KI-gest\u00fctzte Workflows, auch \u2018agentebasierte Workflows\u2019 genannt, stehen an der Spitze der technologischen Innovation. Diese Systeme sind in der Lage, verschiedene Modelle und externe Tools miteinander zu verkn\u00fcpfen, um komplexe Aufgaben zu bew\u00e4ltigen, wie beispielsweise die Analyse eines Videos und die Bereitstellung von Informationen zu dessen Inhalt. Allerdings sind sie nicht ohne Probleme. Ihre Konzeption und Bereitstellung erfolgt oft fragmentiert, was zu Ineffizienzen, Verschwendung und unn\u00f6tigen Kosten f\u00fchrt. <\/p>\n
Doch es gibt noch Hoffnung. Forscher vom MIT und von Microsoft haben sich dieser Herausforderung angenommen. Sie haben ein intelligentes System entwickelt, das zwei Aufgaben erf\u00fcllt: Es rationalisiert die Gestaltung agentenbasierter Arbeitsabl\u00e4ufe und optimiert deren Umsetzung eigenst\u00e4ndig.<\/p>\n
Diese neue Herangehensweise an KI-Workflows ist, gelinde gesagt, innovativ. Entwickler k\u00f6nnen ihre gew\u00fcnschten Ergebnisse in einfacher Sprache beschreiben, ohne sich in Details zu verlieren. Das System \u00fcbernimmt dann die F\u00fchrung und entscheidet selbstst\u00e4ndig, welche Modelle und Tools zum Einsatz kommen sollen. Es k\u00fcmmert sich zudem nahtlos um alle technischen Details wie Hardwarekonfiguration und Ressourcenzuweisung, wenn ein Cloud-Anbieter den Betrieb \u00fcbernimmt. <\/p>\n
Dar\u00fcber hinaus ist dieses System nicht statisch. Es passt diese Konfigurationen je nach den aktuellen Bed\u00fcrfnissen des Nutzers an. M\u00f6chten Sie die Kosten niedrig halten? Das System k\u00fcmmert sich darum. Ben\u00f6tigen Sie blitzschnelle Geschwindigkeit? Es passt sich entsprechend an. Tests zeigen, dass das System den Rechenaufwand drastisch reduziert und so den Energieverbrauch und die Kosten deutlich senkt, ohne dabei Abstriche bei der Leistung zu machen. <\/p>\n
Die Entwicklung agentenbasierter Workflows ist kein Kinderspiel. Diese Systeme bestehen aus mehreren autonomen KI-Agenten, die verschiedene Modelle und Werkzeuge nutzen, um mehrstufige Aufgaben wie Datenverarbeitung und Codegenerierung zu erledigen. Sie sind die stillen Helden hinter vielen benutzerorientierten Anwendungen, die wir t\u00e4glich nutzen.<\/p>\n
Hier kommt Murakkab ins Spiel. Der Name leitet sich vom Urdu-Wort f\u00fcr \u2018Zusammensetzung von Dingen\u2019 ab. Murakkab optimiert den gesamten Arbeitsablauf im Bereich der Agenten. Entwickler beschreiben, was ihre Anwendung leisten soll, und Murakkab ermittelt die besten Modelle und Werkzeuge f\u00fcr diese Aufgabe.<\/p>\n
Murakkab ermittelt nicht nur die besten Spieler, sondern erstellt auch den Spielplan. Es entscheidet, welche Komponenten nacheinander ausgef\u00fchrt werden sollten und welche Verz\u00f6gerungen umgehen k\u00f6nnen, indem sie parallel laufen. Es passt sich sogar an Ver\u00e4nderungen in der Praxis an und reagiert flexibel auf neue Modelle oder Grafikprozessoren (GPU-Beschleuniger).<\/p>\n
Wenn es f\u00fcr die Cloud-Anbieter an der Zeit ist, die Anwendung bereitzustellen, beh\u00e4lt Murakkab den \u00dcberblick und stellt sicher, dass der Arbeitsablauf den Anforderungen der Nutzer hinsichtlich Genauigkeit und Latenz entspricht. Das System ermittelt die optimalen Bereitstellungszeitpl\u00e4ne und Hardware-Zuweisungen und gew\u00e4hrleistet dabei stets ein hohes Ma\u00df an Effizienz. <\/p>\n
Und das Beste daran: Murakkab funktioniert nicht nur in der Theorie \u2013 Tests zeigen, dass es den Rechenaufwand auf 35% dessen reduziert, was andere Methoden erfordern. Au\u00dferdem verbraucht es etwa 27% der Energie, die andere Methoden ben\u00f6tigen, und das bei weniger als 25% der Kosten.<\/p>\n
Mit Blick auf die Zukunft denken die Forscher bereits dar\u00fcber nach, wie Murakkab f\u00fcr den Einsatz in komplexeren Arbeitsabl\u00e4ufen und gr\u00f6\u00dferen Rechenclustern erweitert werden kann. Derzeit laufen Pl\u00e4ne, neue Optimierungsm\u00f6glichkeiten f\u00fcr agentenbasierte Anwendungen zu untersuchen. Diese Forschung, die gro\u00dfz\u00fcgig von der Semiconductor Research Corporation und der US-amerikanischen Defense Advanced Research Projects Agency unterst\u00fctzt wird, verspricht, KI-Workflows wesentlich ressourceneffizienter zu gestalten, insbesondere auf gro\u00dfen Cloud-Plattformen wie Azure und AWS. <\/p>\n
Wenn Sie sich n\u00e4her mit dem Thema befassen m\u00f6chten, schauen Sie sich den Originalnachrichtenartikel<\/a>. Und wenn Sie KI-Automatisierung in Ihrem Unternehmen einf\u00fchren m\u00f6chten, schauen Sie sich doch einmal implementi.ai<\/a> um zu erfahren, wie sie Ihre Gesch\u00e4ftsabl\u00e4ufe revolutionieren k\u00f6nnen.<\/p>","protected":false},"excerpt":{"rendered":" AI-powered workflows, or ‘agentic workflows’, are at the forefront of technological innovation. These systems have the power to chain together various models and external tools to tackle intricate tasks, such as analyzing a video and providing information about its content. However, they’re not without issues. Their design and deployment are often fragmented, leading to inefficiencies, waste, and unnecessary costs. But all hope isn’t lost. Researchers from MIT and Microsoft have their heads in the game. They’ve developed an intelligent system that does double duty – streamlining the design of agentic workflows and optimizing their implementation on its own. The New […]<\/p>\n","protected":false},"author":4,"featured_media":9058,"comment_status":"","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[46],"tags":[],"class_list":["post-9057","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-automation","post--single"],"_links":{"self":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/posts\/9057","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/comments?post=9057"}],"version-history":[{"count":0,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/posts\/9057\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/media\/9058"}],"wp:attachment":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/media?parent=9057"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/categories?post=9057"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/tags?post=9057"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}