Multiagentensysteme dank Generativer KI vor dem Durchbruch

Die Idee von Mul­ti­a­gen­ten­sys­te­men, die in der Lage sind, gemein­schaftlich kom­plexe Auf­gaben­stel­lun­gen zu erledi­gen, existiert schon seit Jahrzehn­ten. Bis­lang waren die Hür­den jedoch zu hoch. Die Sys­teme und ihre Rou­ti­nen wur­den für bes­timmte Anwen­dungs­fälle ent­wor­fen und pro­gram­miert. Dadurch kon­nten sie nicht oder nur mit stark­er Verzögerung auf sich ändernde Anforderun­gen und Umweltbe­din­gun­gen reagieren. Hinzu kam, dass die Zusam­me­nar­beit mehrerer Agen­ten über Unternehmensgren­zen hin­weg ein Sicher­heit­sprob­lem darstellte. Architek­tu­ran­sätze wie SOA und die Ver­bre­itung des Cloud­com­put­ing ließen die Hoff­nung aufkeimen, dass die Beschränkun­gen schon bald Geschichte seien. Es war jedoch noch ein weit­er Weg, bis die ersten prax­is­tauglichen Frame­works für die Erstel­lung von MAS am Markt ver­füg­bar waren.

Ein­satzfelder von MAS
Die Ver­net­zung in der Wirtschaft hat in den ver­gan­genen Jahren stark zugenom­men. Die Leis­tungser­stel­lung vol­lzieht sich immer häu­figer in Wertschöp­fungsnet­zw­erken, die über die ganze Welt verteilt sein kön­nen. Jed­er Akteur übern­immt dabei bes­timmte, klar definierte Auf­gaben. Den­noch kön­nen sich die Auf­gaben­stel­lun­gen eben­so wie die Umweltbe­din­gun­gen rasch ändern und eine schnelle Reak­tion erfordern. Par­al­lel dazu ist die Kom­plex­ität der inter­nen Leis­tungser­stel­lung eben­falls gestiegen. Der Fachkräfte­man­gel zwingt zu der Suche nach Wegen, die Arbeit­spro­duk­tiv­ität zu erhöhen, zumin­d­est aber auf dem aktuellen Niveau beizube­hal­ten.

Bere­its vor mehr als zwanzig Jahren nan­nte ein­er der Vor­denker der Mul­ti­a­gen­ten­sys­teme, Jacques Fer­ber, sechs Gründe, die für die Notwendigkeit verteil­ter Kün­stlich­er Intel­li­genz und damit von MAS sprechen:

• Prob­leme sind physisch verteilt.
• Prob­leme sind in funk­tionaler Hin­sicht verteilt und het­ero­gen.
• Net­zw­erke zwin­gen uns zu ein­er verteil­ten Sichtweise.
• Die Kom­plex­ität der Prob­leme erzwingt lokale Per­spek­tiv­en.
• Sys­teme müssen in der Lage sein, sich an Verän­derun­gen der Auf­gaben­struk­tur und der Umwelt anzu­passen.
• Soft­ware-Engi­neer­ing tendiert zu Architek­turen, die auf autonomen, inter­agieren­den Ein­heit­en basieren.
  Quelle: Mulita­gen­ten­sys­teme. Eine Ein­führung in der verteilte Kün­stliche Intel­li­genz von Jacques Fer­ber

Vorstufen
Ein wichtiger Schritt in Rich­tung MAS war die Ein­führung der Robot­ic Process Automa­tion (RPA). In der ersten Phase der Robot­ic Process Automa­tion wur­den Tätigkeit­en, wie Dateneingaben, mit hohem Wieder­hol­ungs­grad und geringer Kom­plex­ität automa­tisiert. Die strate­gis­che Ebene, d.h. die Prozes­sautoma­tion mit­tels APIs, blieb, so August-Wil­helm Scheer im Gespräch mit KI-Agen­ten, davon jedoch weit­ge­hend unberührt. Eben­so war die Logik zwis­chen den unter­schiedlichen Sys­te­men, die per API anges­teuert wer­den soll­ten, unbekan­nt. Aus unter­schiedlichen Rich­tun­gen haben sich die Her­steller von Lösun­gen für die Robot­ic Process Automa­tion, von API-Kon­nek­toren und Work­flow-Man­age­ment-Sys­te­men angenähert. Aber auch dann bleibt als zen­trale Auf­gabe die Inte­gra­tion der Prozesse, APIs und Work­flow-Man­age­ment-Sys­teme. Hier­für ste­hen mit­tler­weile ver­schiedene No- und Low-Code — Inte­gra­tionsplat­tfor­men zur Ver­fü­gung. Scheer betont gegenüber KI-Agen­ten, dass die Ein­führung schrit­tweise und nicht mit einem Schlag erfol­gen wird.

Gen­er­a­tive KI als Game Chang­er
Trotz der genan­nten Entwick­lun­gen hat sich die Lage für MAS erst mit dem Aufkom­men der Gen­er­a­tiv­en KI deut­lich gewan­delt. Auf Gen­er­a­tive KI basierende Bib­lio­theken und Frame­works, wie Microsoft Auto­Gen, Jarvis/Hugging Face, MetaG­PT, Lang­Graph und LangChain, ermöglichen es, prax­is­taugliche Mul­ti­a­gen­ten­sys­teme (MAS) zu entwick­eln.

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: Why agents are the next fron­tier of gen­er­a­tive AI).

MAS in der Soft­wa­reen­twick­lung
Mul­ti­a­gen­ten­sys­teme kön­nten bei der Pro­gram­mierung und Aus­führung von Soft­ware­codes einge­set­zt wer­den. ERP-Sys­teme wie SAP wer­den mit einem ganzen Bün­del an vorkon­fig­uri­erten Prozessen aus­geliefert. Das, so August-Wil­helm Scheer, führt zwangsläu­fig zu ein­er hohen Kom­plex­ität und gerin­gen Flex­i­bil­ität. Beim Einkauf beispiel­sweise müssen alle Vari­anten, die auftreten kön­nen, vorge­hal­ten wer­den. Sollte den­noch eine noch nicht abge­bildete Vari­ante auf­tauchen, muss diese von SAP-Beratern imple­men­tiert (“Cus­tomized”) wer­den. Wie wäre es nun, wenn Agen­ten Soft­ware­code bei Bedarf (On demand) erstellen und aus­führen? Neue Prozesse bzw. Vari­anten lassen sich so ad hoc imple­men­tieren. Typen wer­den durch Agen­ten erset­zt.