Cognitive Architectures von A–Z.
Hier finden Sie Erklärungen zu zentralen Begriffen der Cognitive Architectures, die wir auf dieser Website häufig verwenden — von Architekturprinzipien über Systemebenen bis zu Governance und Betrieb. Klicken Sie auf einen Begriff, um die Erklärung zu sehen — die Sammlung wächst kontinuierlich und wird regelmäßig an neue Entwicklungen angepasst.
Fehlende Evidenz führt zu keiner Antwort statt zu einer falschen — das System schweigt lieber, als zu erfinden.
Die Übergabe einer KI-Erkenntnis an ein operatives System, zum Beispiel als Aufgabe im CRM.
Die Komponente, die Erkenntnisse aus einem Multiagentensystem in konkrete Aktionen in Zielsystemen übersetzt.
Eine spezialisierte KI-Komponente mit einer klar definierten Aufgabe — etwa Analyse, Validierung oder Planung.
Ein Sicherheitsprinzip, nach dem nur explizit erlaubte Aktionen oder Tools zugänglich sind — alles andere ist standardmäßig gesperrt.
Die Kontrollschicht, die Nachvollziehbarkeit und Prüfpfade für jede KI-Entscheidung sicherstellt — inklusive Validierung, Monitoring und Audit.
Die Eigenschaft, dass alle Entscheidungen und Prozesse eines Systems nachvollziehbar und überprüfbar sind.
Ein System zur kuratierten, nachvollziehbaren Generierung und Pflege von Ontologien — inklusive Governance und Review-Prozess.
Das System darf Informationen zusammenfassen, aber nicht über die vorhandene Evidenz hinaus extrapolieren.
Kontinuierliches Lernen eines Systems aus realen Ergebnissen und Feedback-Schleifen — nicht nur aus Trainingsdaten.
Mehrschichtige KI-Systeme, in denen jede Komponente eine klare Verantwortung trägt — von Daten über Governance bis zum Betrieb. Als Portfolio-Marke bezeichnet der Begriff das gesamte M2-Angebot; als Systemtyp (Cognitive Architecture, Singular) bezeichnet er den einzelnen Architekturansatz.
Persistenter Speicher für validierte Erkenntnisse, die ein System wiederverwenden kann, ohne sie erneut herzuleiten.
Die operative Ebene eines KI-Systems, die Semantik, Agenten, Aktionen und Governance zusammenführt und aus Erkenntnissen konkrete Handlungen macht — nicht nur Insights.
Die zentrale Steuerungseinheit eines Multiagentensystems: Sie entscheidet, welcher Agent genutzt wird, welches Tool zum Einsatz kommt und welche Evidenz erforderlich ist.
Die Steuerungsebene für Identität, Policies, Routing und Sicherheitsentscheidungen innerhalb einer Cognitive Architecture.
Gleicher Input und gleiche Daten führen zum gleichen Ergebnis und zum gleichen Verarbeitungsweg — das Gegenmodell zur Zufälligkeit generativer Systeme.
Auch Evidence-first: Alle Antworten basieren ausschließlich auf überprüfbaren Quellen und Daten und dürfen nicht frei „erfunden“ werden.
Die Ebene, auf der die eigentliche Verarbeitung stattfindet — Analyse, Tool-Nutzung, Generierung.
Die Validierung von Aussagen gegen reale Datenquellen, etwa Datenbanken oder Dokumente, bevor eine Antwort ausgegeben wird.
Die Möglichkeit, dass Menschen jederzeit in Entscheidungen eines Systems eingreifen oder sie überprüfen können.
Die Ebene, die Wissen verwaltet: Dokumente, semantische Modelle, Memory und Provenienz.
Agenten dürfen selbstständig handeln, aber nur innerhalb klar definierter Rollen, Regeln und Grenzen — Autonomie ist explizit modelliert, nicht implizit erlaubt.
Jeder Agent erhält nur die minimal notwendigen Rechte, um seine Aufgabe auszuführen.
Ein Systemdesign mit mehreren parallelen Verarbeitungspfaden — zum Beispiel generativ versus deterministisch — statt eines einzigen Wegs für alle Anfragen.
Ein verteiltes KI-System, das aus mehreren spezialisierten Agenten, Tools, Datenquellen und Kontrollmechanismen besteht und gemeinsam Aufgaben ausführt — keine Erweiterung eines Chatbots, sondern eine eigene Ausführungs- und Entscheidungsschicht.
Die Fähigkeit, das Verhalten eines Systems vollständig zu beobachten — über Logs, Metriken und Traces.
Eine strukturierte Beschreibung von Business-Objekten und deren Beziehungen zueinander.
Die Transformation von Erkenntnissen in konkrete operative Maßnahmen — der Übergang von reinen Insights zu Handlungen im Unternehmen.
Der Nachweis, woher Daten oder Aussagen stammen und wie verlässlich sie sind.
Das Abrufen relevanter Informationen aus Datenquellen zur Unterstützung von Antworten — häufig als Teil eines RAG-Konzepts.
Die Eigenschaft eines Systems, jede Aussage im Nachhinein lückenlos nachvollziehbar zu machen.
Das gezielte Einschränken von KI-Freiheitsgraden dort, wo Vorhersagbarkeit wichtiger ist als Kreativität — kritische Schritte laufen regelbasiert statt generativ.
Eine Abstraktionsschicht, die technische Daten in fachliche Business-Bedeutung übersetzt.
Das Regelwerk, das definiert, welche Tools genutzt werden dürfen und unter welchen Bedingungen.
Die Instanz, die jede Antwort eines Multiagentensystems gegen ihre Quelle prüft, bevor sie ausgegeben wird.
Die Prüfung von Ergebnissen, bevor sie ausgegeben werden — häufig durch einen von der Antworterzeugung getrennten Agenten.
Sie vermissen einen Begriff, oder eine Definition passt nicht zu Ihrem Anwendungsfall? Wir ergänzen das Glossar laufend.
Zurück zu Cognitive Architectures →
Sichere Multiagentensysteme der Zukunft.
Multiagentensysteme versprechen mehr Reichweite — aber auch mehr Zustände, mehr Übergaben, mehr Angriffsfläche. Unser Whitepaper zeigt, wie kontrollierte Autonomie, evidenzgebundene Antworten und belastbarer Betrieb aus einer riskanten Idee ein produktives, auditierbares System machen — am Praxisbeispiel Cognitive Analytic Agents.
Whitepaper herunterladen