Sign In
Free Sign Up
  • English
  • Español
  • 简体中文
  • Deutsch
  • 日本語
Sign In
Free Sign Up
  • English
  • Español
  • 简体中文
  • Deutsch
  • 日本語

Agentic AI vs Generative AI: Verständnis der wesentlichen Unterschiede und Auswirkungen

Große Sprachmodelle (LLMs) (opens new window) wie GPT (opens new window) können Text generieren, Fragen beantworten und bei vielen Aufgaben unterstützen. Sie sind jedoch reaktiv, was bedeutet, dass sie nur auf die Eingabe reagieren, die sie aufgrund von gelernten Mustern erhalten haben. LLMs können keine eigenen Entscheidungen treffen; abgesehen davon können sie nicht planen oder sich an sich ändernde Situationen anpassen.

Agentic AI (opens new window) kommt ins Spiel, um dieses Problem zu lösen. Im Gegensatz zu **generative AI (opens new window)** LLMs kann agentic AI eigenständig handeln, Ziele setzen und aus Erfahrungen lernen. Es ist proaktiv, kann im Laufe der Zeit seine Handlungen anpassen und kann komplexere Aufgaben bewältigen, die fortlaufende Problemlösung und Entscheidungsfindung erfordern. Diese Verschiebung von reaktiver zu proaktiver KI eröffnet neue Möglichkeiten für die Technologie in vielen Branchen.

In dieser Blog-Serie werden wir die Unterschiede zwischen Agentic AI und Generative AI aufschlüsseln und betrachten, wie sich dies auf Branchen und die Zukunft der Technologie auswirkt. In diesem ersten Beitrag werden wir damit beginnen, zu erkunden, was diese beiden Arten von KI voneinander unterscheidet.

# Agentic AI

Agentic AI bezieht sich auf KI-Systeme, die eigenständig Entscheidungen treffen und Aktionen durchführen können, um bestimmte Ziele zu erreichen. Anstatt nur Inhalte zu generieren, können diese KI-Modelle mit ihrer Umgebung interagieren, auf Veränderungen reagieren und Aufgaben mit minimalem menschlichem Aufwand abschließen. Zum Beispiel könnte ein virtueller Assistent mit agentic Fähigkeiten nicht nur Informationen bereitstellen, sondern auch Termine planen, Erinnerungen verwalten oder andere Aktionen durchführen, um dem Benutzer bei der Erreichung seiner Ziele zu helfen. Ebenso sind selbstfahrende Autos Beispiele für agentic AI, da sie in Echtzeit Entscheidungen treffen, um sicher auf Straßen zu navigieren und Ziele unabhängig zu erreichen.

# Generative AI

Generative AI ist eine Art von künstlicher Intelligenz, die sich darauf konzentriert, neue Inhalte wie Texte, Bilder, Musik oder sogar Videos zu erstellen. Sie lernt aus großen Datenmengen, um Muster, Stile oder Strukturen zu verstehen und generiert dann auf Grundlage des Gelernten originale Inhalte. Zum Beispiel kann eine generative KI wie ChatGPT einzigartige Textantworten auf Fragen liefern, während bildgenerierende Modelle wie DALL-E Bilder anhand von Textbeschreibungen erstellen können. Generative KI ist im Wesentlichen wie ein digitaler Künstler oder Schriftsteller, der kreative Arbeiten auf Grundlage des Gelernten produziert.

Die obige Abbildung verdeutlicht, wie Agentic AI durch einen iterativen, zyklischen Arbeitsablauf funktioniert, der Phasen wie "Denken/Forschung" und "Überarbeitung" umfasst. Dieser anpassungsfähige Prozess beinhaltet kontinuierliche Selbstbewertung und Verbesserung, wodurch Agentic AI eine qualitativ hochwertigere, optimierte Ausgabe erzeugen kann. Indem es mehrere Schritte unternimmt, um seine Arbeit zu testen und zu verfeinern, kann Agentic AI eigenständig arbeiten, aus jeder Phase lernen und Aufgaben bewältigen, die fortlaufende Bewertung und Anpassung erfordern.

In der obigen Abbildung sehen Sie, wie Generative AI einen einfachen, einteiligen Arbeitsablauf verfolgt: Es geht direkt von "Start" zu "Fertig" in einem Durchgang. Dies bedeutet, dass die KI eine sofortige Antwort liefert, ohne ihre Ausgabe erneut zu überprüfen oder zu verfeinern. Der Prozess ist linear und liefert ein grundlegendes Ergebnis, das der ursprünglichen Anforderung entspricht, jedoch keine Randfälle oder iterative Tests berücksichtigt. Dies verdeutlicht die Einschränkungen von Generative AI bei der Bewältigung komplexerer oder anpassungsfähiger Aufgaben.

# Merkmale von Agentic AI und GenAI

Dieser Abschnitt untersucht die einzigartigen Merkmale von Agentic AI und GenAI und hebt ihre unterschiedlichen Ansätze in Bezug auf Intelligenz, Autonomie und Entscheidungsfindung hervor.

  • Autonomie: Agentic AI kann eigenständig handeln, ohne ständige Eingaben von Menschen zu benötigen. Es trifft Entscheidungen und führt Aufgaben eigenständig aus. Man kann es sich wie einen Roboter vorstellen, der ohne menschlichen Controller arbeitet und basierend auf seiner Umgebung entscheidet, was als nächstes zu tun ist.
  • Zielgerichtetes Verhalten: Agentic AI arbeitet mit einem klaren Ziel vor Augen. Es reagiert nicht einfach zufällig auf die Welt; es arbeitet aktiv auf etwas Bestimmtes hin. Zum Beispiel strebt ein selbstfahrendes Auto danach, Sie sicher zu Ihrem Ziel zu bringen, und jede Aktion, die es unternimmt, vom Lenken bis zum Bremsen, dient diesem Ziel.
  • Anpassung und Lernen: Der Agent lernt aus seinen Handlungen und Erfahrungen. Wenn er auf ein Problem oder einen Fehler stößt, passt er sich an. Zum Beispiel lernt eine KI, die Filme empfiehlt, welche Filme Sie bevorzugen, und verbessert sich im Laufe der Zeit, um Ihnen bessere Vorschläge zu machen.
  • Komplexe Entscheidungsfindung: Agentic AI trifft nicht nur einfache Entscheidungen; sie bewertet viele Optionen und berücksichtigt Auswirkungen. Stellen Sie sich eine KI vor, die einen Aktienhandelsalgorithmus steuert: Sie analysiert Unmengen von Daten, prognostiziert Trends und entscheidet auf Grundlage dieser Informationen, ob sie Aktien kaufen oder verkaufen soll.
  • Umweltwahrnehmung: Damit KI intelligente Entscheidungen treffen kann, muss sie ihre Umgebung verstehen. Dies geschieht durch Sensoren oder Daten. Ein Roboter verwendet zum Beispiel Kameras, um Hindernisse zu "sehen" und dann daran vorbeizunavigieren.
  • Eingeschränkte Autonomie: Generative AI hat eingeschränkte Autonomie. Sie handelt nicht eigenständig und erfordert menschliche Eingaben, um Antworten zu generieren. Sie verarbeitet die erhaltenen Eingaben und erzeugt Ausgaben auf Grundlage gelernter Muster, kann jedoch keine Aktionen initiieren oder ohne externe Anweisungen arbeiten.
  • Aufgabenorientiertes Verhalten: Generative AI ist aufgabenorientiert, aber nur in reaktiver Hinsicht. Sie reagiert auf spezifische Anfragen oder Aufgaben, indem sie relevante Inhalte wie Texte oder Bilder generiert, verfolgt jedoch keine langfristigen Ziele oder hat ein übergreifendes Ziel. Jede Aufgabe wird auf Grundlage unmittelbarer Eingaben abgeschlossen.
  • Einfache Entscheidungsfindung: Generative AI beteiligt sich an einfacher Entscheidungsfindung. Sie wählt Ausgaben auf Grundlage gelernter Muster aus, bewertet jedoch nicht mehrere Alternativen oder berücksichtigt Konsequenzen. Wenn beispielsweise Text generiert wird, wählt sie das wahrscheinlichste nächste Wort oder die wahrscheinlichste nächste Phrase auf Grundlage des Trainings aus, trifft jedoch keine komplexen, geschichteten Entscheidungen.
  • Kein Lernen oder Anpassen: Generative AI lernt oder passt sich nicht in Echtzeit an. Sobald sie trainiert ist, arbeitet sie auf Grundlage der während des Trainings gelernten Muster, ändert oder verbessert ihre Leistung jedoch nicht auf Grundlage neuer Interaktionen, es sei denn, sie wird mit aktualisierten Daten erneut trainiert.
  • Keine Umweltwahrnehmung: Generative AI hat keine Umweltwahrnehmung. Sie arbeitet mit Daten (z. B. Texten, Bildern), kann jedoch die physische Umgebung nicht wahrnehmen oder interpretieren. Sie kann ihre Umgebung nicht verstehen und reagiert nur auf die ihr gegebene Eingabe, ohne jegliches externes Bewusstsein.

# Fallstudie: Agentic Workflow in Aktion

Während die theoretischen Unterschiede zwischen Generative AI und Agentic AI klar sind, wird das wahre Potenzial von Agentic AI erst dann deutlich, wenn man diese Konzepte in Aktion sieht. Um ihren praktischen Wert zu demonstrieren, werden wir eine Fallstudie untersuchen, die zeigt, wie Agentic AI in realen Szenarien herkömmliche LLM-Methoden übertrifft.

Andrew Ng teilte eine Fallstudie, um die Leistungsfähigkeit des Agentic Workflows bei Codierungsaufgaben zu verdeutlichen. Sein Team testete zwei Methoden anhand des HumanEval-Codierungsbenchmarks. Die Aufgabe lautete: "Gegeben eine Liste von Ganzzahlen, geben Sie die Summe aller Elemente an geraden Positionen zurück." Bei der ersten Methode, zero-shot prompting (opens new window), wurde die KI einfach gebeten, das Problem direkt ohne zusätzliche Schritte zu lösen. Zum Beispiel erzielte GPT-3.5 eine Genauigkeit von 48 % und GPT-4 schnitt mit 67 % besser ab. Diese Ergebnisse waren gut, aber nicht außergewöhnlich.

Schnelle Begriffe:

  • Zero-shot prompting: Die KI wird gebeten, ein Problem zu lösen, ohne zusätzliche Anweisungen oder eine Aufteilung in kleinere Schritte zu erhalten.
  • Agentic Workflow: Eine Methode, bei der eine Aufgabe in kleinere Phasen wie Verständnis, Codierung, Testen und Debuggen aufgeteilt wird, wodurch die KI iterieren und sich im Laufe der Zeit verbessern kann.

Jedoch schnitt GPT-3.5 bei Anwendung des Agentic Workflows, bei dem die Aufgabe in kleinere Schritte wie das Verständnis des Problems, das Schreiben des Codes in Teilen, das Testen und das Beheben von Fehlern aufgeteilt wird, sogar besser ab als GPT-4. Ng wies darauf hin, dass GPT-4 ebenfalls bessere Ergebnisse zeigte, wenn der Agentic Workflow verwendet wurde. Dies zeigt, dass AI-Modelle, insbesondere ältere Modelle, durch einen schrittweisen Ansatz leistungsfähiger sein können und traditionelle Methoden wie zero-shot prompting übertreffen können.

# Fazit

Da KI einen immer größeren Teil unseres Lebens und unserer Arbeitsplätze ausmacht, ist es sehr wichtig, die Unterschiede zwischen Agentic AI und Generative AI zu verstehen. Generative AI war sehr hilfreich bei Aufgaben wie der Textgenerierung, indem sie auf Anfragen reagiert und Texte oder Bilder generiert. Sie ist jedoch darauf beschränkt, Anweisungen ohne echte Autonomie zu befolgen. Agentic AI hingegen ist ein Schritt nach vorn - sie kann Ziele setzen, Entscheidungen treffen und sich eigenständig an sich ändernde Situationen anpassen, komplexe Aufgaben ohne ständige menschliche Anleitung übernehmen.

Durch die Verwendung von Methoden wie dem Agentic Workflow können KI-Systeme effektiver werden, indem sie die Leistung durch iterative Schritte verbessern und aus jeder Phase lernen. Diese Verschiebung eröffnet Möglichkeiten für fortschrittliche Anwendungen und ermöglicht es sogar älteren Modellen, sich weiterzuentwickeln und relevant zu bleiben. In den nächsten Teilen dieser Serie werden wir untersuchen, wie Agentic AI in der Praxis funktioniert und ihr Potenzial, Branchen umzugestalten und neue Innovationen voranzutreiben.

Keep Reading
images
Aufbau eines RAG-fähigen Chatbots mit MyScale

Große Sprachmodelle (LLM) können zuverlässigere Antworten liefern, wenn sie mit abgerufenen Kontexten aus einer Wissensdatenbank ergänzt werden, was als Retrieval Augmented Generation (RAG) bekannt is ...

Start building your Al projects with MyScale today

Free Trial
Contact Us