WARNUNG: Verwaister Fußnotenstart-Tag-Shortcode gefunden.
Wenn diese Warnung irrelevant ist, deaktiviere bitte die Syntax-Validierungsfunktion im Dashboard unter Allgemeine Einstellungen > Fußnoten Start- und Ende-Shortcodes > Prüfe auf ausgeglichene Shortcodes.
Unausgeglichener Start-Tag-Shortcode zuvor gefunden:
“in:”
KI-Agenten, die in der Lage sind, eigenständig Aufgaben zu planen und auszuführen, existierten bis vor wenigen Jahren fast nur auf dem Papier. Die technischen Möglichkeiten, wie in Gestalt von Frameworks für das Programmieren und die Ablaufsteuerung von Agentensystemen, hatten nicht den nötigen Reifegrad.
Auf der rein operativen Ebene übernahm die Robotic Process Automation (RPA) die automatisierte Ausführung von Tätigkeiten mit hohem Wiederholungsgrad und geringer Komplexität. Über offene Schnittstellen (Open-APIs) konnten die Systeme zwar untereinander kommunizieren; die Logik der Ablaufsteuerung blieb derweil außen vor. Diese Lücke versuchten die Anbieter von Lösungen für das Workflow-Management zu schließen. Zuletzt wurde die Programmierung selbst komplexer Abläufe durch den No- und Low-Code – Ansatz erheblich vereinfacht. Die verschiedenen Systeme zu integrieren, ist mit hohem Aufwand verbunden. Mulitagentensysteme könnten die Ausführung, Steuerung und Überwachung automatisiert durchgeführter Aktionen übernehmen.
Durchbruch dank Generativer KI
Erst mit dem Aufkommen der generativen KI, die natürliche Sprache verstehen kann, ist dieses Szenario zum Greifen nah. In Kombination mit Open Source – Frameworks wie MetaGPT, LangChain und Hugging Face, lassen sich Multiagentensysteme (MAS) ohne allzu großen Integrations- und Programmieraufwand umsetzen. Auf Basis großer Sprachmodelle erstellte Agenten überwinden die Beschränkungen der bis dahin verwendeten Systeme, die nur für bestimmte Szenarien programmiert wurden.
Wenn Agentensysteme auf der Grundlage von Basismodellen (die auf extrem großen und vielfältigen unstrukturierten Datensätzen trainiert wurden) und nicht auf der Grundlage vordefinierter Regeln aufgebaut werden, haben sie das Potenzial, sich an unterschiedliche Szenarien anzupassen, so wie LLMs auf Aufforderungen, auf die sie nicht explizit trainiert wurden, intelligent reagieren können. Darüber hinaus könnte ein menschlicher Benutzer ein KI-gestütztes Agentensystem mit Hilfe natürlicher Sprache statt mit Programmiercode anweisen, einen komplexen Arbeitsablauf auszuführen. Ein Multiagentensystem könnte dann diesen Arbeitsablauf interpretieren und in umsetzbare Aufgaben organisieren, spezialisierten Agenten Arbeit zuweisen, diese verfeinerten Aufgaben unter Verwendung eines digitalen Ökosystems von Werkzeugen ausführen und mit anderen Agenten und Menschen zusammenarbeiten, um die Qualität seiner Aktionen iterativ zu verbessern ((in: Technologische Rahmen im Banking Technologische Rahmen beziehen sich auf die Art und Weise, in…
Generative AI bei J.P. Morgan, AmEx und Capital One Die Möglichkeiten Generativer Künstlicher Intelligenz werden gegenwärtig in vielen Banken… Banking-Geschäftsmodelle im Wandel der Zeit #4 Von Ralf Keuper Das veränderte Marktumfeld im Banking hat an… IT-Dienstleister der Regionalbanken in der Komplexitätsfalle Von Ralf Keuper Die IT-Dienstleister der Sparkassen und Genossenschaftsbanken, die…