Unterschiede

Hier werden die Unterschiede zwischen zwei Versionen angezeigt.

--- betreuung:simplex4learning [2025/10/09 07:20] – angelegt ffk
+++ betreuung:simplex4learning [2025/10/09 07:38] (aktuell) – [Ziel] ffk
@@ Zeile 6: / Zeile 6: @@
-===== Auswahl und Erprobung einer Deep Learning-Netzstruktur für die mobile Erkennung von Windenergieanlagen =====
+===== Agentenbasierte KI (Agentic AI) im Umweltbereich =====
+==== Motivation ====
+Agenten sind keine Chatbots. Sie handeln selbst: Sie surfen im Netz, füllen Formulare aus, rufen an, senden E-Mails, automatisieren deine Abläufe. Anders als klassische AI Modelle sind sie keine Helfer – sie sind Kollegen. "2025 wird das Jahr, in dem Agenten die Arbeitswelt massiv verändern." – Sam Altman, CEO OpenAI.
+Derzeit gibt es einen großen Hype um das Thema KI-Agenten. Immer mehr KI-Agenten-Technologien werden verfügbar und immer mehr Anwendungsfälle werden umgesetzt.
+==== Problem ====
+Während das allgemeine Potenzial von KI-Agenten riesig zu sein scheint, ist bisher wenig über Anwendungsfälle und Umsetzungen im Umweltbereich bekannt.
+==== Ziel ====
+Das Ziel der Arbeit ist es:
+  * zu untersuchen, welche Potenziale die KI-Agenten-Technologie bietet
+  * augzuzeigen, welche Anwendungsfälle und Nutzen im Umweltbereich möglich sind (und welche potenziellen Gefahren)
+  * einen potenziellen Anwendungsfall auszuwählen, umzusetzen und zu evaluieren
+Vorgehen / Aufgaben / Forschungsfragen
+  * Verstehen & Einordnen:
+    * Thema: Was sind AI-Agenten – und warum verändern sie die Arbeitswelt?
+    * Ergebnis: Erkennen, wie Agenten funktionieren und welches Potenzial in ihnen steckt.
+  * Technologisch eintauchen
+    * Thema: Welche KI-Agenten-Technologien gibt es bereits (z.B. OpenAI Operator, Manus), wie lassen sich diese klassifizieren (z.B. Workflow-Agenten, spezifische vs. generische Agenten-Tools etc.)
+    * Ergebnis: Überblick über den Stand der technischen Entwicklung; Ideen für eigene technische Umsetzung
+  * Anwendungsfälle & Use-Cases
+    * Thema: Reale Anwendungsbeispiele; Potenzielle Anwendungsfälle für den Umweltbereich
+    * Ergebnis: Überblick über den Stand in der Forschung und Praxis; Umsetzbare Ideen für eigenen Agenten.
+  * Umsetzung
+    * Thema: Wie kann ein konkretes Beispiel umgesetzt werden?
+    * Ergebnis: Auswahl und Konzeption der Umsetzung eines Anwendungsfalls aus dem Umweltbereich
+  * Implementierung
+  * Evaluation
 ===== Maschinelles Lernen in deutschen Umweltbehörden (Masterarbeit) =====