Und dann auf "Zum Home-Bildschirm [+]".
Stöbern
genialokal zum Startbildschirm hinzufügen
Installieren Sie die genialokal App auf Ihrem Startbildschirm für einen schnellen Zugriff und eine komfortable Nutzung.
Installieren Sie die genialokal App auf Ihrem Startbildschirm für einen schnellen Zugriff und eine komfortable Nutzung.
Ihr gewünschter Artikel ist in 0 Buchhandlungen vorrätig - wählen Sie hier eine Buchhandlung in Ihrer Nähe aus:
Der Praxisleitfaden für leistungsstarke KI-Agentensysteme
- Lernen Sie die Kernkomponenten und Entwurfsprinzipien von KI-Agenten kennen: Dieses Buch stellt Ihnen die Werkzeuge vor, mit denen Sie effizient vom Konzept zur Lösung gelangen
- Behandelt alle relevanten aktuellen Frameworks und Technologien im Bereich agentischer Systeme und hilft bei der Auswahl
- Die zahlreichen Codebeispiele zeigen reale Anwendungsszenarien; Use Cases illustrieren die unterschiedlichen Einsatzgebiete für KI-Agenten
- Beschreibt auch das Model Context Protokol (MCP) und das Agent-to-Agent-Protokoll
KI-Agenten verändern rasant die Art und Weise, wie intelligente Anwendungen entworfen, gebaut und skaliert werden. Dieses Buch bietet einen klar strukturierten Rahmen, um robuste Agentensysteme zu entwickeln. Es zeigt, was moderne KI-Agenten ausmacht, welche Strategien für Planung, Ausführung und Toolnutzung funktionieren und wie Agenten durch Finetuning und Transfer Learning aus Erfahrung lernen. Michael Albada liefert damit fundierte Antworten auf die Fragen, die in der Praxis wirklich zählen.
Darüber hinaus führt das Buch in die Skalierung von Single- zu Multi-Agent-Systemen ein und beleuchtet dabei bewährte Muster wie demokratische, hierarchische und Akteur-Kritiker-Ansätze. Es vermittelt, wie man Agenten mit geeigneten Metriken bewertet, in Produktion überwacht und sicher, ethisch und regelkonform betreibt. Mit prägnanten Fallstudien aus Bereichen wie Kundensupport, Recht, Werbung und Code-Review bietet dieses Buch das nötige Rüstzeug, um KI-Agenten gezielt und wirkungsvoll einzusetzen.
Michael Albada ist Machine Learning Engineer mit langjähriger Erfahrung in der Konzeption, Entwicklung und Bereitstellung groß angelegter Lösungen für maschinelles Lernen bei Microsoft, Uber und ServiceNow. Er verfügt über Expertise in den Bereichen LLMs, Reasoning-Modelle, Finetuning, Empfehlungssysteme, Geodatenmodellierung und Multi-Agenten-Systeme für Cybersicherheit. Er hat einen B.A. der Stanford University, einen M.Phil. der University of Cambridge sowie einen M.S. der Georgia Tech.
