[Helmut S]

Ich erinnere mich noch dunkel an das letzte Jahrtausend eine der ersten Vorlesungen in Informatik I, da wurde irgendwann die Frage Was ist ein Algorithmus? diskutiert. Nunja ... was weiß ich noch, was damals genau an die 9-flächige Tafel gekritzelt wurde ... wichtig ist, dass es um "wohldefinierte Schritte" ging. Insofern ...

Das soll man bitte aber nicht verwechseln mit dem was #keko schreibt. Es handelt sich freilich um definierte Schritte (z.B. Matritzenrechnung) die stochastische Modelle lösen.

Was Agenten betrifft, sind die - sofern sie auf Modelle aufsetzen - deshalb zu einem hohen Grad unbrauchbar: Niemand im Leben und im Business will einen Zufall in den Prozessen. Wer will schon von einem Agenten einen Urlaub buchen lassen, dessen Gefallen vom Zufall abhängt? Deshalb sind Agenten zunächst auch "normale Programme", die Modelle verwenden.

Welches Modell wann und zu was und in welcher Form verwendet wird, überlässt der Entwickler meist nicht dem Modell selbst, sondern das entscheidet er beim entwickeln des Agenten. Freilich gibt es Technologien, wie z.B. das MCP (Model Control Protocol), über das ein Modell andere Ressourcen verwenden kann. Der Entwickler registriert die Ressource beim Modell, teilt ihm mit, was er an dem Endpunkt zu erwarten hat und in welcher Form die Information zu gebrauchen ist. Dann entscheidet das Modell ob und wann solch eine externe Ressource (z.B. eine Datenbank mit speziellem Wissen über Trainingsgestaltung im Triathlon) verwendet wird. Meist möchte man sowas nicht. Man erwartet eine "sicheres" Ergebnis und keines, dass "wahrscheinlich" stimmt.

Wenn man also mit Zufall (und es ist nicht mal ein echter Zufall) leben will, dann kann man gerne Entscheidung dem Agenten überlassen. Wichtig zu verstehen: Zufall ist was anderes als eigener (freier) Wille. Auch wenn es vielleicht anders aussieht.

Freilich kann man mit mehr Daten, besseren Prompts oder Anwendungsarchitektur für die Wahrscheinlichkeiten schon stark erhöhen. Für einfache Probleme liegen Modelle heute im Schnitt in 95% der Fälle richtig. Wenn die Probleme komplexer werden, liegen sie mit bis zu 30% daneben. Hat man so Reasoning-Modelle, dann sagen die überraschend oft: Ich weiß es nicht.

Zum Thema Intelligenz: Meine Lieblingsdefiniton ist, dass Intelligenz das ist, was man braucht, wenn man nicht weiß was man tun soll. Modelle wissen das auch nicht. Die raten halt auf ne smarte Art und Weiße.