Intelligente KI-Agenten & Agentic Workflows

• Automatisierung mit Multi-Agenten-Systemen
  
  • Theorie:
    
    • Einführung in Multi-Agenten-Systeme: Was sie sind und wie sie mit LLMs zusammenarbeiten?
    • Mögliche Anwendungsfälle: Automatisierung von Arbeitsprozessen, Kommunikation, Datenanalyse.
    • Technologische Grundlagen für Multi-Agenten-Frameworks (z. B. LangChain-Agenten, LangGraph)
    
    
  • Praxis:
    
    • Erstellung eines Multi-Agenten-Systems, das eine Aufgabe autonom priorisiert und ausführt (z. B. E-Mail-Sortierung, Berichtsanalyse)
    • Testen der Interaktion zwischen mehreren Agenten
    
    
  • Ziel:
    
    • Teilnehmende verstehen, wie Multi-Agenten-Systeme aufgebaut sind und können einfache Systeme zur Automatisierung erstellen
    
    
  
  
• Projektarbeit und Zukunftsperspektiven
  
  • Theorie:
    
    • Überblick über aktuelle Trends und zukünftige Entwicklungen bei LLMs (z. B. Autonome Agenten, RLHF, neue Modellarchitekturen wie xLSTMs)
    
    
  • Praxis:
    
    • Individuelle Projektarbeit: Umsetzung eines eigenständigen Anwendungsfalls basierend auf den bisherigen Seminartagen
    
    
  • Präsentation der Projekte und Feedback-Runde
  • Ziel:
    
  • Die Teilnehmenden setzen das Gelernte eigenständig um und entwickeln einen Anwendungsfall, den sie direkt in ihrer beruflichen Praxis nutzen können
  
  

Das Seminar richtet sich an Entwicklerinnen und Entwickler, Data Scientists, KI-Interessierte, technologische Projektverantwortliche sowie Fachkräfte aus den Bereichen Automatisierung, Kundenservice, Business Intelligence und Forschung. Wenn Sie die nächsten Schritte in der KI-Anwendung gehen und intelligente Agentensysteme praxisnah einsetzen möchten, sind Sie hier genau richtig.



Teilnahmevoraussetzungen

• Sie benötigen Grundkenntnisse im Umgang mit Python
  , insbesondere im Schreiben einfacher Skripte und in der Nutzung von Bibliotheken wie requests oder pandas.
• Sie sollten ein grundlegendes Verständnis von Transformer-Modellen und Large Language Models (LLMs) besitzen - z. B. GPT oder LLaMA - sowie die Unterschiede zwischen Prompting, Fine-Tuning und Inferenz kennen.
• Sie verfügen über Erfahrung mit Retrieval-Augmented Generation (RAG)
  , also der Nutzung von Vektordatenbanken, Dokument-Chunks, Embeddings und Ähnlichem.
• Sie hatten idealerweise bereits erste Berührungen mit LangChain oder ähnlichen Frameworks und kennen Konzepte wie Chains, Memory und Tool-Integration.
• Optimal ist eine vorherige Teilnahme am Seminar „Sxyz Große Sprachmodelle personalisieren & erweitern - Fine-Tuning & RAG in der Cloud und lokal“
  .