Ein Multi-Agent-System (MAS) besteht aus mehreren KI-Agenten, die gemeinsam daran arbeiten, Aufgaben im Namen eines Benutzers oder eines anderen Systems auszuführen.
Jeder Agent innerhalb eines MAS hat individuelle Eigenschaften, aber alle Agenten verhalten sich kollaborativ, um die gewünschten globalen Eigenschaften zu erreichen.1 MAS sind nützlich für die Erledigung umfangreicher, komplexer Aufgaben, die Hunderte, wenn nicht Tausende von Agenten umfassen können.2
Von zentraler Bedeutung sind dabei Agenten, die auf künstlicher Intelligenz (KI) basieren. Ein KI-Agent ist ein System oder Programm, das in der Lage ist, autonom im Namen eines Benutzers oder eines anderen Systems Aufgaben auszuführen, indem es seinen Workflow gestaltet und verfügbare Tools einsetzt. Das Herzstück von KI-Agenten sind Large Language Models (LLMs). Diese intelligenten Agenten nutzen die fortschrittlichen Techniken zur Verarbeitung natürlicher Sprache von LLMs, um Eingaben zu verstehen und darauf zu reagieren. Agenten arbeiten Probleme Schritt für Schritt durch und bestimmen, wann sie externe Tools aufrufen müssen. Was KI-Agenten von traditionellen LLMs unterscheidet, ist die Verwendung von Tools und die Fähigkeit, einen Aktionsplan zu entwerfen. Die einem Agenten zur Verfügung stehenden Tools können externe Datensätze, Websuchen und Programmierschnittstellen (APIs) umfassen. Ähnlich wie bei der menschlichen Entscheidungsfindung können KI-Agenten auch ihr Gedächtnis aktualisieren, wenn sie neue Informationen erfassen. Durch den Informationsaustausch, die Tool-Nutzung und das adaptive Lernen sind KI-Agenten vielseitiger einsetzbar als herkömmliche LLMs.
Weitere Informationen zu Single-Agent-Systemen finden Sie in unseren ausführlichen Inhalten zu KI-Agenten.
Branchen-Newsletter
Erhalten Sie kuratierte Einblicke in die wichtigsten – und faszinierendsten – KI-Neuheiten. Abonnieren Sie unseren wöchentlichen Think-Newsletter. Weitere Informationen in der IBM Datenschutzerklärung.
Ihr Abonnement wird auf Englisch geliefert. In jedem Newsletter finden Sie einen Abmeldelink. Hier können Sie Ihre Abonnements verwalten oder sich abmelden. Weitere Informationen finden Sie in unserer IBM Datenschutzerklärung.
Intelligente Single-Agent-Systeme interagieren mit ihrer Umgebung, um autonom zu planen, Tools aufzurufen und Antworten zu geben. Die einem Agenten zur Verfügung gestellten Tools liefern Informationen, die ihm sonst nicht zur Verfügung stehen würden. Wie bereits beschrieben, kann es sich bei diesen Informationen um eine Datenbank handeln, die über eine API oder einen anderen Agenten erfasst wird. Man unterscheidet hier zwischen Single- und Multi-Agent-Systemen. Wenn Sie einen anderen Agenten als Tool aufrufen, ist dieser sekundäre Agent Teil der Umgebungsreize des ursprünglichen Agenten. Diese Informationen werden beschafft und es findet keine weitere Zusammenarbeit statt. Multi-Agent-Systeme unterscheiden sich dadurch, dass alle Agenten innerhalb der Umgebung einbezogen werden, um die Ziele, Erinnerungen und Aktionspläne der anderen zu modellieren.4 Die Kommunikation zwischen Agenten kann direkt oder indirekt durch Veränderung der gemeinsamen Umgebung erfolgen.
Jede Entität innerhalb eines Multi-Agent-Systems ist bis zu einem gewissen Grad ein autonomer Agent. Diese Autonomie zeigt sich in der Regel in der Planung, dem Aufrufen von Tools und der allgemeinen Argumentation des Agenten. In einem Multi-Agent-System bleiben Agenten autonom, kooperieren und koordinieren sich jedoch auch in Agentenstrukturen.3 Zur Lösung komplexer Probleme sind Agentenkommunikation und verteilte Problemlösung von entscheidender Bedeutung. Diese Art der Agenteninteraktion kann als Multi-Agent Reinforcement Learning beschrieben werden. Die durch diese Form des Lernens weitergegebenen Informationen können Echtzeit-Informationen enthalten, die durch Sensoren oder Aktionen erfasst werden. Außerdem können die Erfahrungen eines Agenten in Form von episodischen Informationen geteilt werden. Diese Episoden können Sequenzen von Empfindungen, Aktionen und erlernten Richtlinien sein. Schließlich können Agenten ihre Erfahrungen in Echtzeit teilen, um zu verhindern, dass andere Agenten wiederholt dieselben Richtlinien erlernen.5
Einzelne Agenten sind für sich genommen schon leistungsstark. Sie können Teilaufgaben erstellen, Tools verwenden und durch ihre Interaktionen lernen. Das kollektive Verhalten von Multi-Agent-Systemen erhöht das Potenzial für Genauigkeit, Anpassungsfähigkeit und Skalierbarkeit. Multi-Agent-Systeme übertreffen Single-Agent-Systeme aufgrund des größeren Pools gemeinsam genutzter Ressourcen, Optimierung und Automatisierung tendenziell. Anstatt dass mehrere Agenten dieselben Richtlinien erlernen, können gelernte Erfahrung geteilt werden, um die Zeitkomplexität und Effizienz zu optimieren.5
Multi-Agent-Systeme können unter verschiedenen Architekturen arbeiten. In zentralisierten Netzwerken enthält eine zentrale Einheit die globale Wissensdatenbank, verbindet die Agenten und verwaltet deren Informationen. Eine Stärke dieser Struktur ist die einfache Kommunikation zwischen den Agenten und das einheitliche Wissen. Eine Schwäche der Zentralität ist die Abhängigkeit von der zentralen Einheit – wenn diese ausfällt, fällt das gesamte System der Agenten aus.6
Agenten in dezentralen Netzen teilen Informationen mit ihren benachbarten Agenten, anstatt eine globale Wissensdatenbank zu haben. Einige Vorteile dezentraler Netzwerke sind Robustheit und Modularität. Der Ausfall eines Agenten führt nicht zum Ausfall des gesamten Systems, da keine zentrale Einheit vorhanden ist. Eine Herausforderung bei dezentralen Agenten besteht darin, ihr Verhalten zum Nutzen anderer kooperierender Agenten zu koordinieren.7
Es gibt viele Möglichkeiten, Agenten innerhalb eines MAS zu organisieren, darunter:
Eine hierarchische Struktur ist baumartig und enthält Agenten mit unterschiedlichen Autonomiegraden. Innerhalb einer einfachen hierarchischen Struktur kann ein Agent die Entscheidungsbefugnis haben. In einer einheitlichen hierarchischen Struktur kann die Verantwortung auf mehrere Agenten verteilt werden.8
Innerhalb dieses Architekturtyps werden Agenten in Holarchien gruppiert. Ein Holon ist eine Entität, die ohne ihre Komponenten nicht funktionieren kann. Zum Beispiel ist der menschliche Körper ein Holon, weil er ohne funktionierende Organe nicht funktionieren kann.9 In ähnlicher Weise kann in holonischen Multi-Agent-Systemen der führende Agent mehrere Subagenten haben, während er als singuläre Entität erscheint.8 Diese Subagenten können auch in anderen Holons eine Rolle spielen. Diese hierarchischen Strukturen sind selbstorganisiert und werden geschaffen, um durch die Zusammenarbeit der Subagenten ein Ziel zu erreichen.
Koalitionen sind hilfreich, wenn einzelne Agenten in einer Gruppe unterdurchschnittliche Leistungen erbringen. In diesen Situationen werden Agenten vorübergehend zusammengeführt, um den Nutzen oder die Leistung zu steigern. Sobald die gewünschte Leistung erreicht ist, werden die Koalitionen aufgelöst. Es kann schwierig werden, diese Koalitionen in dynamischen Umgebungen aufrechtzuerhalten. Umgruppierungen sind häufig erforderlich, um die Leistung zu steigern.9
Teams ähneln in ihrer Struktur Koalitionen. In Teams arbeiten Agenten zusammen, um die Leistung der Gruppe zu verbessern. Im Gegensatz zu Koalitionen arbeiten Agenten in Teams nicht unabhängig. Die Agenten in Teams sind wesentlich stärker voneinander abhängig und ihre Struktur ist hierarchischer als die von Koalitionen.
Das Verhalten von Agenten innerhalb eines Multi-Agent-Systems spiegelt oft in der Natur vorkommende Verhaltensweisen wider. Die folgenden Agentenverhaltensweisen können sowohl auf Multisoftware- als auch auf Multirobot-Agenten angewendet werden.
Das kollektive Verhalten, das in Multiagentensystemen beobachtet wird, kann dem von Vögeln, Fischen und Menschen ähneln. In diesen Systemen haben die Agenten ein gemeinsames Ziel und benötigen eine gewisse Organisation, um ihr Verhalten zu koordinieren. Flocking bezieht sich auf die Richtungssynchronisation. Die Struktur dieser Flocks kann durch folgende Heuristiken beschrieben werden:10
Im Zusammenhang mit Softwareagenten ist diese Koordination entscheidend für MAS, die Transportnetzwerke wie Eisenbahnsysteme verwalten.
Die räumliche Positionierung der Agenten in einem Multi-Agenten-System kann mit einem Schwarm in der Natur verglichen werden. So fliegen Vögel zum Beispiel synchron, indem sie sich an benachbarte Vögel anpassen. Aus technischer Sicht ist Swarming die emergente Selbstorganisation und Aggregation von Softwareagenten mit dezentraler Steuerung.11 Ein Vorteil des Swarming ist, dass ein einziger Mitarbeiter für die Verwaltung eines Schwarms von Agenten geschult werden kann. Diese Methode ist weniger rechenintensiv und zuverlässiger als die Schulung eines Mitarbeiters für jeden Agenten.12
Multi-Agent-Systeme können viele komplexe Aufgaben in der realen Welt lösen. Beispiele für Anwendungsbereiche sind:
Multi-Agent-Systeme können zur Verwaltung von Transportsystemen verwendet werden. Die Eigenschaften von Multiagentensystemen, die Koordinierung komplexer Verkehrssysteme ermöglichen, sind Kommunikation, Zusammenarbeit, Planung und Echtzeitzugriff auf Informationen. Beispiele für verteilte Systeme, die von MAS profitieren könnten, sind Eisenbahnsysteme, LKW-Zuweisungen und Schiffe, die dieselben Häfen anlaufen.13
Multi-Agent-Systeme können für verschiedene spezifische Aufgaben im Gesundheitswesen eingesetzt werden. Diese Systeme auf der Grundlage von Agenten können durch genetische Analysen bei der Vorhersage und Vorbeugung von Krankheiten helfen. Medizinische Krebsforschung könnte eine Anwendung sein.14 Darüber hinaus können MAS als Werkzeuge zur Verhinderung und Simulation der Ausbreitung einer Epidemie dienen. Diese Art des Forecasting wird durch den Einsatz epidemiologisch datengespeister neuronaler Netze und Techniken des maschinellen Lernens (ML) zur Verwaltung großer Datensätze ermöglicht. Diese Erkenntnisse können sich auf die öffentliche Gesundheit und die Politik auswirken.15
Zahlreiche Faktoren beeinflussen eine Lieferkette. Diese Faktoren reichen von der Herstellung der Waren bis hin zum Kauf durch den Verbraucher. Systeme mit mehreren Agenten können ihre riesigen Informationsressourcen, ihre Vielseitigkeit und Skalierbarkeit nutzen, um die Komponenten des Lieferkettenmanagements miteinander zu verbinden. Um diese intelligente Automatisierung bestmöglich zu steuern, sollten virtuelle Agenten miteinander verhandeln. Diese Verhandlung ist wichtig für Agenten, die mit anderen Agenten zusammenarbeiten, die widersprüchliche Ziele verfolgen.16
Multi-Agent-Systeme können zur Stärkung von Verteidigungssystemen beitragen. Zu den potenziellen Bedrohungen können sowohl physische Probleme der nationalen Sicherheit als auch Cyberangriffe gehören. Multi-Agent-Systeme können mit ihren Tools potenzielle Angriffe simulieren. Ein Beispiel ist eine Simulation eines maritimen Angriffs. In diesem Szenario würden Agenten in Teams zusammenarbeiten, um die Interaktionen zwischen eindringenden Terroristenbooten und Verteidigungsschiffen aufzuzeichnen.17 Durch die Arbeit in kooperativen Teams können die Agenten außerdem verschiedene Bereiche des Netzwerks überwachen, um eingehende Bedrohungen wie DDoS-Flooding-Angriffe (Distributed Denial of Service) zu erkennen.18
Es gibt mehrere Eigenschaften von MAS, die Vorteile bieten, darunter:
MAS können sich an unterschiedliche Umgebungen anpassen, indem sie Agenten hinzufügen, entfernen oder anpassen.
Durch die Zusammenarbeit mehrerer Agenten entsteht ein größerer Pool an gemeinsamen Informationen. Diese Zusammenarbeit ermöglicht es Multi-Agent-Systemen, komplexere Probleme und Aufgaben zu lösen als Single-Agent-Systeme.
SAS erfordern, dass ein einziger Agent Aufgaben in verschiedenen Domänen ausführt, während jeder Agent in einem MAS über spezifisches Fachwissen verfügen kann.
Multiagenten-Frameworks übertreffen in der Regel einzelne Agenten.19 Das liegt daran, dass mit einer größeren Anzahl an Handlungsplänen die Fähigkeit der Agenten, zu lernen und ihre Vorgehensweise zu „überdenken“, verbessert wird. Ein KI-Agent, der Wissen und Feedback von anderen KI-Agenten mit Spezialgebieten in verwandten Bereichen einbezieht, kann für die Informationssynthese nützlich sein. Diese Zusammenarbeit im Backend von KI-Agenten und die Fähigkeit, Informationslücken zu schließen, sind einzigartig für agentenbasierte Frameworks und machen sie zu einem leistungsstarken Werkzeug und einem bedeutenden Fortschritt in der künstlichen Intelligenz.
Bei der Konzeption und Implementierung von MAS gibt es verschiedene Herausforderungen, darunter:
Systeme mit mehreren Agenten, die auf denselben Foundation Models aufgebaut sind, können gemeinsame Schwachstellen aufweisen. Solche Schwachstellen könnten zu einem systemweiten Ausfall aller beteiligten Agenten führen oder die Anfälligkeit für schädliche Angriffe erhöhen.20 Dies unterstreicht die Bedeutung der Data Governance für die Erstellung von Foundation Models und die Notwendigkeit gründlicher Trainings- und Testprozesse.
Eine der größten Herausforderungen beim Aufbau von Multi-Agent-Systemen ist die Entwicklung von Agenten, die sich untereinander koordinieren und verhandeln können. Diese Zusammenarbeit ist für ein funktionierendes Multi-Agenten-System unerlässlich.
Bei den Agenten, die autonom und unabhängig in dezentralen Netzwerken arbeiten, kann es zu widersprüchlichem oder unvorhersehbarem Verhalten kommen. Das Erkennen und Verwalten von Problemen innerhalb des größeren Systems kann unter diesen Bedingungen schwierig sein.
Ermöglichen Sie Entwicklern die Erstellung, Bereitstellung und Überwachung von KI-Agenten mit dem IBM watsonx.ai Studio.
Erzielen Sie bahnbrechende Produktivität mit einem der branchenweit umfassendsten Funktionenpakete, das Unternehmen bei der Erstellung, Anpassung und Verwaltung von KI-Agenten und KI-Assistenten unterstützt.
Erzielen Sie Kosteneinsparungen von über 90 % mit den kleineren und offenen Modellen von Granite, die auf Entwicklereffizienz ausgelegt sind. Diese auf Unternehmen abgestimmten Modelle bieten eine herausragende Leistung bei Sicherheitsbenchmarks und in einem breiten Spektrum von Unternehmensaufgaben von Cybersicherheit bis RAG.