. LlamaIndex für Data Agents

  • LlamaIndex Grundlagen
  • Data Agents für RAG-Workflows
  • Query Engines und Data Connectors
  • Multi-Document Agents
  • Integration mit Vektordatenbanken
  • Praktische Übung: RAG-Agent mit LlamaIndex

10. Autonome Agenten: AutoGPT und BabyAGI

  • Konzept autonomer Task-Execution
  • AutoGPT: Architektur und Funktionsweise
  • BabyAGI: Task-driven Autonomous Agent
  • Task Decomposition und Priorisierung
  • Iterative Task-Planung und Self-Critique
  • Limitierungen und Herausforderungen
  • Praktische Übung: Autonomer Research Agent (Google Colab)

11. Multi-Agent-Systeme

  • Warum Multi-Agent-Systeme?
  • Agent Communication und Coordination
  • Role-based Agent Design
  • Collaborative vs. Competitive Agents
  • Consensus und Negotiation
  • Task Distribution und Load Balancing

12. CrewAI für Multi-Agent Orchestration

  • Überblick über CrewAI Framework
  • Crews, Agents, Tasks, Tools
  • Role-based Agent Definition
  • Process Types: Sequential, Hierarchical, Consensual
  • Agent Delegation und Collaboration
  • Output Handling und Result Aggregation
  • Praktische Übung: Multi-Agent System mit CrewAI (Google Colab)

13. Kosten-Optimierung

  • Token-Usage bei Agenten minimieren
  • Caching-Strategien
  • Modellauswahl: High End Modelle vs. Low End vs. Open Source
  • Routing: Einfache Tasks an günstigere Modelle
  • Batching und Parallelisierung
  • Cost Monitoring und Budget Alerts

Nach Absolvierung empfehlen wir:

Spirit in Projects