Verhandlungs-Agenten für Münchner Supply-Chain-Software
Übersicht
Worum es bei diesem Projekt geht.
Baue ein Zwei-Agenten-Verhandlungssetup mit LLM-Backend, simuliere 30 Szenarien und werte sie aus. Du erhältst ein verifizierbares Zertifikat.
Das Briefing
Was Du tust und was Du zeigst.
Können LLM-basierte Verhandlungs-Agenten in einem strukturierten Vertragskontext Pareto-effiziente, erklärbare Vereinbarungen erzielen?
Earning criteria — what you'll demonstrate
- LLM-Agenten in einem strukturierten Multi-Agenten-Verhandlungsprotokoll orchestrieren
- Spieltheoretische Konzepte (Pareto, Nash) praktisch zur Bewertung anwenden
- Erklärbarkeit als Bewertungsdimension neben Performance ernst nehmen
- Forschungsbefunde in eine produktnahe Empfehlung übersetzen
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Multi-Agent Systems
Master · Ai Ml
Fit score: 1
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenML-Forscher:in
Agentische LLM-Forschung mit Spieltheorie-Bewertung ist eine Frontier-Disziplin, die in den kommenden 2-3 Jahren in jedem GenAI-Forschungsteam relevant wird.
Dieses Projekt schärft
- llm-agents
- negotiation
- game-theory
KI-Ingenieur:in
Mehrschritt-LLM-Orchestrierung mit Schema-Validation und Erklärbarkeit ist genau das Engineering-Profil, das produktnahe AI-Engineer-Rollen 2026 fordern.
Dieses Projekt schärft
- llm-agents
- agentic-ai
- explainability
Angewandte:r KI-Wissenschaftler:in
Verhandlungs-Agenten als Produkt-Feature zu evaluieren und in eine Roadmap-Empfehlung zu übersetzen, übt die Brückenrolle, die Applied AI Scientists zwischen Forschung und Produkt einnehmen.
Dieses Projekt schärft
- evaluation
- agentic-ai
- explainability
Noch eine Sache