KI I

Künstliche Intelligenz ist die Fähigkeit von Computern und Maschinen Aufgaben auszuführen, die normalerweise menschliche Intelligenz erfordern.

Intelligenz = Zielerreichung über verschiedene Umgebungen hinweg durch Lernen, Anpassung, Planung und Problemlösen.

Autonomes Verhalten ist die Fähigkeit eines Systems, auf Basis eigener Ziele, Wahrnehmungen und interner Regeln selbstständig Entscheidungen zu treffen und Handlungen auszuführen, ohne direkte menschliche Steuerung.

Fähigkeiten: Wahrnehmung, Repräsentation, Lernen, Planen, Schlussfolgern, Sprache/Interaktion, Handlungssteuerung, Umgang mit Unsicherheit.

Ein Prüfer kommuniziert verdeckt mit Mensch und Maschine; kann er sie nicht zuverlässig unterscheiden, „besteht“ die Maschine.

Generative KI (Generative Artificial Intelligence) bezeichnet KI-Systeme, die neue Inhalte (z. B. Text, Bild, Audio, Video oder Code) erzeugen, indem sie aus gelernten Wahrscheinlichkeitsverteilungen der Trainingsdaten sampeln.

Transformer: Ein Transformer ist ein neuronales Netzwerk für Sequenzdaten, das mithilfe von Attention Beziehungen zwischen allen Elementen einer Sequenz gleichzeitig modelliert.

Attention: Attention ist ein Mechanismus, der berechnet, welche Teile der Eingabe für ein bestimmtes Element besonders wichtig sind, und diese stärker gewichtet.

Gehirn:

• lernt kontinuierlich aus Erfahrung

• versteht semantisch, hat Bewusstsein

• eigene Ziele & Motivation

• sehr flexibel und anpassungsfähig

LLM:

• lernt offline aus Trainingsdaten

• kein echtes Verständnis (statistisch)

• keine eigenen Ziele, folgt Prompts

• Anpassung nur begrenzt

• Halluzinationen / falsche Inhalte

• Verzerrungen (Bias)

• Datenschutz- und Urheberrechtsprobleme

• Missbrauch (z. B. Desinformation, Deepfakes)

• Abhängigkeit

Halluzination bezeichnet bei generativer KI das Erzeugen von plausibel klingenden, aber faktisch falschen oder frei erfundenen Inhalten.

Ursachen:

• Likelihood-Optimierung ohne Grounding (keine Anbindung an Faktenquellen)

• Datenlücken oder fehlendes Wissen im Trainingsmaterial

• Ungünstige Decoding-Einstellungen (z. B. hohe Temperatur, Top-k/Top-p)

• Datenkurierung (Auswahl, Filterung geeigneter Trainingsdaten)

• Annotation (z. B. korrekte Antworten, Klassifikationen)

• RLHF (Reinforcement Learning from Human Feedback) - Bewertung und Vergleich von Modellantworten

• Festlegung von Sicherheitsrichtlinien

• Evaluierung

• Red-Team-Tests (das Modell zu Fehlern, Regelverstößen oder Missbrauch bringen, um Schwachstellen zu finden und die Sicherheit zu verbessern)

• Falschsicherheit durch überzeugend formulierte, aber falsche Antworten

• Eingabe sensibler oder vertraulicher Daten

• versteckte Verzerrungen (Bias) in den Antworten

• veraltete oder ungeprüfte Informationen

• Jailbreak- und Missbrauchsrisiken

• Abhängigkeit

• Prompt und Kontext

• Modellversion

• Temperatur / Decoding

• Domänenabdeckung der Trainingsdaten

• Optional: externer Wissenszugriff

Decoding = Wie das Modell entscheidet, welches nächste Wort ausgegeben wird.

Decoding-Strategien:

• Greedy Decoding: immer das wahrscheinlichste Token

• Sampling: zufällige Auswahl nach Wahrscheinlichkeiten

• Temperatur: steuert Zufälligkeit (hoch = kreativer, niedrig = genauer)

• Top-k / Top-p: beschränkt die Auswahl auf wahrscheinliche Tokens

• bei kritischen Entscheidungen (z. B. Medizin, Recht, Sicherheit)

  bei vertraulichen oder sensiblen Daten

• wenn faktische Korrektheit zwingend garantiert sein muss

• bei aktuellen Informationen, die verifiziert sein müssen

• ChatGPT-3.5: einfacher, weniger genau, kleiner Kontext

• ChatGPT-4/5: genauer, besseres Reasoning, größerer Kontext, robuster

• Wissensbasis (enthält Fakten-, Klassen- und Regelwissen)

• Inferenzmaschine (Wissensverarbeitung) (leitet neues Wissen aus der Wissensbasis ab)

• Wissenserwerbskomponente (Aufnahme und Pflege von Wissen)

• Erklärungskomponente (macht Schlussfolgerungen nachvollziehbar)

• Benutzerschnittstelle (Interviewer-/Dialogkomponente)

• Wissensbasiertes System (WBS): Oberbegriff für Systeme, die Wissen explizit repräsentieren und mittels Inferenz verarbeiten.

• Expertensystem: Spezielle Form eines wissensbasierten Systems, das Expertenwissen eines klar abgegrenzten Fachgebiets nachbildet und Expertenentscheidungen unterstützt.

Nutzen:

• enthalten Fachwissen

• ziehen begründete Schlussfolgerungen (Erklärbarkeit)

• arbeiten auch mit unsicherem oder unvollständigem Wissen

• entlasten Experten bei komplexen Entscheidungen

Voraussetzungen:

• Einsatz in klar abgegrenzten Domänen

• Expertensysteme unterstützen, ersetzen keine Experten

• Pflege der Wissensbasis sicherstellen

• Korrektheit

• Vollständigkeit

• Konsistenz

• Transparenz

• Effizienz

• Wartbarkeit

• Robustheit

• Wissensbasis (enthält Fakten-, Klassen- und Regelwissen)

• Inferenzmaschine (Wissensverarbeitung) (leitet neues Wissen aus der Wissensbasis ab)

• Wissenserwerbskomponente (Aufnahme und Pflege von Wissen)

• Erklärungskomponente (macht Schlussfolgerungen nachvollziehbar)

• Benutzerschnittstelle (Interviewer-/Dialogkomponente)

Klassenwissen, Faktenwissen und Regelwissen

Klassenwissen:

• beschreibt Begriffe, Klassen und deren Beziehungen

• macht keine Aussage über die reale Existenz

• definiert, was grundsätzlich möglich ist

• Beispiel: „Ein Ventil ist ein Aktor.“

Faktenwissen:

• beschreibt konkrete Instanzen und Zustände

• hat direkten Bezug zur realen Welt

• legt fest, was tatsächlich existiert

• Beispiel: „Ventil V1 ist geöffnet.“

Eigenschaften:

• Anwendungswissen

• Beschreibt Ursache-Wirkungs-Zusammenhänge

• Ermöglicht das Ableiten neuen Faktenwissens

• Grundlage für Handlungen und Entscheidungen

Arten von Regelwissen:

• Ableitungswissen: Wenn x ein Ventil ist, dann ist x ein Aktor

• Handlungswissen: Wenn Sensor X am Tankboden, dann verriegeln

• Kontrollwissen: Regelt die Anwendung des Ableitungswissens

• Klassenwissen: Ventil — istEin — Aktor

• Faktenwissen: Ventil_V1 — hatZustand — geöffnet

• Regelwissen: (Sensor_X aktiv) — führtZu — Verriegeln

• Wissen muss systematisch vorhanden oder ohne Qualitätsverlust systematisierbar sein

• Wissen muss explizit formulierbar sein

• intuitives und assoziatives Wissen entzieht sich der Repräsentation

Inferenz ist die ein einem formalen System automatisiert erstellte Schlussfolgerung.

• Deduktion:

  • allgemein 🠒 speziell

  • wenn die Regel stimmt, muss der Einzelfall stimmen

• Induktion:

  • speziell 🠒 allgemein

  • aus vielen Beispielen wird eine wahrscheinliche Regel

  • Abhängig vom Erfahrungshintergrund (z.B. Stichprobenumfang)

• Abduktion:

  • von einer Beobachtung zur besten Erklärung

  • man „rät“ die plausibelste Ursache

  • Abhängig vom Kontext

Vorwärtsverkettung (datengetriebene Inferenz)

• Ausgangspunkt sind vorhandene Fakten

• Regeln, deren Prämissen erfüllt sind, werden ausgeführt

• Abgeleitete Fakten werden der Wissensbasis hinzugefügt

• Der Prozess läuft weiter, bis

  • ein Ziel erreicht ist oder

  • keine weiteren Ableitungen möglich sind

• Ziel: Aus gegebenen Fakten möglichst viele neue Schlussfolgerungen gewinnen.

Rückwärtsverkettung (zielorientierte Inferenz)

• Ausgangspunkt ist ein vorgegebenes Ziel / eine Hypothese

• Die Regelbasis wird nach Regeln durchsucht, deren Konklusion dem Ziel entspricht

• Deren Prämissen werden zu Zwischenzielen

• Der Prozess endet, wenn

  • alle Prämissen durch Fakten bewiesen sind oder

  • keine passenden Regeln gefunden werden (Falsifizierung)

• Ziel: Überprüfung bzw. Beweis einer Hypothese.

Uninformierte Suchstrategien

Breitensuche (Breadth-First Search):

• Start an der Wurzel

• durchsucht den Baum ebenenweise

• findet die kürzeste Lösung

• hoher Speicherbedarf

Tiefensuche (Depth-First Search):

• Start an der Wurzel

• verfolgt einen Pfad so tief wie möglich

• geringer Speicherbedarf

• keine Garantie auf optimale Lösung

Tiefenbegrenzte Suche:

• Tiefensuche mit maximaler Tiefe

• verhindert Endlosschleifen

• Lösung nur, wenn sie innerhalb der Grenze liegt

Iterative Tiefensuche:

• wiederholte Tiefensuche mit schrittweise erhöhter Tiefe

• kombiniert Vorteile von Breiten- und Tiefensuche

• findet kürzeste Lösung bei moderatem Speicherbedarf

Informierte (heuristische) Suchstrategien

Greedy Search

• wählt Knoten mit bester Heuristik

• schnell, aber nicht optimal

A*-Suche

• Bewertungsfunktion: f(n) = g(n) + h(n)

• Kombination aus Kosten + Heuristik

• optimal bei zulässiger Heuristik

Regeln sind formalisierte Wissenseinheiten in wissensbasierten Systemen, mit denen aus bekanntem Wissen neues Wissen abgeleitet oder Handlungen ausgelöst werden.

Regeln haben typischerweise die Wenn–Dann-Form: WENN Prämisse(n) erfüllt sind DANN Konklusion / Aktion

• Regelbasierte Systeme werden überall dort eingesetzt, wo Entscheidungen durch klar formulierte Regeln getroffen werden können.

• Expertensysteme (z. B. medizinische Diagnose, technische Fehlersuche)

• Prozess- und Anlagensteuerung (z. B. Ampel- oder Signalsteuerung)

• Fuzzy-Regelungen (z. B. Klimaanlagen, Bremsassistenten)

• Konfigurationssysteme (z. B. Produkt- oder Anlagenkonfiguration)

• Entscheidungsunterstützungssysteme (z. B. Kreditprüfung, Risikobewertung)

• WENN Interesse = Technik UND Mathematik gut DANN Empfehlung = Ingenieurwissenschaften

• WENN Interesse = Programmieren UND Logisches Denken stark DANN Empfehlung = Informatik

• WENN Abiturnote < 2,0 UND Studiengang = zulassungsbeschränkt DANN Zulassungschance = hoch

• WENN Interesse = Menschen UND Kommunikation stark DANN Empfehlung = Sozial- oder Wirtschaftswissenschaften

• Regelkonflikte (mehrere Regeln liefern widersprüchliche Ergebnisse)

• Redundanz (gleiche oder sehr ähnliche Regeln mehrfach vorhanden)

• Unvollständigkeit (nicht alle relevanten Fälle sind abgedeckt)

• Inkonsistenz (Regeln widersprechen sich logisch)

• Skalierbarkeit / Unübersichtlichkeit bei großer Regelanzahl

• Hoher Wartungsaufwand (Änderungen haben unerwartete Nebenwirkungen)

Taxonomie:

• reine Hierarchie / Klassifikation

• Beziehungen meist nur „ist-ein“

• Beispiel: Fahrzeug → Auto → Elektroauto

Ontologie:

• erweiterte Wissensmodellierung

• neben Hierarchien auch Relationen, Eigenschaften, Regeln und Einschränkungen

• ermöglicht Schlussfolgerungen (Inferenz)

  
  

OWL (Web Ontology Language) standardisiert in einem wissensbasierten System (WBS):

• Wissensbasis, genauer:

  • Klassen (Klassenwissen / T-Box)

  • Eigenschaften / Relationen (Properties)

  • Individuen (Faktenwissen / A-Box)

  • Axiome und Einschränkungen (z. B. Kardinalitäten, Äquivalenzen)

Nicht durch OWL standardisiert:

• Inferenzmaschine

• Such- und Ableitungsstrategien

• Benutzeroberfläche

OWL ist eine Sprache zur Beschreibung von Wissen in Form von Ontologien. Sie besteht aus Klassen, Eigenschaften und Individuen und erlaubt es, Beziehungen und Regeln formal zu beschreiben, sodass daraus logisch geschlossen werden kann.

Dabei unterscheidet man zwischen dem Schema der Ontologie (T-Box) und den konkreten Fakten (A-Box).

RDF (Resource Description Framework):

• Grundlegendes Datenmodell

• Stellt Informationen als Tripel (Subjekt–Prädikat–Objekt) dar

• Beschreibt Fakten (Aussagen)

RDFS (RDF Schema):

• Erweiterung von RDF

• ermöglicht Klassen, Subklassen und Properties

• einfache Schema- und Strukturdefinition

• begrenzte Schlussfolgerungen möglich

OWL (Web Ontology Language):

• Baut auf RDF/RDFS auf

• mächtige Ontologiesprache mit formaler Semantik

• unterstützt Axiome, Restriktionen, Kardinalitäten

• ermöglicht logische Inferenz (Reasoning)

• Grundlage: Description Logic

Überschneidungen:

• alle nutzen das Tripelmodell

• OWL erweitert RDF/RDFS um Semantik und Logik

Object Property

• Beschreibt eine Beziehung zwischen zwei Individuen

• Verknüpft Objekt ↔ Objekt

• Beispiel: Student — belegt — Kurs

Data Property

• Beschreibt eine Eigenschaft eines Individuums mit einem Datenwert

• Verknüpft Objekt ↔ Literal (Zahl, Text, Bool, …)

• Beispiel: Student — hatAlter — 23

Domain bezeichnet die Klasse, zu der das Subjekt einer Property gehört. Beispiel: Bei der Property belegt ist die Domain Student.

Range bezeichnet die Klasse oder den Datentyp, auf den die Property verweist. Beispiel: Bei der Property belegt ist die Range Kurs, bei hatAlter ist die Range Integer.

Transitive Object Property

Eine Object Property ist transitiv, wenn aus A → B und B → C automatisch A → C folgt. Beispiel: Wenn A istTeilVon B und B istTeilVon C, dann ist A istTeilVon C.

Symmetrische Object Property

Eine Object Property ist symmetrisch, wenn aus A → B automatisch B → A folgt. Beispiel: Wenn A istVerheiratetMit B, dann ist B istVerheiratetMit A.

Die Anforderungen an eine Ontologie werden durch sogenannte Competency Questions (CQ) definiert.

Dabei handelt es sich um konkrete Fragestellungen, die die Ontologie später beantworten können muss und die den Inhalt und Umfang der Modellierung festlegen.

T-Box (Terminologische Box)

Die T-Box beschreibt das Schema der Ontologie. Sie enthält Klassen, Property-Definitionen und Axiome, also das allgemeine Wissen über Begriffe und deren Beziehungen (z. B. Subklassen, Domain/Range, Restriktionen).

A-Box (Assertionale Box)

Die A-Box enthält die konkreten Fakten der Ontologie. Sie beschreibt Individuen, ihre Klassenzugehörigkeit und konkrete Beziehungen bzw. Eigenschaften in der realen Welt.

Eine Ontologie beschreibt Wissen über eine Domäne strukturiert, formal und eindeutig.

In Bezug auf Ontologien ist ein Tripel die Grundform einer Aussage und besteht aus drei Teilen Subjekt – Prädikat – Objekt.

Ein Tripel besteht aus drei Bestandteilen:

• Subjekt – das beschriebene Objekt/Individuum

• Prädikat – die Eigenschaft oder Beziehung

• Objekt – ein anderes Objekt oder ein Datenwert

Beispiel: Student — belegt — Kurs

• Klassen: Produkt, Maschine, Prozess

• Properties: wirdProduziertDurch(Produkt→Maschine), realisierterProzess(Maschine→Prozess)

• Tripel:(Produkt_A, wirdProduziertDurch, Maschine_B), (Maschine_B, realisierterProzess, Fraesen).

• Graph-Datenbank: Speicherung/ Abfragen im Betrieb

• Protégé: Modellierung, Konsistenzprüfung, Design

SELECT ?prozess

WHERE {

?prozess rdf:type :Prozess .

}

• Wissensakquisitions-Flaschenhals (Erfassung von Expertenwissen aufwendig)

• hoher Wartungs- und Skalierungsaufwand

• begrenzter Umgang mit Unsicherheit

• geringe bzw. fehlende Lernfähigkeit

Fuzzy-Logik ist eine Logik, die unscharfe Aussagen verarbeitet, indem Wahrheitswerte nicht nur 0 oder 1, sondern beliebige Werte zwischen 0 und 1 annehmen können.

Eine unscharfe Menge (Fuzzy-Menge) ist eine Menge, bei der ein Element nicht nur ganz dazugehört oder nicht, sondern einen Zugehörigkeitsgrad zwischen 0 und 1 besitzt.

Eine Zugehörigkeitsfunktion ordnet jedem Element einer unscharfen Menge einen Wert zwischen 0 und 1 zu und gibt an, wie stark dieses Element zur Menge gehört.

Linguistische Variablen sind Variablen mit sprachlichen Werten statt exakter Zahlen. Sie werden definiert durch Grundmenge und Zugehörigkeitsfunktionen.

Beispiel Außentemperatur:

• Wertebereich: −20 °C bis 40 °C

• Linguistische Werte: kalt, mild, warm, heiß

• Zugehörigkeitsfunktionen bestimmen den Grad der Zugehörigkeit.

1. UND (AND): Verknüpft zwei Zugehörigkeitsgrade, meist als Minimum. → µ(A UND B) = min(µ(A), µ(B))

2. ODER (OR): Verknüpft zwei Zugehörigkeitsgrade, meist als Maximum. → µ(A ODER B) = max(µ(A), µ(B))

3. NICHT (NOT): Negiert den Zugehörigkeitsgrad. → µ(NICHT A) = 1 − µ(A)

Eine Fuzzy-Relation ist eine unscharfe Beziehung zwischen Elementen zweier (oder einer) Mengen, bei der jedem Wertepaar ein Zugehörigkeitsgrad zwischen 0 und 1 zugeordnet wird.

Fuzzy-Ähnlichkeits- bzw. Fuzzy-Äquivalenzrelation:

Sie beschreibt, wie ähnlich sich zwei Elemente sind, wobei die Ähnlichkeit einen Wert zwischen 0 und 1 annimmt.

Eigenschaften:

• Reflexiv (x ist sich selbst maximal ähnlich)

• Symmetrisch (Ähnlichkeit gilt in beide Richtungen)

• (Max-)transitiv

Defuzzifizierung ist der Prozess, bei dem aus einer unscharfen (fuzzy) Ergebnismenge ein konkreter, scharfer Zahlenwert bestimmt wird.

Methoden:

• Schwerpunktmethode (Centroid / Center of Gravity)

• Maximum-Methode

• Mittelwert der Maxima (Mean of Maxima)

• Links-/Rechtsmaximum

Einen Fuzzy-Regler setzt man bei unsicheren, schwer modellierbaren und nichtlinearen Systemen ein, insbesondere wenn Expertenwissen in Form linguistischer Regeln vorliegt.

Fuzzifier → Regelbasis + Inferenz → Defuzzifier (mit Rückkopplung zum Prozess)

Ein autonomer Agent ist ein Computersystem, das selbstständig Entscheidungen trifft und Schlussfolgerungen zieht, um im Sinne seines Benutzers vorgegebene Ziele ohne direkte menschliche Eingriffe zu erreichen.

Agenten vs. Objektorientierung

• Objektorientierung (OO): Objekte sind passiv. Sie werden durch Methodenaufrufe von außen gesteuert und handeln nicht selbstständig.

• Agenten: Agenten sind aktiv und autonom. Sie treffen eigene Entscheidungen, verfolgen Ziele und kontrollieren ihr Verhalten selbst.

Synchrone vs. asynchrone Kommunikation

• Synchrone Kommunikation: Sender wartet auf Antwort des Empfängers (blockierend). → z. B. klassischer Methodenaufruf

• Asynchrone Kommunikation: Sender sendet Nachricht und arbeitet weiter (nicht blockierend). → Antwort ggf. später oder gar nicht

• Agenten kommunizieren über Nachrichten, Protokolle oder gemeinsame Wissensräume – synchron oder asynchron.

• FIPA-ACL - standardisierte Agentenkommunikationssprache (performative Nachrichten)

• Protokolle z. B. Request, Contract-Net (Aushandlung von Aufgaben)

• Publish / Subscribe - Agenten abonnieren Ereignisse und werden asynchron informiert

• Blackboard - indirekte Kommunikation über einen gemeinsamen Wissensspeicher

• RPC (Remote Procedure Call) - direkte, meist synchrone Kommunikation (Methodenaufruf)

Agenten senden asynchrone Nachrichten in den Mailbox/Briefkasten eines anderen Agenten.Der Empfänger liest und verarbeitet sie selbstständig zu einem späteren Zeitpunkt.

Aufbau:

Anwendung:

• Darstellung des zeitlichen Ablaufs der Kommunikation

• zeigt wer mit wem in welcher Reihenfolge interagiert

• geeignet zur Analyse, Planung und Dokumentation von Abläufen (z. B. Agenten-, Objekt- oder Systemkommunikation)

• Performative (z. B. request, inform, agree)

• Sender

• Empfänger

• Inhalt (Content)

• Sprache (Language)

• Ontologie

• Protokoll

• Konversation-ID

• Reply-with / In-reply-to

• Zeitangaben (Reply-by)

Das Contract-Net-Protokoll dient zur Aufgabenverteilung in Multiagentensystemen.

Ablauf:

1. Manager-Agent kündigt eine Aufgabe an (Call for Proposals)

2. Teilnehmer-Agenten senden Angebote (Proposals)

3. Manager bewertet die Angebote

4. Bestes Angebot wird akzeptiert, andere abgelehnt

5. Gewinner führt die Aufgabe aus und meldet das Ergebnis zurück

Wichtige FIPA-ACL-Performatives im Contract Net

• cfp (call for proposal)

• propose

• accept-proposal

• reject-proposal

• inform (Ergebnis)

• failure (falls Aufgabe scheitert)

• eine Re-Ausschreibung erfolgen

• die Frist verlängert werden

• die Anforderungen gelockert werden

• eine alternative Zuweisung / ein Reserveplan genutzt werden

• Sicherheit & Authentifizierung

• Interoperabilität & Standards

• Datenschutz & Compliance

• SLAs und vertragliche Regelungen

• Vertrauen zwischen Agenten/Parteien

• Latenz, Performance & Skalierbarkeit

• Offene Marktplätze erfordern Sicherheit, Standards, Vertrauen und Skalierbarkeit.

Anforderungsanalyse → Analyse/ Konzeption → Entwurf (Design) → Implementierung → Test → Einsatz und Wartung

• Entwicklungsmethoden für Analyse & Design

• Agentenplattformen/-sprachen für Implementierung & Betrieb

Autonome Agenten sind sinnvoll bei verteilten, dynamischen Problemen mit dezentraler Entscheidungsfindung

• Logistik & Supply Chain Management (SCM), Energieversorgung & Smart Grids, Fertigung & Robotik

• verteilte, dynamische Umgebungen vorliegen, dezentrale Entscheidungen notwendig sind, Systeme skalierbar und flexibel reagieren müssen, Kooperation oder Wettbewerb zwischen Akteuren besteht, Echtzeitreaktionen ohne permanente menschliche Steuerung erforderlich sind

Rollen: Planer, Maschinen-, Material-, QA-Agent

Ziele: Durchsatz, Qualität, Termine

Interaktionen: Auftrag→Plan, Zuweisung, Status/Alarme

Ontologie: Auftrag, Ressource, Prozess, Los, Takt, Störung; hasState, allocates, produces

• Skalierbarkeit

• Robustheit

• lokale Autonomie

• flexible Rekonfiguration

• Nähe zur Organisationsstruktur

Kooperative Agentensysteme

• arbeiten gemeinsam an einem Ziel

• Informationsaustausch, Koordination und Aufgabenverteilung

• Erfolg wird global bewertet (Systemnutzen)

• Bsp.: Flottenkoordination

Kompetitive Agentensysteme

• verfolgen eigene Ziele, oft auf Kosten anderer

• Konkurrenz um Ressourcen, Preise oder Aufgaben

• Erfolg wird individuell bewertet (Eigennutzen)

• Bsp.: Auktionen

• Hohe Nachrichtenanzahl: Viele Agenten tauschen häufig Nachrichten aus → stark wachsender Kommunikationsaufwand

• Asynchrone Koordination: Abstimmung (z. B. Aushandlung, Konsens) benötigt mehrere Nachrichtenrunden

• Netzwerkabhängigkeit: Latenzen, Bandbreite und Ausfälle beeinflussen die Performance

• Komplexe Protokolle: Standardisierte Protokolle (z. B. Contract Net) verursachen zusätzlichen Overhead

• Zentrale Komponenten: Vermittler, Blackboard oder Directory Services können zum Flaschenhals werden

Welche Konsequenzen lassen sich daraus ableiten?

• Kommunikation minimieren (lokale Entscheidungen bevorzugen)

• Asynchrone Kommunikation statt synchroner/blockierender

• Aggregation und Bündelung von Nachrichten

• Dezentralisierung (keine unnötigen zentralen Knoten)

• Einfache, effiziente Protokolle statt komplexer Interaktionen

• Skalierbarkeit früh berücksichtigen (Designentscheidung!)

• keine formale ACL/Protokolle

• begrenzte Autonomie/Planung,

• kein Lernen/Belief-Modell

• geringe Fehlertoleranz

• implizite Flow-Logik/Hard-Rules

• schwer erklärbar/wartbar, schlecht skalierbar, wenig Wiederverwendung

• Dezentrale Entscheidungen: jeder Agent handelt autonom nach eigenen Zielen

• Nichtlineare Wechselwirkungen: kleine Änderungen können große Effekte haben

• Emergentes Verhalten: globales Systemverhalten entsteht erst aus der Interaktion

• Dynamische Umgebungen: Zustände und Randbedingungen ändern sich laufend

• Lernende / adaptive Agenten: Verhalten verändert sich über die Zeit

• Kommunikationsverzögerungen und -ausfälle

• Globale Ziele/Kennzahlen

• Koordinationsprotokolle

• Anreiz-/Marktmechanismen

• Konsens/Verträge

• Monitoring/Feedback

Gemeinsamer, geteil­ter Wissensspeicher, an/auf den Agenten Beiträge schreiben/lesen.

Zwei Verdächtige werden getrennt verhört und jeder kann schweigen (kooperieren) oder verraten (defektieren).

• Wenn beide schweigen: beide bekommen eine kleine Strafe (bestes gemeinsames Ergebnis).

• Wenn einer verrät und der andere schweigt: der Verräter kommt sehr gut weg, der Schweigende bekommt die härteste Strafe.

• Wenn beide verraten: beide bekommen eine mittlere Strafe (schlechter als gemeinsam schweigen).

• Nash-GG: wechselseitig beste Antwort der Spieler

• Pareto-Optimum: niemand kann sich besser stellen ohne andere schlechter zu stellen

• Nash muss nicht Pareto-optimal sein