Veröffentlicht am

Künstliche Intelligenz: Von AI Agenten und Multi Agenten Systemen

WEF (2024): Navigating the AI Frontier. A Primer on the Evolution and Impact of AI Agents

Aktuell drehen sich die Diskussionen bei der Nutzung von Künstlicher Intelligenz (AI: Artificial Intelligence) hauptsächlich noch um die genutzten LLM: Large Language Models (Trainingsdatenbanken), und darum, ob diese eher closed-source oder open-source sein sollten. Wie in der Abbildung zu sehen ist, zeichnet sich darüber hinaus schon ein weiterer großer Trend ab: AI Agenten.

“Based on the definition of the International Organization for Standardization, an AI agent can be broadly defined as an entity that senses percepts (sound, text, image, pressure etc.) using sensors and responds (using effectors) to its environment. AI agents generally have the autonomy (defined as the ability to operate independently and make decisions without constant human intervention) and authority (defined as the granted permissions and access rights to perform specific actions within defined boundaries) to take actions to achieve a set of specified goals, thereby modifying their environment” (WEF 2024).

Neben den Large Language Models (LLM) kommen somit bei AI Agenten u.a. auch noch Daten von Sensoren und möglicherweise menschliches Feedback hinzu. Daraus ergeben sich ganz neue Möglichkeiten bei komplexen Problemlösunmgsprozessen.

Natürlich können AI Agenten Typen unterschieden werden, beispielsweise in deterministic und non-deterministic etc. Auch kann ein AI Agenten System aus ganz verschiedenen AI Agenten entstehen. Diese wenigen Hinweise zeigen schon auf, welche vielversprechenden neuen Möglichkeiten/Anwendungen sich ergeben können. Natürlich immer unter der Prämisse der Transparenz und Offenheit, um Missbrauch zu verhindern. Es liegt für mich daher auf der Hand. sich mit Open Source AI Agenten zu befassen.

Veröffentlicht am

Wissen identifizieren: Welche Tools sind geeignet?

Es gibt verschiedene Wissensmanagement-Modelle, die sich ähneln, allerdings auch unterscheiden. Das Modell von Probst/Raub/Romhardt, das SEKI-Modell, das Münchener Modell, das Fraunhofer-Referenzmodell, das EU-Modell, und das Geschäftsprozessorientierte Wissensmanagement sollen hier nur beispielhaft genannt werden. Die Wissensmanagement-Modelle, die von 4, 5 oder 6 Wissensmanagement-Kernaktivitäten ausgehen, sollen hier weiter betrachtet werden.

An dieser Stelle möchte ich mich nicht an den bekannten Modellen aus Europa orientieren, sondern auch einmal nach Asien schauen. Die APO (Asian Productivity Organization) beispielsweise orientiert sich an den folgenden 5 Aktivitäten, die den europäischen Modellen allerdings sehr ähneln : Identifying the Knowledge – Creating Knowledge – Storing Knowledge – Sharing Knowledge – Applying Knowledge. Die APO (2020) schlägt für den ersten Schritt “Indentifying the knowledge” (Wissen identifizieren) vor, folgende Methoden/Tools zu nutzen:

APO Knowledge Assessment Tool
Knowledge Café
Communities of Practice
Advanced Search Tools
Building Knowledge Clusters
Expertise Locator/Who’s Who
Collaborative Virtual Workspaces
Knowledge Mapping
KM Maturity Model
Mentor/Mentee Scheme

Es ist gut, bei der Vielzahl von Möglichkeiten, eine erste Orientierung zu haben, die selbständig weiterentwickelt, und mit den neuen Möglichkeiten der Künstlichen Intelligenz ergänzt werden kann. Siehe dazu beispielsweise auch Künstliche Intelligenz: Vorwissen, Wissenszuwachsvorhersage, Wissenszuwachs und Markov-Ketten.

Veröffentlicht am

In Zeiten von Künstlicher Intelligenz (KI) reichen traditionelle Modelle des Changemanagements nicht mehr aus

Es viele Changemanagement-Modelle, die sich in den letzten Jahrzehnten etabliert haben, und heute noch angewendet werden. Siehe dazu beispielhaft diese Blogbeiträge. Janssen (1996) hat beispielsweise vorgeschlagenen “Vier Räume des Wandels” zu beachten.

#1 Raum des SCHOCKS
#2 Raum der VERNEINUNG
#3 Raum der VERWIRRUNG
#4 Raum der AKZEPTANZ

Diese Räume oder auch Schritte sind sicherlich sinnvoll, doch reichen sie In Zeiten der Künstlichen Intelligenz nicht aus. Es wird daher vorgeschlagen, noch einen Raum vorzuschalten und zwei weitere Räume hinzuzufügen:

#0 Raum der AHNUNGSLOSIGKEIT
#1 Raum des SCHOCKS
#2 Raum der VERNEINUNG
#3 Raum der VERWIRRUNG
#4 Raum der AKZEPTANZ
#5 Raum der INTEGRATION
#6 Raum der TRANSFORMATION

Quelle: Koerting/Neumann (2024), in Bernert et al. (Hrsg.) (2024): KI im Projektmanagement.

Solche Zusammenhänge thematisieren wir auch in den von uns entwickelten Blended Learning Lehrgängen Projektmanager/in (IHK) und Projektmanager/in Agil (IHK), die wir an verschiedenen Standorten anbieten. Weitere Informationen zu den Lehrgängen und zu Terminen finden Sie auf unserer Lernplattform.

Veröffentlicht am

Hybride Intelligenz: Zusammenspiel von Mensch, Maschine und Künstlicher Intelligenz

Wenn es um zu lösende Probleme in einem beruflichen Umfeld geht, so gibt es dabei sehr viele einzelne Aufgaben, die im Zusammenspiel von Menschen, Maschinen und Künstlicher Intelligenz gelöst werden können. Welche “Konfiguration” dabei angemessen erscheint, ist Abhängig vom Kontext, dem Task (Aufgabe) und den vorhandenen Problemlösungspotentialen. An dieser Stelle kommt der Begriff Hybride Intelligenz ins Spiel.

“Dellermann, Ebel, Söllner und Leimeister (2019: 638) definieren hybride Intelligenz als die Fähigkeit, komplexe Ziele durch die Kombination menschlicher und künstlicher Intelligenz zu erreichen, kontinuierlich voneinander zu lernen und dabei Ergebnisse zu produzieren, die über das hinaus gehen, was KI oder Mensch allein hätten erreichen können. Nicht immer lässt sich hierbei trennscharf zwischen Automation und Augmentation unterscheiden (Raisch & Krakowski, 2021). Der Grad der Automation bzw. Augmentation hängt immer individuell von der jeweiligen zu lösenden Aufgabe ab” (Piller et al. 2024, in Koller et al. 2024: Die Zukunft der Grenzenlosen Unternehmung).

Was allerdings unter “Menschlicher Intelligenz” verstanden wird, ist dabei nicht weiter erläutert. Ich gehe daher davon aus, dass von dem bekannten Intelligenzquotienten (IQ) ausgegangen wird, der sich in einer Zahl manifestiert. Dass das im Zusammenhang mit den Entwicklungen bei der Künstlichen Intelligenz kritisch sein kann, wird in dem Blogbeitrag OpenAI Model “o1” hat einen IQ von 120 – ein Kategorienfehler? deutlich.

Wenn wir weiterhin beachten, dass auch der Intelligenz-Begriff erweitert werden sollte, können wir möglicherweise auch von einer Multiplen Künstlichen Intelligenz sprechen. Siehe dazu auch Multiple Artificial Intelligences (MAI) statt Artificial General Intelligence (AGI)?

Veröffentlicht am

Nextcloud: Welche KI für welche Aufgabe?

Eigener Screenshot

In unserer Nextcloud (Hub 9) gibt es einen Nexcloud-Assistenten in dem verschiedene Aufgaben ausgewählt werden können (Siehe Abbildung). Weiterhin ist es möglich, zu jeder der genannten Anwendungen die geeignete KI (Künstliche Intelligenz) zu hinterlegen.

In der folgenden Abbildung ist zu sehen, dass für die Aufgaben “Free text to text prompt” und “Extract topics” z.B. OpenAI hinterlegt ist. Das Rollfeld zeigt, dass auch andere KI-Anwendungen ausgewählt werden können. Unser Ziel ist es in Zukunft mit leitungsfähigen Open Source KI-Anwendungen wie z.B. Common Corpus zu arbeiten. Siehe dazu auch Open Source AI Definition – 1.0: Release Candidate 2 am 21.10.2024 veröffentlicht.

Eigener Screenshot
Veröffentlicht am

Multiple Artificial Intelligences (MAI) statt Artificial General Intelligence (AGI)?

Adobe: AI (Artificial intelligence) AI management and support technology in the Business plan marketing success customer. AI management concept.

In den Diskussionen um Künstliche Intelligenz (KI) – oder englischsprachig Artificial Intelligence (AI) – führt die Systembetrachtung zu einer Art Generellen Künstlichen Intelligenz – General Artificial Intelligence (GAI) oder auch Artificial General Intelligence (AGI). Darunter ist folgendes zu verstehen:

“A system believed to perform (solve) domain-general cognitive tasks (problems; what some may also call AGI). … [it seems to] leave little room for AI as a theoretical tool for cognitive science. The reason is that BigTech currently dominates the narrative, with a focus on technological progress and impressive machine learning applications” (van Rooij et al. 2024).

Es geht also bei AGI um eine von Technologie dominierte generelle kognitive Problemlöse-Fähigkeiten eines Systems. Diese Sichtweise liegt in der Tradition von Simon, Shaw und Newell. die 1957 die Software “General problem Solver” entwickelten (Quelle: Wikipedia).

Das erinnert insgesamt stark an die Diskussionen, bei denen es um Menschliche Intelligenz geht. Auch hier steht immer wieder die Frage im Raum, ob es sich bei der Menschlichen Intelligenz um eine Generelle Intelligenz handelt, die mit einem Intelligenz-Quotienten (IQ) bestimmt werden kann, oder ob es um Multiple Intelligenzen im Sinne von Howard Gardner oder auch Sternberg etc. geht. Dabei geht Howard Gardner bei Intelligenz bewusst von einem “biopsychologisches Potenzial ” aus, was Künstliche Intelligenz wiederum aus seiner Sicht ein Kategorienfehler zu sein scheint.

Wenn wir also den Trend von einer Generellen Menschlichen Intelligenz zu eher Multiplen Intelligenzen unterstellen, sollten wir dann nicht statt Artificial General Intelligence eher von Multiple Artificial Intelligence (MAI) ausgehen?

Wenn Sie diesen Begriff in Google eingeben, werden Sie einige Treffer erhalten. Dabei geht es allerdings hauptsächlich um eine Art Vielfalt der verschiedenen AI-Anwendungen. Ich meine mit dem Begriff Multiple Artificial Intelligences ein hybrides Intelligenz-Konstrukt, das die Menschliche und Künstliche Intelligenz kontextbezogen für komplexe Problemlösungen in einem bestimmten kulturellen Umfeld beschreiben kann..

Veröffentlicht am

Open Source AI Definition – 1.0: Release Candidate 2 am 21.10.2024 veröffentlicht

In dem Beitrag Open Source AI: Nun gibt es endlich eine Definition – und damit interessante Erkenntnisse zu OpenAI und Co. hatte ich schon im August 2024 darauf hingewiesen, dass die Open Source Initiative (OSI) an einer Definition arbeitet die klärt, was unter Open Source AI zu verstehen ist.

Das ist deshalb besonders wichtig, da beispielsweise OpenAI sich eher zu einem von Microsoft dominierten Geschäftsmodell entwickelt. Auch LLama von Meta ist nicht wirklich Open Source, da einige wichtige Kriterien von Open Source AI nicht erfüllt sind. Meta verwendet dennoch in seinen Marketingaktivitäten bewusst den Begriff “Open Source” – hony soit qui mal y pense. Die am 21.10.2024 veröffentlichte Version von Open Source AI ist ein Release Candidate 2 (RC2):

An Open Source AI is an AI system made available under terms and in a way that grant the freedoms to:

Use the system for any purpose and without having to ask for permission.
Study how the system works and inspect its components.
Modify the system for any purpose, including to change its output.
Share the system for others to use with or without modifications, for any purpose.

These freedoms apply both to a fully functional system and to discrete elements of a system. A precondition to exercising these freedoms is to have access to the preferred form to make modifications to the system (Quelle).

Alle Large Language Models (LLM), die für Anwendungen der Künstlichen Intelligenz (Artificial Intelligence) genutzt werden, sollten also diesen Anforderungen genügen. Alleine der erste Eindruck zeigt schon, dass dies bei den meisten LLM nicht der Fall ist. Es wird Zeit, dass sich die aktuellen Anbieter nicht mehr mit dem Attribut “Open Source” schmücken können.

Veröffentlicht am

Hybridisierung von Kompetenzen: Kompetenzmanagement in Zeiten von Künstlicher Intelligenz

Traditionelles Kompetenzmanagement betrachtet Kompetenzen im Sinne von Selbstorganisationsdispositionen auf der Ebene des Individuums, der Gruppe, einer Organisation und Netzwerken. Dabei werden oftmals Fachkompetenz, Methodenkompetenz und Sozialkompetenz unterschieden. In Verbindung mit den neuen Möglichkeiten der Künstlichen Intelligenz erscheint dieser Ansatz zu starr und wenig dynamisch zu sein.

“Eine zentrale Herausforderung besteht darin, dass wir es mit einer Hybridisierung von Kompetenzen zu tun haben. Dieser Begriff bezieht sich auf die Verflechtung von technisch orientierten und menschlich orientierten Fähigkeiten. Im Kontext von KI bedeutet das, dass Mitarbeiter nicht nur technische Kenntnisse in Bereichen wie Datenanalyse oder KI-Programmierung haben müssen, sondern auch menschliche Kompetenzen, wie z. B. Kreativität, kritisches Denken oder zwischenmenschliche Fähigkeiten, um effektiv mit KI-Systemen zu interagieren und zu arbeiten. Darüber hinaus beinhaltet ein zukunftsweisendes Kompetenzmodell die Berücksichtigung von transversalen Kompetenzen. Transversale Kompetenzen sind solche, die über verschiedene Aufgabenbereiche und Themenfelder hinweg relevant sind. Sie sind nicht auf einen spezifischen Kontext beschränkt, sondern übertragen sich auf eine Vielzahl von Situationen und Herausforderungen. Dies könnte Kommunikation, Problemlösung oder strategisches Denken beinhalten” (Reinhardt, K., Feseker, A. (2024) in: Bernert et al. (Hrsg.) (2024): KI im Projektmanagement.

Die Autoren haben dabei ein “6C-Modell für KI-Projektmanagement” entwickelt und in dem Beitrag ausführlich dargestellt. Es ist spannend zu beobachten, wie sich Kompetenzmanagement in Zeiten der Künstlichen Intelligenz weiterentwickelt. Siehe dazu auch Freund, R. (2011): Das Konzept der Multiplen Kompetenz auf den Analyseebenen Individuum, Gruppe, Organisation und Netzwerk.

Veröffentlicht am

Wie hängen “Menschenorientierung” und Resilienz einer Organisation zusammen?

Speech bubbles, blank boards and signs held by voters with freedom of democracy and opinion. The review, say and voice of people in public news adds good comments to a diverse group.

In einer Organisation sind Abläufe, Rollen und Strukturen festgelegt. So ein System kann sehr starr werden, wenn sich alle strikt an diese Vorgaben halten. Das System ist dann unflexibel und wenig robust gegenüber äußeren Veränderungen. Es ist in der heutigen Zeit (VUKA) wichtig, dass Organisationen in diesem Sinne resilient sind.

“Resilienz ist das Vermögen eines dynamischen Systems, sich erfolgreich Störungen anzupassen, die seine Funktion, Lebensfähigkeit oder Entwicklung bedrohen” (Masten 2016, zitiert in Hüsselmann 2024).

Die Abläufe (Prozesse), Rollen und Strukturen in Organisationen beweglicher, veränderbarer, adaptiver zu gestalten, ist ein erster wichtiger Schritt. Dabei kommt es allerdings nicht nur auf die organisatorischen Veränderungen (Organisation) und auf die technologische Unterstützung (Technik) dabei an, sondern auch auf die Menschen in diesem System (Mensch). Wie wichtig eine “Menschenorientierung” ist, wird im folgenden Text im Zusammenhang einen Projektportfoliomanagements (PPM) hervorgehoben:

“Die »Menschenorientierung« fordert daher, dass der Mensch immer im Zentrum des PPM-Systems bzw. der PPM-Organisation stehen sollte. Wenn diese menschliche Dimension vernachlässigt wird und stattdessen zu viel Fokus auf strikte Regularien und Prozesse gelegt wird, wird das System letztendlich wenig robust (resilient) oder sogar instabil (z. B. Fluktuation) und erfolglos werden. In der Konsequenz ist ein ausgewogenes Verhältnis zwischen klaren Richtlinien und menschenzentrierter Flexibilität erforderlich” (Hüsselmann 2024).

In der aktuellen Diskussion um neue technologische Möglichkeiten wie der Künstlichen Intelligenz, kommt dieser Aspekt manchmal etwas zu kurz. Siehe dazu auch Durchschnittliches Resilienzprofil der Ausgezeichneten des „Großen Preises des Mittelstandes“.

Solche Zusammenhänge thematisieren wir auch in den von uns entwickelten Blended Learning Lehrgängen Projektmanager/in (IHK) und Projektmanager/in Agil (IHK), die wir an verschiedenen Standorten anbieten. Weitere Informationen zu den Lehrgängen und zu Terminen finden Sie auf unserer Lernplattform.

Veröffentlicht am

Aktuelle Studie der ETH Zürich: Kein populäres LLM entspricht den EU AI Act – Anforderungen

Künstliche Intelligenz mit seinen vielfältigen Möglichkeiten wird immer populärer. Die Europäische Union hat daher schon 2023 versucht, die Entwicklung so zu regulieren, dass einerseits (persönliche und organisationale) Rechte garantiert bleiben und anderseits, die Entwicklung von Innovationen nicht unnötig gebremst wird. Siehe dazu ausführlicher: EU AI Act: first regulation on artificial intelligence.

Natürlich stellt sich dabei sofort die Frage, ob die populären KI-Anwendungen mit ihren verwendeten Large Language Models (LLMs) diesen Anforderungen gerecht werden. In einer umfassenden Studie wurde das an der ETH Zürich nun untersucht, und am 10. Oktober 2024 veröffentlicht. Das Ergebnis ist ernüchternd;

“Finally, we applied our benchmarking suite to evaluate 12 popular LLMs, identifying that both current models and state-of-the-art benchmarks exhibit critical shortcomings in the context of the Act. In particular, none of the examined models are fully compliant with the requirements of the EU AI Act, and certain technical requirements cannot be currently assessed with the available set of tools and benchmarks, either due to a lack of understanding of relevant model aspects (e.g., explainability), or due to inadequacies in current benchmarks (e.g., privacy)” (Guldimann et al. (2024): COMPL-AI Framework: A Technical Interpretation and LLM Benchmarking Suite for the EU Artificial Intelligence Act | PDF).

Ich bin sehr gespannt, was nun passiert, oder auch nicht passiert. Wird sich die EU mit ihren Anforderungen an KI-Anwendungen stärker durchsetzen, oder wird die Lobbyarbeit der verschiedenen Anbieter die Vorgaben mit der Zeit “aufweichen”. Möglicherweise gibt es auch einen dritten Weg: Open Source LLM erfüllt die Anforderungen und ist so leistungsfähig, wie die oftmals kommerziellen Angebote. Warum eigentlich nicht?