Sie haben das Gefühl, in Sachen KI den Anschluss verloren zu haben? Beginnen Sie hier.

Irgendwo zwischen dem ChatGPT-Hype und der Flut von KI-Tools, die in jeder Produkt-Roadmap Einzug halten, befinden sich viele Menschen aus der Tech-Branche in einer unangenehmen Lage. Dabei handelt es sich nicht um Anfänger, sondern um Entwickler, Datenwissenschaftler, Python-Ingenieure und ML-Experten, die ihr Handwerk beherrschen. Doch die Diskussion um KI schreitet rasant voran, die Terminologie ändert sich ständig, und plötzlich hat man das Gefühl, alle anderen würden eine Sprache sprechen, die einem fast, aber nicht ganz vertraut ist.

Falls Ihnen das bekannt vorkommt, ist dieser Beitrag genau das Richtige für Sie. Nicht, weil an Ihrer derzeitigen Situation etwas nicht stimmt, sondern weil der Weg nach vorne klarer ist, als es Ihnen im Moment vielleicht erscheint.

Beginnen wir damit, was ein LLM eigentlich ist

Ein großes Sprachmodell ist im Kern ein System, das anhand riesiger Textmengen trainiert wurde und gelernt hat, das nächste wahrscheinliche Wort, den nächsten Satz oder den nächsten Codeabschnitt vorherzusagen. Das klingt einfach, doch das daraus resultierende Verhalten ist bemerkenswert: Es kann Code schreiben, Konzepte erklären, Dokumente zusammenfassen, zwischen Sprachen übersetzen und ein Gespräch führen – und das alles, weil es genügend Beispiele dafür gesehen hat, wie Menschen diese Dinge tun, sodass es die Muster gelernt hat.

Wenn von ChatGPT, Claude oder Gemini die Rede ist, sind damit Produkte gemeint, die auf diesen Modellen aufbauen. Das Modell ist der Motor. Das Produkt ist das Auto. Die meisten Menschen sind bisher mit dem Auto gefahren. Der nächste interessante Schritt besteht darin, zu verstehen, wie der Motor funktioniert und was man damit entwickeln kann, wenn man direkten Zugriff darauf hat.

Wenn Entwickler direkt mit LLMs interagieren – über eine API statt über eine Chat-Oberfläche –, haben sie weitaus mehr Kontrolle: Sie können festlegen, welche Anweisungen das Modell erhält, auf welche Tools es zugreifen kann, wie es seine Antworten formatiert und wie es sich in eine größere Anwendung einfügt. Genau hier wird es interessant.

Was ist also ein KI-Agent?

Dies ist der Begriff, der am ehesten zu Verwirrung führt, vor allem, weil er je nach Sprecher leicht unterschiedliche Bedeutungen annimmt. Hier ist eine einfache Möglichkeit, sich das vorzustellen.

Eine herkömmliche LLM-Anwendung führt jeweils nur eine Aufgabe aus. Sie stellen ihr eine Frage, sie antwortet, fertig. Ein KI-Agent ist ein System, bei dem das Modell eine Abfolge von Aktionen ausführen kann, um ein Ziel zu erreichen: Es recherchiert, führt Code aus, ruft eine API auf und entscheidet auf der Grundlage der gerade gewonnenen Erkenntnisse, was als Nächstes zu tun ist. Es ähnelt weniger einem Taschenrechner als vielmehr einem sehr zielgerichteten Assistenten, der eine Aufgabe Schritt für Schritt abarbeiten kann, ohne dass ein Mensch ihm bei jedem Schritt über die Schulter schauen muss.

Agenten sind keine Zauberer und auch nicht allmächtig. Sie können auf interessante Weise Fehler begehen, wenn die Aufgabe mehrdeutig ist oder die ihnen zur Verfügung stehenden Werkzeuge nicht ganz ihren Anforderungen entsprechen. Das Verständnis dieser Fehlermuster ist ein wesentlicher Aspekt, der die Entwicklung mit Agenten grundlegend von der Entwicklung mit einem herkömmlichen LLM-Aufruf unterscheidet.

Warum dies gerade jetzt von Bedeutung ist

Der Grund dafür, dass KI-Agenten sich von einem Forschungsanliegen zu einem praktischen Thema entwickelt haben, liegt darin, dass die entsprechenden Werkzeuge mittlerweile so ausgereift sind, dass sie nicht mehr nur von KI-Forschern, sondern auch von regulären Entwicklerteams implementiert werden können. Es gibt entsprechende Frameworks, Cloud-Anbieter haben darauf aufbauende Infrastrukturen geschaffen, und das Muster „LLM plus Tools plus eine Schleife“ hat sich zu einem Standardansatz für die Lösung einer ganzen Klasse von Problemen entwickelt, die zuvor nur schwer zu automatisieren waren.

Für Entwickler und Datenwissenschaftler bedeutet dies, dass Agenten in der Praxis zunehmend eine Rolle spielen werden – sei es als etwas, das es zu entwickeln, zu integrieren oder zu bewerten gilt. Sich bereits mit den Konzepten vertraut zu machen, bevor man unter Termindruck damit konfrontiert wird, ist eine wirklich lohnende Investition.

Ein Lernpfad, der ein umfassendes Gesamtbild vermittelt

Einer der Gründe, warum der Bereich der KI so überwältigend wirkt, ist, dass sich die Konzepte gegenseitig überlagern. Agenten lassen sich viel besser verstehen, sobald man die Funktionsweise von LLMs begreift. LLMOps – also die Praxis der Bereitstellung und Überwachung von LLM-Anwendungen im Produktivbetrieb – wird erst dann wirklich verständlich, wenn man selbst etwas entwickelt und gesehen hat, was dabei schiefgehen kann. Die Reihenfolge, in der man die Dinge lernt, ist entscheidend.

Der KI-Lehrplan der Xebia Academy wurde unter Berücksichtigung dieses Fortschritts konzipiert. Er beginnt mit einer gemeinsamen Grundlage – den Grundlagen von LLM und LLMOps auf GCP – und verzweigt sich anschließend in zwei Pfade, je nachdem, was der Einzelne entwickeln möchte. Beide Pfade führen zum gleichen Ziel: dem Verständnis, wie man agentische Systeme auf einem Niveau entwirft und mit ihnen arbeitet, das in der Praxis tatsächlich von Nutzen ist.

LLM-Grundlagen + LLMOps auf GCP

Was Sprachmodelle sind, wie sie funktionieren, wie man sie sinnvoll einsetzt und wie man sie zuverlässig auf der Google Cloud Platform bereitstellt. Dies ist die Grundlage, auf der alles andere aufbaut – und das gilt unabhängig davon, ob Sie Entwickler, Datenwissenschaftler oder Machine-Learning-Ingenieur sind.

Informieren Sie sich hier über „LLM Fundamentals“ und hier über „LLMOps“ auf GCP.

Fortgeschrittene LLM-Anwendungen

Die Entwicklung komplexerer Anwendungen auf der Grundlage von LLMs, beispielsweise Retrieval-Systeme (RAGs), strukturierte Ausgaben und Auswertungs-Pipelines. Ein naheliegender nächster Schritt für Entwickler und Datenwissenschaftler, die über die Grundlagen verfügen und leistungsfähigere Produkte entwickeln möchten.

Informieren Sie sich hier über den Kurs.

Agentenbasierte KI für Entwickler

Was Agenten sind, wie sie funktionieren und wie Sie mit ihrer Entwicklung beginnen können. Dies ist ein Einführungskurs, für den keine Vorkenntnisse im Bereich Agenten erforderlich sind. Er behandelt die Kernkonzepte, gängige Muster und die praktischen Fähigkeiten, die Sie benötigen, um von Null an Ihren ersten Agenten zu entwickeln.

Sehen Sie sich das hier an.

Fortgeschrittene agentenbasierte KI

Für alle, die bereit sind, tiefer in die Materie einzusteigen: komplexere Agentensysteme, die Zusammenarbeit mehrerer Agenten sowie die betrieblichen Herausforderungen beim Einsatz dieser Systeme in realen Produktionsumgebungen. Der krönende Abschluss dieser Reise – ganz gleich, welcher Weg Sie hierher geführt hat.

Sehen Sie es sich hier an.

Der beste Zeitpunkt, um das Fundament zu legen, ist, bevor Sie es benötigen

Ein Aspekt, der im Gespräch mit Entwicklern und Datenwissenschaftlern, die eine strukturierte KI-Schulung absolviert haben, immer wieder zur Sprache kommt, ist, dass der Zeitpunkt entscheidend war. Da sie diese Konzepte in einer ruhigen, konzentrierten Umgebung erlernen konnten – noch bevor ein Projekt mit knapper Frist sie dazu zwang –, hatten sie die Möglichkeit, diese tatsächlich zu verinnerlichen, Fragen zu stellen und ohne Druck zu üben.

Die KI wird nicht langsamer werden und darauf warten, dass jemand aufholt. Die gute Nachricht ist jedoch, dass die Konzepte gar nicht so einschüchternd sind, wie es die Fachbegriffe manchmal vermuten lassen. Mit dem richtigen Einstieg und einem klaren Leitfaden durch den Stoff stellen die meisten Entwickler und Datenwissenschaftler fest, dass sie den Stoff schneller verstehen, als erwartet.

Genau dafür ist ein gut konzipierter Lernprozess gedacht.