Agentenbasierte KI und Computer Vision: Die Zukunft der Automatisierung

Künstliche Intelligenz (AI) und Computer Vision helfen Maschinen, die Welt zu sehen und zu verstehen. Dank der jüngsten Fortschritte erleben wir nun einen großen Sprung nach vorn – Innovationen im Bereich der KI, die nicht nur wahrnehmen, sondern auch eigenständig denken, planen und handeln. In einem früheren Artikel haben wir erläutert, wie Vision Agents visuelle Daten verarbeiten, analysieren und darauf basierend Maßnahmen ergreifen können.

Heute sehen wir uns ein ähnliches Konzept an: agentische KI. Agentische KI-Systeme sind darauf ausgelegt, unabhängig zu arbeiten und menschenähnliche Fähigkeiten zum logischen Denken und zur Problemlösung einzusetzen, um vorgegebene Ziele zu erreichen. Im Gegensatz zu herkömmlichen KI-Systemen, die sich auf das Erledigen einzelner Aufgaben mit vordefinierten Anweisungen konzentrieren, kann agentische KI autonom planen und handeln, um Aufgaben auszuführen. Diese Agenten können sogar aus früheren Interaktionen lernen und Entscheidungen ohne menschliches Eingreifen umsetzen.

Im Bereich Computer Vision können agentische KI-Systeme Techniken wie Objekterkennung mithilfe von Computer-Vision-Modellen wie Ultralytics YOLO11 nutzen, um visuelle Daten in Echtzeit zu analysieren, Objekte zu erkennen, räumliche Beziehungen zu verstehen und auf Grundlage ihrer Umgebung autonome Entscheidungen zu treffen.

Was ist agentische KI?#

Im Kern sind agentische KI-Systeme mit autonomem, zielorientiertem Denken, adaptiver Problemlösung und kontinuierlichen Lernfähigkeiten ausgestattet. Sie nutzen KI-Agenten, um ihre Umgebung zu verstehen, Entscheidungen zu treffen und Aufgaben auszuführen. Diese KI-Agenten verwenden Computer-Vision-Modelle, Verfahren des bestärkenden Lernens und große Sprachmodelle (LLMs), um komplexe Aufgaben zu erledigen. Dadurch eignen sie sich ideal zur Automatisierung von Geschäftsabläufen und zur Verbesserung der Entscheidungsfindung.

In einem Lager kann beispielsweise ein mit Computer Vision ausgestattetes agentisches KI-System Pakete erkennen, den Bestand verfolgen und Hindernisse ohne menschliches Eingreifen umgehen. Mithilfe des bestärkenden Lernens kann es seine Bewegungseffizienz im Laufe der Zeit verbessern und die besten Routen zur Vermeidung von Engpässen erlernen. Ein von einem LLM unterstützter Chatbot kann Mitarbeitende unterdessen durch die Beantwortung von Fragen und Vorschläge zur Verbesserung der Abläufe unterstützen und so den gesamten Workflow effizienter machen.

Abb. 1: Übersicht über die Funktionsweise agentischer KI.

Der wichtigste Unterschied zwischen einer herkömmlichen KI-Lösung und einer agentischen KI-Lösung besteht darin, dass agentische KI vorausschauend denken und sich an veränderte Situationen anpassen kann. Herkömmliche Computer-Vision-Systeme eignen sich hervorragend zum Erkennen von Objekten oder Klassifizieren von Bildern, können ihr Verhalten jedoch nicht dynamisch anpassen. Ein Mensch muss eingreifen und beim erneuten Trainieren oder Feinabstimmen der Modelle helfen. Agentische KI nutzt dagegen fortschrittliche Verfahren des maschinellen Lernens, um sich durch die Interaktion mit ihrer Umgebung im Laufe der Zeit zu verbessern.

Agentische KI im Vergleich zu anderen fortschrittlichen KI-Innovationen#

KI entwickelt sich rasant weiter. Neue Konzepte wie generative KI, agentische Automatisierung und Computer Vision werden in verschiedenen Branchen schnell eingesetzt. Vergleichen wir diese Technologien, um besser zu verstehen, wodurch sich agentische KI auszeichnet.

Der Unterschied zwischen generativer und agentischer KI#

Wenn du Tools wie ChatGPT verwendet hast, kennst du generative KI bereits. Dieser Bereich der KI ist darauf spezialisiert, auf Grundlage von Benutzereingaben Inhalte wie Texte, Bilder oder Code zu erstellen. Generative KI fördert zwar Kreativität und die Entwicklung von Ideen, folgt jedoch erlernten Mustern und arbeitet innerhalb vordefinierter Grenzen. Ihr fehlt die Fähigkeit, autonome Entscheidungen zu treffen oder unabhängige Ziele zu verfolgen.

Agentische KI verfolgt dagegen aktiv Ziele. Sie kann sich dynamisch an ihre Umgebung anpassen, ohne kontinuierliche menschliche Eingaben zu benötigen. Statt lediglich Inhalte zu erzeugen, ergreift sie Maßnahmen und löst Probleme autonom.

Agentische Automatisierung und agentische KI sind eng miteinander verbunden#

Agentische Automatisierung und agentische KI gehen Hand in Hand, wobei agentische KI die Intelligenz für die Automatisierung bereitstellt. Betrachten wir ein sicherheitsbezogenes System auf Basis von Computer Vision.

Das agentische KI-System analysiert die Situation, entscheidet sich für die beste Reaktion und handelt eigenständig. Wenn beispielsweise eine in Computer Vision integrierte KI-Sicherheitskamera einen Eindringling entdeckt, sendet das agentische KI-System nicht nur eine Warnung. Es prüft, ob es sich bei der Person um einen Mitarbeitenden handelt, verriegelt bei Bedarf Türen, verfolgt die Bewegung der Person und schickt sogar eine Drohne, um sie zu überwachen.

Agentische Automatisierung stellt sicher, dass all diese Aktionen reibungslos zusammenspielen. Sie verbindet verschiedene Systeme wie Sicherheitskameras, Türschlösser und Drohnen, damit diese automatisch und synchron reagieren können. Während agentische KI die Entscheidungen trifft, sorgt agentische Automatisierung dafür, dass diese Entscheidungen effizient und ohne menschliches Eingreifen umgesetzt werden.

Abb. 2: Vergleich von agentischer KI und agentischer Automatisierung. Bild: Autor.

Wie agentische KI funktioniert#

Nachdem wir nun besser verstehen, was agentische KI ist, sehen wir uns an, wie sie funktioniert.

Agentische KI-Systeme arbeiten in einem zyklischen Prozess aus Wahrnehmung, Entscheidungsfindung, Aktion und Anpassung. Dadurch können sie im Laufe der Zeit lernen und sich verbessern. Diese kontinuierliche Schleife ermöglicht es den Systemen, selbstständig zu arbeiten und komplexe Ziele zu erreichen.

Hier ist ein kurzer Überblick über die Schritte in der kontinuierlichen Schleife:

• Wahrnehmung: Das agentische KI-System sammelt Daten von Kameras, Sensoren und Benutzerinteraktionen und analysiert sie, um seine Umgebung besser zu verstehen.
• Entscheidungsfindung: Das System bewertet verschiedene Optionen, prognostiziert mögliche Ergebnisse und wählt auf Grundlage logischer Überlegungen und einer Risikobewertung die beste Aktion aus.
• Aktion: Sobald eine Entscheidung getroffen wurde, führt das System Aufgaben aus, indem es physische Geräte steuert, mit anderen Systemen interagiert oder Ausgaben erzeugt.
• Anpassung: Das System lernt mithilfe von Feedback aus Erfahrungen und nutzt maschinelles Lernen sowie bestärkendes Lernen, um seine Leistung im Laufe der Zeit zu verbessern, insbesondere bei komplexeren Aufgaben.

Abb. 3: Funktionsweise agentischer KI.

Anwendungen agentischer KI in der Praxis#

Als Nächstes sehen wir uns einige Beispiele für agentische KI in der Praxis an. Diese Systeme werden in verschiedenen Branchen eingesetzt und helfen Maschinen dabei, Daten zu analysieren und unabhängige Entscheidungen zu treffen, um Ergebnisse zu verbessern.

Agentische KI in der Arzneimittelforschung#

Die Arzneimittelforschung umfasst mehrere wichtige Phasen – von der Identifizierung krankheitsrelevanter biologischer Zielstrukturen über das Screening potenzieller Wirkstoffe und die Optimierung ihrer chemischen Strukturen bis hin zu präklinischen Tests. Es handelt sich um einen komplexen und zeitaufwendigen Prozess, der umfangreiche Datenanalysen und Experimente erfordert, um wirksame und sichere Behandlungsmethoden zu finden.

Agentische KI, die mit Computer Vision integriert ist, hilft dabei, wichtige Schritte wie die chemische Synthese zu automatisieren und den Prozess dadurch schneller und effizienter zu machen. Bei der chemischen Synthese werden verschiedene chemische Verbindungen durch kontrollierte Reaktionen kombiniert, um neue Stoffe wie Arzneimittel herzustellen. Traditionell mussten Wissenschaftler Faktoren wie Temperatur, Lösungsmittelzusammensetzung und den Zeitpunkt der Kristallisation durch Versuch und Irrtum manuell anpassen.

Agentische KI-Systeme können nun Reaktionen in Echtzeit überwachen, visuelle Veränderungen wie Farbänderungen oder Kristallbildung analysieren und sofort Entscheidungen treffen. Erkennt das System beispielsweise, dass eine Reaktion nicht wie erwartet voranschreitet, kann es die Temperatur unmittelbar anpassen oder die erforderlichen Chemikalien hinzufügen, um den Prozess zu optimieren. Durch kontinuierliches Lernen aus vergangenen Reaktionen verbessert das System seine Genauigkeit im Laufe der Zeit, verringert den Bedarf an manuellen Eingriffen und beschleunigt die Entwicklung von Arzneimitteln.

Abb. 4: Beispiel für eine automatisierte Laborumgebung.

Mit agentischer KI den E-Commerce neu gestalten#

Agentische KI verändert die Art und Weise, wie wir online einkaufen, und macht das Einkaufserlebnis personalisierter, effizienter und automatisierter. Statt Produkte lediglich auf Grundlage vergangener Käufe zu empfehlen, kann agentische KI das Surfverhalten analysieren, vorhersagen, was ein Kunde als Nächstes benötigen könnte, und Produktempfehlungen in Echtzeit anpassen.

Mithilfe von Computer Vision kann agentische KI außerdem visuelle Suchen analysieren und Produktbilder erkennen, um genauere Empfehlungen zu geben. Wenn sich jemand beispielsweise häufig Sneaker ansieht, kann das agentische KI-System beliebte Modelle hervorheben, Rabatte anbieten oder passendes Zubehör vorschlagen. Es kann Preise und Werbeaktionen außerdem auf Grundlage der Nachfrage optimieren und das Einkaufserlebnis dynamischer gestalten.

Über Empfehlungen hinaus verbessert agentische KI die Logistik im E-Commerce, indem sie Bestände verwaltet, Nachlieferungen prognostiziert und die Auftragsabwicklung automatisiert. Computer Vision ermöglicht es agentischen KI-Systemen, Lagerbestände in Echtzeit zu verfolgen, falsch platzierte Artikel zu erkennen und sicherzustellen, dass Produkte korrekt kategorisiert sind. Wenn ein Artikel schnell ausverkauft ist, kann das System eine Nachbestellung auslösen oder Alternativen vorschlagen. Durch kontinuierliches Lernen und Anpassen macht agentische KI das Online-Shopping für Kunden und Unternehmen schneller, intelligenter und nahtloser.

So entwickelst du ein agentisches KI-System#

Nachdem wir uns Beispiele für agentische KI aus der Praxis angesehen haben, besprechen wir nun, wie du ein solches System entwickelst.

Wenn du eine Anwendung auf Basis von Computer Vision entwickelst, können aktuelle Modelle wie Ultralytics YOLO11 deinem agentischen KI-System helfen, seine Umgebung besser zu verstehen. Dank der Unterstützung verschiedener Computer-Vision-Aufgaben kann YOLO11 agentischen KI-Systemen ermöglichen, visuelle Daten präzise zu analysieren.

So kannst du mit Ultralytics YOLO11 ein agentisches KI-System entwickeln:

• Ziele definieren: Lege den Zweck und die Ziele des KI-Agenten sowie die konkreten Aufgaben, die er zur Erfüllung seiner vorgesehenen Funktion ausführen muss, klar fest.

• Ultralytics YOLO11 trainieren: Sammle relevante Bild- und Videodaten, beschrifte sie und führe ein benutzerdefiniertes Training von YOLO11 für deine spezifische Anwendung durch.

• YOLO11 integrieren: Verbinde YOLO11 mit einem KI-Framework, das eine Echtzeitanalyse und Entscheidungsfindung auf Grundlage erkannter visueller Daten ermöglicht.

• Autonome Entscheidungsfindung ermöglichen: Richte Logik oder Modelle des maschinellen Lernens ein, mit denen der KI-Agent auf Grundlage der Erkennungen von Ultralytics YOLO11 Aktionen ausführen kann, etwa Warnungen auslösen, Einstellungen anpassen oder Robotersysteme steuern.

• Feedbackschleifen integrieren: Implementiere ein selbstlernendes System, in dem Ultralytics YOLO11 seine Genauigkeit durch erneutes Training mit neuen Daten verbessert und die Modellleistung im Laufe der Zeit steigert.

Abb. 5: So entwickelst du ein agentisches KI-System mit Ultralytics YOLO11. Bild: Autor.

Vor- und Nachteile eines agentischen KI-Systems#

Hier sind einige der wichtigsten Vorteile, die agentische KI-Systeme in verschiedenen Branchen bieten können:

• Höhere Effizienz: Agentische KI-Systeme können komplexe und zeitaufwendige Aufgaben automatisieren, Fehler reduzieren und menschlichen Arbeitskräften mehr Zeit für anspruchsvollere Tätigkeiten geben.

• Skalierbarkeit: Diese Systeme können sich problemlos an verschiedene Branchen anpassen und bei Bedarf größere Arbeitslasten bewältigen.

• Kostensenkung: Indem agentische KI den Bedarf an manueller Arbeit reduziert und Abläufe optimiert, hilft sie Unternehmen, Kosten zu senken und Ressourcen effektiver einzusetzen.

Obwohl agentische KI in verschiedenen Bereichen viele Vorteile bietet, solltest du auch ihre potenziellen Einschränkungen kennen. Hier sind einige wichtige Aspekte, die du berücksichtigen solltest:

• Verzerrungen in der KI: Agentische KI-Systeme können Verzerrungen aus den Trainingsdaten übernehmen, was zu unfairen oder ungenauen Ergebnissen führen kann, insbesondere in Bereichen wie Personalbeschaffung und Strafverfolgung.

• Mangelnde Transparenz: Viele KI-Modelle funktionieren wie „Blackboxes“, sodass nur schwer nachvollziehbar ist, wie sie Entscheidungen treffen. Das kann in Branchen wie dem Gesundheitswesen und dem Finanzwesen problematisch sein.

• Regulatorische Herausforderungen: Die Entwicklung agentischer KI schreitet schneller voran als die Gesetzgebung. Dadurch entstehen rechtliche Unsicherheiten und weltweit uneinheitliche Standards für die Einhaltung von Vorschriften.

Insgesamt bieten agentische KI-Systeme zwar viele Möglichkeiten, doch es ist wichtig, ihre Vorteile mit ethischen Überlegungen, Transparenz und einer angemessenen Regulierung in Einklang zu bringen, damit sie verantwortungsvoll eingesetzt werden.

Wichtige Erkenntnisse#

In Kombination mit Vision-KI-Modellen wie Ultralytics YOLO11 können agentische KI-Systeme die Automatisierung grundlegend verändern. Vom autonomen Fahren über den Online-Handel bis hin zum Gesundheitswesen helfen diese Systeme Unternehmen, autonomer und schneller zu arbeiten.

Herausforderungen wie Verzerrungen, mangelnde Transparenz und unklare Vorschriften müssen jedoch weiterhin bewältigt werden. Mit der Weiterentwicklung agentischer KI-Systeme wird es entscheidend sein, das richtige Gleichgewicht zwischen Innovation und Verantwortung zu finden, um den größtmöglichen Nutzen aus diesen Innovationen zu ziehen.

Tritt unserer Community und unserem GitHub-Repository bei, um mehr über KI zu erfahren. Entdecke auf unseren Lösungsseiten verschiedene Anwendungen von KI in der Fertigung und Computer Vision im Gesundheitswesen. Sieh dir unsere Ultralytics-YOLO-Lizenzen an und beginne noch heute mit Computer Vision!