Schulungsübersicht
Tag 1
Anatomie eines modernen KI-Agenten
Nüber Chatbots hinaus: Agents als autonome Systeme für reasoning und Handeln
Reaktive, proactive, hybride und zielgerichtete Agenten-Paradigmen
Komponenten: Wahrnehmung, Planung, Speicher, Tool-Nutzung, Handeln
Tradeoffs im Design zwischen Single-Agent- und Multi-Agent-Systemen
Agent Frameworks und der moderne Stack
LangChain, LlamaIndex, AutoGen, CrewAI und deren Tradeoffs
Vergleich mit klassischen Frameworks wie JADE und SPADE
Auswahl eines Frameworks basierend auf Produktionsanforderungen
Tool Calling, Function Calling und strukturierte Ausgaben
Praxis: Aufbau eines einzelnen Python-Agenten mit Tool Calls
Architekturen für Multi-Agent-Systeme
Zentralisierte, dezentrale, hybride und geschichtete MAS-Designs
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 kompetitive Agent-Interaktionen
Reinforcement Learning in Multi-Agent-Umgebungen
Transfer Learning und Wissensaustausch zwischen Agenten
Konfliktlösung und Vertrauensbildung zwischen koordinierenden Agenten
Tag 2
Multi-modale Grundlagen für Agenten
Multi-modale KI als integrierter Workflow über Text, Bild, Stimme und Video
Führende multi-modale Modelle: GPT-4 Vision, Gemini, Claude, Whisper
Fusionstechniken zur Kombination von Modalitäten innerhalb des Reasoning-Loops
Tradeoffs zwischen Latenz, Kosten und Genauigkeit in multi-modalen Pipelines
Aufbau der Wahrnehmungsschicht
Bildverarbeitung für Agenten: Klassifizierung, Captioning, Objekterkennung
Spracherkennung mit Whisper ASR und Streaming-Transkription
Text-zu-Sprache-Synthese und natürliche Sprachinteraktion
Verknüpfung der Wahrnehmungsoutputs mit LLM-gesteuertem Reasoning und Tool-Auswahl
Praxis - Aufbau eines Multi-modalen Agenten in Python
Definition der Aufgabe, des Kontextfensters und der Tool-Inventars des Agenten
Anbindung der GPT-4 Vision- und Whisper-APIs End-to-End
Implementierung von Speicher, Status und Conversation Management
Hinzufügen von Tool Calls, die reale Nebenwirkungen sicher erzeugen
Praxis - Orchestrierung eines Multi-Agent-Systems
Komposition spezialisierter Agenten mit AutoGen oder CrewAI
Definition von Rollen, Verantwortlichkeiten und Inter-Agent-Kommunikationsprotokollen
Ressourcenzuteilung und Koordination in einer simulierten Umgebung
Logging des Agenten-Reasonings, Tool Calls und Entscheidungen zur Inspektion und Prüfung
Tag 3
Gefahrenfläche von Produktions-KI-Agenten
Was agentic AI einzigartig verwundbar macht im Vergleich zu traditioneller Software
Attack Surface: Daten, Modell, Prompt, Tool, Ausgabe und Schnittstellenebenen
Threat Modeling für agentenbasierte Systeme mit autonomer Tool-Nutzung
Vergleich von KI-Cybersicherheitspraktiken mit traditioneller Cybersicherheit
Praxis - Feindselige Angriffe
Adversarial Examples und Störungsmethoden: FGSM, PGD, DeepFool
White-Box- vs. Black-Box-Angriffsszenarien
Model Inversion und Membership Inference Attacks
Data Poisoning und Backdoor-Injection während des Trainings
Prompt Injection, Jailbreaking und Fehlgebrauch von Tools in LLM-basierten Agenten
Defensive Techniken und Modell-Härtung
Adversarial Training und Data-Augmentation-Strategien
Defensive Distillation und andere Robustheitstechniken
Eingangs-Vorverarbeitung, Gradient Masking und Regularisierung
Differezielle Privatsphäre, Noise Injection und Privacy Budgets
Federated Learning und sichere Aggregation für verteiltes Training
Praxis mit der Adversarial Robustness Toolbox
Simulation von Angriffen gegen den am Tag 2 gebauten multi-modalen Agenten
Messung der Robustheit unter Störung und Quantifizierung des Abbaus
Iteratives Anwenden von Abwehrmaßnahmen und Neubewertung der Angriffserfolgsraten
Stress-Testing von Tool-Call-Pfaden und Prompt-Injection-Vektoren
Tag 4
Risikomanagement-Frameworks für KI
NIST AI Risk Management Framework: Govern, Map, Measure, Manage
ISO/IEC 42001 und entstehende KI-spezifische Standards
Abbildung von KI-Risiken auf bestehende Enterprise-GRC-Frameworks
Anforderungen an KI-Verantwortlichkeit, Prüfbarkeit und Dokumentation
Regulatorische Konformität für agentic Systeme
EU AI Act: Risikoklassen, verbotene Anwendungen und Pflichten für Hochrisikosysteme
Datenpipedrive-Folgen für Agenten nach DSGVO und CCPA
US-Executive Order zu sicherer, zuverlässiger und vertrauenswürdiger KI
Branchenspezifische Leitlinien für Finanzwesen, Gesundheitswesen und öffentliche Dienste
Risiken durch Dritte und Nutzung von KI-Tools durch Lieferanten
Ethik, Bias und Erklärbarkeit
Erkennung und Minderung von Bias across Agent-Wahrnehmung und Reasoning
Erklärbarkeit und Transparenz als sicherheitsrelevante Eigenschaften
Gerechtigkeit, nachgelagerte Schäden und verantwortungsvolles Deployment
Design inklusiven, prüfbaren Agentenverhaltens
Produktions-Deployment, Monitoring und Incident Response
Sichere Deployment-Muster für Single- und Multi-Agent-Systeme
Kontinuierliches Monitoring auf Drift, Anomalien und Missbrauch
Logging, Audit Trails und Forensic Readiness für Agentenaktionen
Incident Response Playbooks und Wiederherstellung für KI-Sicherheitsvorfälle
Fallstudien realer KI-Breaches und daraus gewonnene Lehren
Capstone und Synthese
Betrachtung des im Kurs gebauten multi-modalen Multi-Agent-Systems
End-to-End-Pipeline-Review: Design, Build, Secure, Govern, Deploy
Selbsteinschätzung des Systems gegen NIST AI RMF-Funktionen
Ausblick auf aufkommende Trends in agentic AI und KI-Sicherheit
Zusammenfassung und nächste Schritte
Voraussetzungen
Zielgruppe
KI-Ingenieure und Architekten, die agentic Systeme für den Produktiveinsatz entwickeln. Fachkräfte für Cybersicherheit, Risiko und Compliance, die für die KI-Absicherung in regulierten Branchen wie Finanzwesen, Gesundheitswesen und Beratung zuständig sind. Senior-Entwickler und Lösungsleiter, die multi-modale und multi-agent-Fähigkeiten in Enterprise-Plattformen 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
