Schulungsübersicht
Tag 1
Anatomie eines modernen KI-Agenten
Über Chatbots hinaus: Agenten als autonome Systeme für reasoning und acting
Reaktive, proaktive, hybride und zielgerichtete Agenten-Paradigmen
Komponenten: Wahrnehmung (Perception), Planung, Speicher (Memory), Werkzeugnutzung und Aktion
Abwägungen zwischen Single-Agent- und Multi-Agenten-Design
Agent-Frameworks und der moderne Stack
LangChain, LlamaIndex, AutoGen, CrewAI und deren Abwägungen
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-Agenten-Systeme
Zentralisierte, dezentralisierte, hybride und schichtbasierte MAS-Designs
FIPA ACL, Message-Passing und moderne Äquivalente
Koordinationsmuster: Planung, Verhandlung, Synchronisation
Emergentes Verhalten und Selbstorganisation in Agentenpopulationen
Entscheidungsfindung und Lernen in Agenten
Spieltheorie für kooperative und kompetitive Agenteninteraktionen
Reinforcement Learning in Multi-Agenten-Umgebungen
Transferlernen und Wissensaustausch zwischen Agenten
Konfliktlösung und Vertrauen zwischen koordinierenden Agenten
Tag 2
Multimodale Grundlagen für Agenten
Multimodale KI als integrierter Workflow für Text, Bild, Sprache und Video
Führende Multimodale Modelle: GPT-4 Vision, Gemini, Claude, Whisper
Fusionstechniken zur Kombination von Modalitäten innerhalb des Reasoning-Loops eines Agenten
Abwägungen zwischen Latenz, Kosten und Genauigkeit in multimodalen Pipelines
Aufbau der Wahrnehmungsschicht (Perception Layer)
Bildverarbeitung für Agenten: Klassifizierung, Beschriftung, Objekterkennung
Spracherkennung mit Whisper ASR und Streaming-Transkription
Text-to-Speech-Synthese und natürliche Sprachinteraktion
Anbindung der Wahrnehmungsausgaben an LLM-gestütztes Reasoning und Tool-Auswahl
Praxis - Aufbau eines Multimodalen Agenten in Python
Definition der Aufgabe, des Context Windows und des Werkzeuginventars des Agenten
End-to-End-Anbindung von GPT-4-Vision- und Whisper-APIs
Implementierung von Speicher-, Status- und Gesprächsmanagement
Ergänzung um Tool Calls mit sicheren realweltlichen Side-Effekten
Praxis - Orchestrierung eines Multi-Agenten-Systems
Zusammensetzung spezialisierter Agenten mit AutoGen oder CrewAI
Definition von Rollen, Verantwortlichkeiten und Inter-Agenten-Kommunikationsprotokollen
Ressourcenallokation und Koordination in einer simulierten Umgebung
Protokollierung des Agenten-Reasonings, von Tool Calls und Entscheidungen zur Inspektion und Auditierung
Tag 3
Gefährdungsfläche (Threat Surface) produktiver KI-Agenten
Was agentic AI im Vergleich zu traditioneller Software einzigartig verwundbar macht
Angriffsfläche: Daten-, Modell-, Prompt-, Werkzeug-, Output- und Schnittstellenschichten
Threat Modeling für agentenbasierte Systeme mit autonomer Werkzeugnutzung
Vergleich von KI-Cybersicherheitspraktiken mit traditioneller Cybersicherheit
Praxis - Adversarial Attacks
Adversarial Examples und Störungsmethoden: FGSM, PGD, DeepFool
Weißkiste- versus Schwarzkasten-Angriffsszenarien
Modell-Inversion und Membership-Inference-Angriffe
Data Poisoning und Backdoor-Insertion während des Trainings
Prompt Injection, Jailbreaking und Werkzeugmissbrauch in LLM-basierten Agenten
Defensive Techniken und Model Hardening
Adversarial Training und Data-Augmentation-Strategien
Defensive Distillation und andere Robustheitstechniken
Eingabevorverarbeitung, Gradient Masking und Regularisierung
Differential Privacy, Rauschinjektion und Privacy Budgets
Federated Learning und sicheres Aggregieren für verteiltes Training
Praxis mit der Adversarial Robustness Toolbox
Simulation von Angriffen gegen den am Tag 2 aufgebauten multimodalen Agenten
Messung der Robustheit unter Störung und Quantifizierung des Leistungsabfalls
Iteratives Anwenden von Verteidigungen und Neubewertung der Angriffserfolgsraten
Lasttest für Tool-Call-Pfade und Prompt-Injection-Vektoren
Tag 4
Risikomanagement-Frameworks für KI
NIST AI Risk Management Framework: Governing, Mapping, Measuring, Managing
ISO/IEC 42001 und aufstrebende, KI-spezifische Standards
Abbildung von KI-Risiken auf bestehende Enterprise-GRC-Frameworks
Anforderungen an KI-Verantwortlichkeit (Accountability), Auditierbarkeit und Dokumentation
Regulatorische Compliance für agentic Systeme
EU-KI-Gesetz (EU AI Act): Risikostufen, verbotene Nutzungen und Pflichten für Hochrisikosysteme
DSGVO- und CCPA-Auswirkungen auf Agenten-Datenpipelines
Exekutivverordnung der USA zu sicherer, vertrauenswürdiger und sicherer KI
Sektor-spezifische Leitlinien für Finanzwesen, Gesundheitswesen und öffentliche Dienste
Risiko durch Drittanbieter und Nutzung von KI-Tools von Lieferanten
Ethik, Bias und Erklärbarkeit
Erkennung und Minderung von Bias in der Wahrnehmung und im Reasoning von Agenten
Erklärbarkeit und Transparenz als sicherheitsrelevante Eigenschaften
Fairness, nachgelagerte Schäden und verantwortungsvolles Deployment
Entwurf inklusiven, auditierbaren Agentenverhaltens
Produktions-Deployment, Monitoring und Incident Response
Sichere Deploymentsmuster für Single- und Multi-Agenten-Systeme
Dauerhaftes Monitoring auf Drift, Anomalien und Missbrauch
Protokollierung, Audit-Trails und forensische Bereitschaft für Agentenaktionen
Incident Response Playbooks für KI-Sicherheitsvorfälle und Wiederherstellung
Case Studies realer KI-Sicherheitsverletzungen und gewonnene Erkenntnisse
Capstone und Zusammenfassung
Durchsicht des im Verlauf aufgebauten multimodalen Multi-Agenten-Systems
End-to-End-Pipeline-Durchsicht: Entwurf, Aufbau, Sicherung, Governance, Deployment
Selbstbewertung des Systems gegen die Funktionen des NIST AI RMF
Ausblick auf aufstrebende Trends im Bereich agentic KI 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-Sicherstellung in regulierten Branchen wie Finanzwesen, Gesundheitswesen und Consulting verantwortlich sind. Senior-Entwickler und Solution Leads, die multimodale und Multi-Agenten-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
