Schulungsübersicht
Tag 1
Anatomie eines modernen KI-Agenten
Weit mehr als Chatbots: Agenten als autonome Systeme für Reasoning und Handeln
Reaktive, proactive, hybride und zielgerichtete Agenten-Paradigmen
Komponenten: Wahrnehmung (Perception), Planung (Planning), Gedächtnis (Memory), Tool-Nutzung und Aktion
Vor- und Nachteile von Single-Agent- versus Multi-Agent-Designs
Agent-Frameworks und der moderne Stack
LangChain, LlamaIndex, AutoGen, CrewAI und deren Vor- und Nachteile
Vergleich mit klassischen Frameworks wie JADE und SPADE
Auswahl des Frameworks in Abhängigkeit von Produktionsanforderungen
Tool Calling, Function Calling und strukturierte Outputs
Praxis: Aufbau eines einzelnen Python-Agenten mit Tool Calls
Architekturen für Multi-Agent-Systeme
Zentralisierte, dezentrale, hybride und mehrschichtige MAS-Designs (Multi-Agent Systems)
FIPA ACL, Message Passing und moderne Äquivalente
Koordinationsmuster: Planung, Verhandlung, Synchronisation
Emergentes Verhalten und Selbstorganisation in Agenten-Populationen
Entscheidungsfindung und Lernen in Agenten
Spieltheorie für kooperative und wettbewerbliche Interaktionen zwischen Agenten
Reinforcement Learning in multi-agentischen Umgebungen
Transfer Learning und Wissensweitergabe über Agenten hinweg
Konfliktlösung und Vertrauensbildung zwischen koordinierten Agenten
Tag 2
Multimodale Grundlagen für Agenten
Multimodale KI als einheitlicher Workflow über Text, Bild, Sprache und Video
Führende multimodale Modelle: GPT-4 Vision, Gemini, Claude, Whisper
Fusionstechniken zur Kombination verschiedener Modalitäten innerhalb des Reasoning-Cyclus eines Agenten
Abwägung zwischen Latenz, Kosten und Genauigkeit in multimodalen Pipelines
Aufbau der Wahrnehmungsschicht
Bildverarbeitung für Agenten: Klassifizierung, Captioning, Objekterkennung
Spracherkennung mit Whisper ASR und Streaming-Transkription
Text-to-Speech-Synthese und natürliche Sprachinteraktion
Anbindung der Wahrnehmungsoutputs an das LLM-gestützte Reasoning und die Tool-Auswahl
Praxisaufbau - Multimodaler Agent in Python
Definition von Aufgabe, Kontextfenster und Werkzeuginventar des Agenten
Anbindung der GPT-4-Vision- und Whisper-APIs von Ende zu Ende
Implementierung von Gedächtnis, State-Management und Konversationssteuerung
Sichere Implementierung von Tool Calls mit realen Seiteneffekten
Praxisaufbau - Orchestrierung eines Multi-Agenten-Systems
Komposition spezialisierter Agenten mit AutoGen oder CrewAI
Definition von Rollen, Zuständigkeiten und Inter-Agent-Kommunikationsprotokollen
Ressourcenallokation und Koordination in einer simulierten Umgebung
Protokollierung von Reasoning, Tool Calls und Entscheidungen zur Inspektion und Auditierung
Tag 3
Bedrohungsumfeld von KI-Agenten in der Produktion
Was macht agentic AI im Vergleich zu traditioneller Software einzigartig verwundbar?
Angriffsfläche: Daten-, Modell-, Prompt-, Tool-, Output- und Interface-Schichten
Threat Modeling für agentenbasierte Systeme mit autonomer Tool-Nutzung
Vergleich von KI-Cybersecurity-Praktiken mit traditioneller Cybersecurity
Adversarial Attacks - Praxis
Adversariale Beispiele und Störmethoden: FGSM, PGD, DeepFool
Weißer Kasten (White-box) versus schwarzer Kasten (Black-box)-Angriffsszenarien
Model Inversion und Membership Inference Attacks
Data Poisoning und Backdoor-Injection während des Trainings
Prompt Injection, Jailbreaking und Missbrauch von Tools in LLM-basierten Agenten
Defensive Techniken und Härtung von Modellen
Adversarial Training und Strategien zur Datenaugmentation
Defensive Distillation und weitere Robustheitstechniken
Eingangsdaten-Vorverarbeitung, Gradient Masking und Regularisierung
Differential Privacy, Rauschinjektion und Privatsphärenbudgets
Federated Learning und sicheres Aggregieren für verteiltes Training
Praxis mit dem Adversarial Robustness Toolbox
Simulation von Angriffen gegen den in Tag 2 gebauten multimodalen Agenten
Messung der Robustheit unter Perturbation und Quantifizierung des Leistungsabfalls
Anwendung defensiver Maßnahmen iterativ und Neubeurteilung der Angriffserfolgsraten
Stress-Testing von Tool-Call-Pfaden und Prompt-Injection-Vektoren
Tag 4
Risikomanagement-Frameworks für KI
NIST AI Risk Management Framework: Regieren, Kartieren, Messen, Managen
ISO/IEC 42001 und neue KI-spezifische Standards
Kartierung von KI-Risiken auf bestehende Enterprise-GRC-Frameworks
Anforderungen an KI-Accountability, Auditierbarkeit und Dokumentation
Regulatorische Konformität für agentic Systeme
EU-KI-Verordnung (EU AI Act): Risikoklassen, verbotene Anwendungen und Pflichten bei Hochrisikosystemen
Auswirkungen von DSGVO und CCPA auf Agenten-Daten-Pipelines
US-Executive Order on Safe, Secure, and Trustworthy AI
Branchenspezifische Leitlinien für Finanzen, Gesundheitswesen und öffentliche Dienste
Drittanbieter-Risiko und Nutzung von KI-Werkzeugen durch Lieferanten
Ethik, Bias und Erklärbarkeit
Bias-Erkennung und -Minderung in der Wahrnehmung und Reasoning-Kette des Agenten
Erklärbarkeit und Transparenz als sicherheitsrelevante Eigenschaften
Fairness, nachgelagerte Schäden und verantwortungsvolle Bereitstellung
Gestaltung inklusiver und auditierbaren Agentenverhaltens
Produktionseinsatz, Überwachung und Incident Response
Sichere Deployment-Muster für Single- und Multi-Agent-Systeme
Kontinuierliche Überwachung auf Drift, Anomalien und Missbrauch
Protokollierung, Audit Trails und forensische Bereitschaft für Agentenaktionen
Incident Response Playbooks für KI-Sicherheit und Wiederherstellung
Fallstudien realer KI-Sicherheitsvorfälle und daraus gewonnene Lehren
Capstone und Synthese
Aufbau des multimodalen Multi-Agenten-Systems über den gesamten Kurs hinweg
End-to-End-Pipeline-Review: Design, Aufbau, Sicherheit, Governance, Deployment
Selbstbewertung des Systems anhand der NIST AI RMF-Funktionen
Ausblick auf entstehende Trends im Bereich agentic AI und KI-Sicherheit
Zusammenfassung und nächste Schritte
Voraussetzungen
Zielgruppe
KI-Ingenieurinnen und -Ingenieure sowie Architektinnen und Architekten, die agentic Systeme für Produktionsumgebungen entwickeln. Cybersecurity-Experten, Risikomanager und Compliance-Spezialisten, die für KI-Sicherheit in regulierten Branchen wie Finanzen, Gesundheitswesen und Consulting verantwortlich sind. Senior-Entwicklerinnen und -Entwickler sowie Solution Leads, die multimodale und multi-agentische Fähigkeiten in Unternehmensplattformen integrieren.
Erfahrungsberichte (3)
Der Trainer ist geduldig und sehr hilfsbereit. Er kennt sich gut mit dem Thema aus.
CLIFFORD TABARES - Universal Leaf Philippines, Inc.
Kurs - Agentic AI for Business Automation: Use Cases & Integration
Maschinelle Übersetzung
Guter Mix aus Wissen und Praxis
Ion Mironescu - Facultatea S.A.I.A.P.M.
Kurs - Agentic AI for Enterprise Applications
Maschinelle Übersetzung
Die Mischung aus Theorie und Praxis sowie den Perspektiven auf hohem und niedrigem Niveau
Ion Mironescu - Facultatea S.A.I.A.P.M.
Kurs - Autonomous Decision-Making with Agentic AI
Maschinelle Übersetzung
