What the Agentic Era Means for Data Science

Einführung

Am Schnittpunkt von Künstlicher Intelligenz (KI) und Datenwissenschaft hat sich etwas verändert, das die Arbeitsweise der Fachleute grundlegend beeinflusst hat. Die heute eingesetzten Systeme generieren nicht nur eine Antwort und stoppen dann. Sie planen, führen mehrstufige Aufgaben aus, rufen externe Werkzeuge auf, bewerten ihre eigenen Ergebnisse und kehren zurück, wenn die Resultate unzureichend sind.

Wir befinden uns nicht mehr auf dem Weg in die Agenten-Ära, sondern leben bereits in ihr. Diese Phase ist durch KI-Systeme gekennzeichnet, die autonomes, zielgerichtetes Verhalten ausführen, und sie hat die täglichen Aufgaben von Datenwissenschaftlern neu definiert.

Die Rolle erforderte schon immer eine seltene Kombination aus statistischem Denken, Programmierfähigkeiten und Fachwissen. Eine vierte Dimension ist nun die Grundlage: die Fähigkeit, Systeme zu entwerfen, bereitzustellen und zu bewerten, die unabhängig im Auftrag der Benutzer agieren. Wer diese Veränderung ignoriert, wird in seiner Produktivität hinter seinen Kollegen zurückbleiben. Wer sich ernsthaft damit auseinandersetzt, steigert seine Effektivität in allen Bereichen.

Neudefinition der Grundlagen

Um zu verstehen, was auf dem Spiel steht, ist es wichtig zu betrachten, was ein KI-Agent heute in der Produktion tatsächlich tut. Ein Agent ist ein System, das seine Umgebung wahrnimmt, über den nächsten Schritt nachdenkt, Aktionen mit verfügbaren Werkzeugen ausführt und die Ergebnisse bewertet.

Im Gegensatz zu einer traditionellen Interaktion mit einem großen Sprachmodell (LLM), bei der man eine Eingabe macht und eine statische Antwort erhält, arbeitet ein Agent in kontinuierlichen, iterativen Schleifen. Er erhält ein Ziel, wählt ein Werkzeug aus, beobachtet das Ergebnis, aktualisiert sein Denken und entscheidet, ob er umschwenkt oder weitermacht. Dieser Zyklus kann hinter den Kulissen über Dutzende von diskreten Schritten ablaufen.

Was dieses Paradigma besonders macht, ist die native Integration von Werkzeugen. In einem modernen Datenwissenschaftskontext kann ein Agent einen Datensatz abrufen, bereinigen, eine explorative Analyse durchführen, ein Basismodell trainieren, die Ergebnisse bewerten und einen strukturierten Bericht erstellen – alles ohne menschliches Eingreifen während der einzelnen Schritte.

Das Orchestrierungs-Ökosystem

Die Frameworks, die dies ermöglichen, haben sich von experimentellen Bibliotheken zu produktionsreifen Orchestratoren entwickelt. Sie alle basieren auf demselben Kernprinzip – einem Modell strukturierten Zugang zu Werkzeugen und der Denkmaschine zu geben, um diese zu nutzen – verfolgen jedoch je nach Arbeitsablauf unterschiedliche Ansätze.

• LangGraph: Graph-basierte Workflow-Orchestrierung. Komplexe, bedingte Pipelines, die eine Zustandsverwaltung erfordern. Branchenstandard für produktionsreife Workflows, sowohl für Einzel- als auch für Multi-Agenten, wo explizite Zustandsverwaltung und bedingte Verzweigungen erforderlich sind.
• AutoGen: Multi-Agenten-Konversationsmuster. Kollaborative Szenarien, in denen Agenten Ausgaben diskutieren oder überprüfen. Gut geeignet für integrierte Überprüfungsschritte, bei denen ein Kritiker-Agent die Argumentation eines Codier-Agenten hinterfragt.
• smolagents: Code-first, minimalistische Ausführung. Code-intensive Aufgaben unter Verwendung des gesamten Python-Wissenschafts-Stacks. Eine natürliche Wahl für Datenwissenschaftler, die bereits mit reinen Python-Umgebungen vertraut sind.

Änderung des Arbeitsablaufs: Von prozedural zu evaluativ

Die unmittelbarste Auswirkung auf die tägliche Arbeit ist die Automatisierung routinemäßiger Arbeitsabläufe. Nehmen wir eine Standard-Pipeline für explorative Datenanalyse (EDA). Ein Datenwissenschaftler, der früher Daten manuell importierte, Zusammenfassungsstatistiken generierte, Verteilungen visualisierte und nach Ausreißern suchte, wird heute von einem gut gestalteten Agenten unterstützt, der jeden dieser Schritte auf Anweisung ausführt, Beobachtungen in strukturierten Formaten dokumentiert und Anomalien zur menschlichen Überprüfung kennzeichnet.

Dies erstreckt sich auch auf das maschinelle Lernen. Pipelines, die früher manuelle Iterationen über Vorverarbeitungsentscheidungen, Modellwahl und Hyperparameter-Tuning erforderten, werden nun größtenteils durch agentische Orchestrierung verwaltet, was den Bedarf an menschlichem Urteil an entscheidenden Punkten verringert, aber nicht vollständig beseitigt.

Dieser letzte Punkt ist wichtig. Dies bedeutet nicht, dass der Datenwissenschaftler überflüssig wird. Vielmehr wird die Rolle in Richtung höherwertiger Entscheidungen umgestaltet. Agenten übernehmen die prozeduralen Lasten; die Fachleute behalten die evaluativen Entscheidungen. Agenten kümmern sich um die wiederholten „Wie mache ich das nochmal?“-Fragen, die Stunden in Anspruch nehmen. Die Fachleute sind für die entscheidenden „Ist das der richtige Weg?“ -Urteile verantwortlich, die kein Modell replizieren kann.

Der Kompetenzstapel 2026

Technische Fähigkeiten in Python, Statistik und maschinellem Lernen bleiben die unverzichtbare Grundlage. Doch die agentische Realität erfordert eine neue Ebene von Kompetenzen, die auf dieser Basis aufbauen. Um mehr über die erforderlichen Fähigkeiten zu erfahren, können Sie unseren umfassenden Leitfaden für Einsteiger in die Datenwissenschaft 2026 lesen.

• Systemdesign und Prompt-Engineering: Agenten folgen Anweisungen, und die Architektur dieser Anweisungen bestimmt die Qualität der Ergebnisse. Dies geht weit über das Verfassen eines klaren Prompts hinaus. Bei der Gestaltung eines Agenten treffen Sie Entscheidungen, die bestimmen, wie er sich über Hunderte von verschiedenen Eingaben verhält.
• Werkzeugdesign und -integration: Agenten sind nur so fähig wie die Werkzeuge, die sie nutzen können. Ein Werkzeug ist jede Funktion, die ein Agent aufrufen kann, um mit der Außenwelt zu interagieren.
• Agenten-Observierbarkeit: Wenn ein Agent eine lange Kette von sequentiellen Schritten ausführt, erfordert das Debugging strukturierte Bewertungsrahmen. Agentenfehler sind oft nicht offensichtlich.
• Multi-Agenten-Architektur: Komplexe Aufgaben werden routinemäßig auf spezialisierte Agenten aufgeteilt, wie z.B. einen Datenretriever, einen statistischen Analysten und einen Berichtsgenerator.

Die Evolution der Rollen

All dies führt nicht zur Eliminierung von Arbeitsplätzen in der Datenwissenschaft. Vielmehr hebt es die Möglichkeiten an, was ein einzelner Fachmann leisten kann. Die aus dieser Veränderung hervorgehenden Rollen zeigen eine klare Trennung zwischen denen, die Agenten nutzen, und denen, die sie entwickeln.

• AI Systems Designers: Definieren das Verhalten von Agenten, legen Bewertungskriterien fest und überwachen Multi-Agenten-Pipelines.
• AgentOps Engineers: Stellen eine spezialisierte Evolution der maschinellen Lernoperationen (MLOps) dar, die sich auf die Bereitstellung, Nachverfolgung und Überwachung autonomer Arbeitsabläufe in der Produktion konzentriert.
• Domain-Specialized Agent Developers: Besetzen eine besonders geschützte Nische: ein Datenwissenschaftler mit tiefem Fachwissen in Finanz- oder Gesundheitswesen, der agentische Pipelines für seine spezifische Branche entwickelt.

Schritt halten

Für Fachleute, die noch aufholen, ist der praktische Ausgangspunkt bewusst bescheiden. Versuchen Sie nicht, morgen Ihren gesamten Job zu automatisieren.

Beginnen Sie mit einem Einzel-Agenten-System unter Verwendung von smolagents oder LangGraph. Geben Sie ihm Zugang zu zwei Werkzeugen, die für eine Aufgabe relevant sind, die Sie bereits manuell durchführen, und testen Sie es an einem Problem, bei dem Sie das erwartete Ergebnis kennen. Bewerten Sie es ehrlich. Sobald es zuverlässig funktioniert, führen Sie einen zweiten Agenten ein, um eine andere Spezialisierung zu übernehmen. Richten Sie Ihr Logging ein, definieren Sie Ihre Erfolgskriterien und führen Sie systematische Tests durch.

Die Datenwissenschaftler, die hier erfolgreich sein werden, sind diejenigen, die praktische Intuition mit diesen Werkzeugen entwickeln und das evaluative Denken entwickeln, das erforderlich ist, um autonome Systeme verantwortungsbewusst einzusetzen. Der einzige Weg, Schritt zu halten, besteht darin, aktiv am Aufbau dieser Systeme teilzunehmen.

Vinod Chugani ist ein Pädagoge für KI und Datenwissenschaft, der die Kluft zwischen aufkommenden KI-Technologien und deren praktischer Anwendung für Berufstätige überbrückt. Seine Schwerpunkte sind agentische KI, Anwendungen des maschinellen Lernens und Automatisierungsarbeitsabläufe. Durch seine Arbeit als technischer Mentor und Ausbilder hat er Datenprofis bei der Entwicklung von Fähigkeiten und Karriereübergängen unterstützt. Er bringt analytische Expertise aus der quantitativen Finanzwelt in seinen praxisorientierten Unterricht ein.

„`

Quellen: kdnuggets

Bildquelle: KI generiert

KI Snack