{"id":4256,"date":"2022-09-14T03:00:54","date_gmt":"2022-09-14T03:00:54","guid":{"rendered":"https:\/\/lamarr-institute.org\/blog\/agentenmodell\/"},"modified":"2025-11-12T14:51:39","modified_gmt":"2025-11-12T14:51:39","slug":"agentenmodell","status":"publish","type":"blog","link":"https:\/\/lamarr-institute.org\/de\/blog\/agentenmodell\/","title":{"rendered":"K\u00fcnstliche Intelligenz: Von Verhalten zu Algorithmen und intelligenten Agenten"},"content":{"rendered":"\n

In diesem Beitrag gibt Sebastian M\u00fcller, Wissenschaftler am Lamarr-Institut f\u00fcr Maschinelles Lernen und K\u00fcnstliche Intelligenz an der Universit\u00e4t Bonn, einen kompakten \u00dcberblick \u00fcber das vielf\u00e4ltige Gebiet der K\u00fcnstlichen Intelligenz. Er zeigt hierbei die unterschiedlichen Blickwinkel innerhalb des Feldes und Zusammenh\u00e4nge mit anderen Forschungsfeldern auf und erkl\u00e4rt die Abstraktion von Verhalten durch das Agentenmodell.<\/p>\n\n\n\n

Intelligenz? Verhalten vs. Denken, Imitation vs. Optimierung<\/span><\/h2>\n\n\n\n

Die K\u00fcnstliche Intelligenz (KI) besch\u00e4ftigt sich mit der Algorithmisierung kognitiver Leistungen \u2013 das hei\u00dft mit der Suche nach formalen Rechenvorschriften  (Algorithmen), mithilfe derer ein Computer konkrete oder abstrakte Aufgaben l\u00f6sen kann, f\u00fcr deren Bew\u00e4ltigung die Notwendigkeit irgendeiner Form von Intelligenz<\/strong> angenommen wird.<\/p>\n\n\n\n

Da es f\u00fcr den Begriff „Intelligenz“ keine formale, allgemeing\u00fcltige Definition gibt, n\u00e4hert sich die KI-Forschung dem Thema aus mehreren Richtungen an:<\/p>\n\n\n\n

Nehmen wir eine externe Betrachtungsweise<\/strong> ein, so ist das Ziel, beobachtbares „intelligentes“ Verhalten zu erzeugen. Motivation dazu findet man schon sehr fr\u00fch in der Geschichte der KI: Nach Erfindung des digitalen Computers dauerte es nicht lange bis Alan Turing 1950 vorschlug, zu erforschen, ob es ein Programm gibt, welches in einer schriftlichen Konversation (Chat) nicht von einem Menschen zu unterscheiden ist. Von Turing selbst urspr\u00fcnglich als „Imitationsspiel“ benannt, ist das zugeh\u00f6rige Experiment heute als „Turing-Test“ bekannt.<\/p>\n\n\n\n

Beginnt man mit \u00dcberlegungen dazu, wie beobachtbares Verhalten erzeugt werden kann, ergeben sich schnell Fragen nach der Funktionsweise interner Prozesse<\/strong>, die zu eben diesem Verhalten f\u00fchren: Wie funktionieren zum Beispiel Denken, Erinnern oder Lernen?<\/p>\n\n\n\n

Ob nun das Erzeugen von Verhalten oder die Simulation interner Prozesse das Ziel sind, Menschen (oder andere Tiere) bieten nur eine m\u00f6gliche Referenz. H\u00e4ufig haben wir eine Intuition, ob eine bestimmte Aktion in einer Situation „gut“ oder „schlecht“ war. L\u00e4sst sich diese Intuition als mathematisches Kriterium formulieren, so kann ein Algorithmus versuchen, sein Verhalten danach zu optimieren<\/strong>. Das Verhalten wir dann in diesem Sinne auch als rational<\/strong> bezeichnet.<\/p>\n\n\n\n

K\u00fcnstliche Intelligenz als interdisziplin\u00e4res Forschungsfeld<\/span><\/h2>\n\n\n\n

Das Feld der K\u00fcnstlichen Intelligenz bedient sich zwar Methoden der Informatik aber aus den oben genannten Motivationen wird klar: Die Fragestellungen und Ziele \u00fcberschneiden sich stark mit anderen Disziplinen. In der Tat ist K\u00fcnstliche Intelligenz nicht nur Teil der Informatik, sondern wird auch zu den Kognitionswissenschaften gez\u00e4hlt. Zu den Kognitionswissenschaften geh\u00f6ren au\u00dferdem Teile der Neurowissenschaften, Psychologie, Philosophie, Linguistik und Anthropologie. All diese Disziplinen tragen Ans\u00e4tze bei, welche Verhalten beschreiben oder Hypothesen \u00fcber die Funktionsweise interner Prozesse entwickeln. Diese versucht der Forschungsbereich KI dann letztendlich zu algorithmisieren. Aus diesen Verbindungen sind selbst ganze Forschungsgebiete entstanden.<\/p>\n\n\n\n

Am Beispiel des Turing-Tests wird die Verbindung zwischen KI und anderen Fachdisziplinen deutlich: Um den Test zu bestehen, muss eine KI in Echtzeit unter anderem Sprache verarbeiten und erzeugen (Linguistik), logisch denken (Philosophie), auf Allgemeinwissen zugreifen und neue Informationen aufnehmen (Neurowissenschaften und Psychologie). Wo die Grenze zwischen Imitation und „echtem“ Verhalten liegt und ob Computer \u00fcberhaupt an diese Grenze sto\u00dfen k\u00f6nnen, ist eine klassische Debatte (man siehe zum Beispiel das Gedankenexperiment „Chinesisches Zimmer“<\/a>).<\/p>\n\n\n\n

Das Agentenmodell<\/span><\/h2>\n\n\n\n

Wir halten fest: In einem ersten Schritt geht es bei der K\u00fcnstlichen Intelligenz darum, „Verhalten“ zu abstrahieren. Das grundlegendste Konzept hierf\u00fcr ist das Agentenmodell<\/strong>. Mit Hilfe dieses Modells k\u00f6nnen einfache und komplexe handlungsf\u00e4hige Systeme beschrieben werden.<\/p>\n\n\n\n

\"-
\u00a9 ML2R\n<\/figcaption><\/figure>\n\n\n\n

Im Agentenmodell werden zun\u00e4chst der „Agent“ und seine „Umgebung“ unterschieden. Der Agent selbst besteht aus drei Komponenten:<\/p>\n\n\n\n

    \n
  1. Sensoren, \u00fcber die die Umwelt wahrgenommen wird<\/li>\n\n\n\n
  2. Eine Einheit f\u00fcr die Verarbeitung von Sensordaten<\/li>\n\n\n\n
  3. Aktuatoren, mit denen eine Aktion in der Umgebung ausgef\u00fchrt werden kann.<\/li>\n<\/ol>\n\n\n\n

    Eine Einheit von Sensordaten wird als „Perzept“ bezeichnet. Die Umgebung h\u00e4ngt vom Anwendungsfall ab und kann beliebig komplex sein.<\/p>\n\n\n\n

    Hierarchien von einfachen bis komplexen Agenten<\/h2>\n\n\n\n

    Es gibt verschiedene Agentenmodelle, die sich durch die F\u00e4higkeiten der Verarbeitungseinheit unterscheiden. Schauen wir uns am Beispiel eines Smart Homes verschiedene Agentenmodelle an, deren F\u00e4higkeiten aufeinander aufbauen.<\/p>\n\n\n\n

    Wir legen zun\u00e4chst folgende Dinge f\u00fcr den Agenten und seine Umwelt fest:<\/p>\n\n\n\n

      \n
    • Sensoren: Mikrofon, Thermometer, Fenster<\/li>\n\n\n\n
    • Aktuatoren: Lautsprecher, Heizung, Lampe, Fenster<\/li>\n\n\n\n
    • Umgebung: Haus mit Bewohner<\/li>\n<\/ul>\n\n\n\n

      Einfacher reflexbasierter Agent:<\/em><\/strong> Der Agent hat eine Tabelle mit Regeln, die jedem m\u00f6glichen Perzept eine Aktion zuordnen. Geht ein Perzept ein, wird die passende Regel gesucht und angewendet. Perzept: „Schalte das Licht ein“. Aktion: Das Licht wird eingeschaltet.<\/p>\n\n\n\n

      Reflexbasierter Agent mit Umgebungsmodell<\/em><\/strong>: Der Agent speichert zus\u00e4tzlich Informationen \u00fcber seine Umgebung ab und ber\u00fccksichtigt diese bei Erhalt eines neuen Perzepts. Perzept: Das Fenster meldet, dass es nun ge\u00f6ffnet ist. Internes Update: Fenster ist offen. Perzept: „Schalte die Heizung an“. Aktion: Fenster schlie\u00dfen. Perzept: Fenster meldet, es ist geschlossen. Internes Update: Fenster ist zu. Aktion: Heizung anschalten.<\/p>\n\n\n\n

      Agent mit Nutzenfunktion:<\/em><\/strong> \u00dcber die Nutzenfunktion kann der Agent selbst feststellen, wie „gut“ er seine Arbeit macht. Beispiel: Die Temperatur soll immer 23 Grad betragen. Eine G\u00fcte lie\u00dfe sich also aus der Differenz zwischen Ist- und Soll-Temperatur ableiten. Perzept: Aktuelle Temperatur. Interner Vergleich: Ist die Temperatur 23 Grad, so ist keine Handlung erforderlich. Ist die Temperatur unter 23 Grad, wird die Heizung angeschaltet. Ist die Temperatur zu hoch, wird das Fenster ge\u00f6ffnet.<\/p>\n\n\n\n

      Des Weiteren gibt es Zielbasierte und Lernende Agenten. Zielbasierte Agenten<\/em><\/strong> mit einer Nutzenfunktion k\u00f6nnen beispielsweise selbst einen Plan entwickeln, mit dem die Nutzenfunktion optimiert wird. Der Agent simuliert<\/strong> verschiedene Sequenzen von Aktionen mithilfe seines Umgebungsmodells und sucht<\/strong> so einen Plan<\/strong>. Ein solcher Agent k\u00f6nnte zum Beispiel mit Hilfe der Nutzenfunktion selbst herausfinden, dass das Fenster zuerst geschlossen werden muss, wenn die Heizung angeschaltet wird, um die Temperatur zu erh\u00f6hen. Der Agent ist ein Lernender Agent<\/em><\/strong>, wenn er zus\u00e4tzlich eine Komponente besitzt, die diesen Plan f\u00fcr die Zukunft abspeichert, statt ihn immer neu zu suchen.<\/p>\n\n\n\n

      Entwickler*innen intelligenter Agenten m\u00fcssen zun\u00e4chst klar erfassen, wie die Umwelt aussehen wird, in der der Agent handeln soll. Es muss klar definiert werden, welche Aufgaben der Agent erf\u00fcllen soll, um daraus abzuleiten, welche F\u00e4higkeiten in den Agenten integriert werden m\u00fcssen. Falls Sie einen Staubsaugroboter zu Hause haben, k\u00f6nnen Sie selbst einmal \u00fcberlegen, welches Agentenmodell dem kleinen Helfer zu Grunde liegen k\u00f6nnte. Wie k\u00f6nnte es bei Sprachassistenten aussehen? Sport- und Schlaftracker? Suchmaschinen? Schachcomputern? Eine einfache Zeitschaltuhr?<\/p>\n\n\n\n

      Zusammenfassung<\/h2>\n\n\n\n

      Wir haben gesehen, wie aus der Frage nach k\u00fcnstlich erzeugtem, „intelligentem“ Verhalten Fragen zur Funktionsweise einzelner kognitiver F\u00e4higkeiten erwuchsen. Der Forschungsbereich K\u00fcnstliche Intelligenz arbeitet in den Kognitionswissenschaften mit vielen anderen Disziplinen zusammen, um Theorien \u00fcber diese kognitiven Komponenten zu entwickeln und in Algorithmen zu \u00fcbertragen.<\/p>\n\n\n\n

      Beobachten wir ein System oder fragen uns, wie wir \u00e4hnliches Verhalten erzeugen k\u00f6nnen, k\u00f6nnen wir versuchen das Agentenmodell anzuwenden. Hierzu beantworten wir folgende Fragen: Wie sieht die „Umgebung“ aus? Welche Informationen aus der Umgebung m\u00fcssen durch Sensoren verf\u00fcgbar gemacht werden? Welche Aktuatoren werden ben\u00f6tigt und welche kognitiven F\u00e4higkeiten m\u00fcssen wie kombiniert werden? Indem wir uns diese Herangehensweisen vor Augen f\u00fchren, tragen wir dem Umstand Rechnung, dass uns bereits jetzt eine Vielzahl von KI-Anwendungen im Alltag begegnen.<\/p>\n","protected":false},"excerpt":{"rendered":"

      In Kooperation mit dem Landesfrauenrat RLP: In diesem Beitrag gibt Autor Sebastian M\u00fcller einen kompakten \u00dcberblick \u00fcber die Facetten der KI und beantwortet die Frage, welche m\u00f6glichen Grundstrukturen KI-Algorithmen zugrunde liegen.<\/p>\n","protected":false},"author":9,"featured_media":4259,"template":"","meta":{"_acf_changed":false,"footnotes":""},"blog-category":[1416,390,465],"blog-tag":[1444,1522],"class_list":["post-4256","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-alle-blogbeitraege","blog-category-grundlagen","blog-category-sie-gestaltet-ki","blog-tag-algorithmen","blog-tag-ki-agenten"],"acf":[],"publishpress_future_workflow_manual_trigger":{"enabledWorkflows":[]},"_links":{"self":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog\/4256","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/types\/blog"}],"author":[{"embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/users\/9"}],"version-history":[{"count":0,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog\/4256\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/media\/4259"}],"wp:attachment":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/media?parent=4256"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog-category?post=4256"},{"taxonomy":"blog-tag","embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog-tag?post=4256"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}