💻 computer science

From Intent to AI Pipelines: A Controlled Agentic Framework for Non-AI Expert Scientists

Das Papier stellt Domain-Driven Adaptable AI Pipelines (DDAP) vor, ein kontrolliertes, menschlich gesteuertes Agenten-Framework, das große Sprachmodelle nutzt, um Nicht-Experten-Wissenschaftler durch einen strukturierten, vierstufigen Prozess zu führen, um wettbewerbsfähige, domänenspezifische KI-Pipelines und Implementierungscode zu generieren.

Ursprüngliche Autoren: Hyacinth Ali, Jessie Galasso-Carbonnel, Houari Sahraoui

Veröffentlicht 2026-05-20

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Hyacinth Ali, Jessie Galasso-Carbonnel, Houari Sahraoui

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie sind ein brillanter Wissenschaftler in den Bereichen Biologie, Landwirtschaft oder Sozialwissenschaften. Sie haben eine großartige Idee für ein Forschungsprojekt, aber um es zu verwirklichen, müssen Sie eine komplexe „KI-Maschine" (eine Pipeline) bauen, um Ihre Daten zu analysieren. Das Problem ist, dass der Bau dieser Maschine normalerweise einen Abschluss in Informatik und jahrelange Programmiererfahrung erfordert. Die meisten Wissenschaftler haben weder die Zeit noch die Ausbildung dafür, sodass sie auf einen Spezialisten warten müssen, der ihnen hilft, was alles verlangsamt.

Dieser Artikel stellt DDAP (Domain-Driven Adaptable AI Pipelines) vor, ein neues Werkzeug, das für diese Wissenschaftler wie ein intelligenter, schrittweiser Bauleiter fungiert.

So funktioniert DDAP, unter Verwendung einfacher Analogien:

1. Das Problem: Die „Black Box" versus der „Bauplan"

Normalerweise, wenn Sie einen Computer (speziell ein Large Language Model oder LLM) bitten, „mir eine KI zu bauen", könnte er einfach einen Haufen Code ausspucken. Manchmal funktioniert es, aber oft ist es kaputt, hat fehlende Teile oder passt nicht zu Ihren spezifischen Bedürfnissen. Es ist, als würde man ein maßgeschneidertes Haus von einem Roboter bestellen, der Ihnen einfach Ziegelsteine zuwirft, ohne einen Plan.

DDAP ändert das Spiel. Anstatt das ganze Haus auf einmal zu bestellen, zerlegt DDAP den Bau in vier distincte Phasen und stellt sicher, dass jeder Schritt überprüft und genehmigt wird, bevor zum nächsten übergegangen wird.

2. Die vier Phasen des Baus

Phase 1: Das Treffen mit dem Architekten (Problemdefinition)

Was passiert: Sie sprechen mit dem System in einfachem Englisch. Sie sagen: „Ich habe Bilder von Juteschädlingen und möchte sie in 17 Typen sortieren."
Die Magie: Das System nickt nicht nur; es agiert wie ein neugieriger Architekt. Es stellt Ihnen klärende Fragen basierend auf Ihrem Fachgebiet (z. B. einen medizinischen Forscher nach dem Datenschutz für Patienten oder einen landwirtschaftlichen Forscher nach den Getreidesorten). Es verwandelt Ihre vage Idee in einen klaren, schriftlichen Bauplan (ein „Problemdefinitions-Artefakt").

Phase 2: Die Baustellenbegehung (Rechenumgebung)

Was passiert: Bevor gebaut wird, müssen Sie wissen, welche Werkzeuge und welchen Raum Sie haben. Haben Sie einen superschnellen Computer (GPU) oder nur einen normalen Laptop? Haben Sie ein Budget?
Die Magie: Das System hilft Ihnen, diese Grenzen zu definieren und schreibt sie als Spezifikationsblatt auf. Dies stellt sicher, dass die finale KI nicht auf einem Fundament gebaut wird, das für Ihren Computer zu schwer zu tragen ist.

Phase 3: Die Entwurfsphase (Pipeline-Generierung)

Was passiert: Jetzt entwirft das System die eigentliche „Maschine".
Die Magie: Anstatt auf eine Weise zu raten, agiert das System wie ein Team von fünf verschiedenen Ingenieuren. Es generiert fünf verschiedene Entwurfsoptionen für Ihre KI-Pipeline. Es wägt die Vor- und Nachteile jeder Option ab (z. B. „Option A ist schneller, aber Option B ist genauer"). Es wählt die besten Entwürfe aus und speichert sie als Entwurfsdokumente.

Phase 4: Das Bauunternehmen (Code-Generierung)

Was passiert: Schließlich schreibt das System den eigentlichen Computercode (die Ziegelsteine und den Mörtel) basierend auf dem gewählten Entwurf.
Die Magie: Wenn der Code einen Fehler hat (einen Tippfehler oder ein fehlendes Werkzeug), verfügt das System über einen eingebauten „Reparatur"-Mechanismus. Es erkennt den Fehler, bittet den Computer um eine Korrektur und versucht es erneut, bis der Code reibungslos läuft.

3. Das Sicherheitsnetz „Mensch im Kontrollkreis"

Der wichtigste Teil von DDAP ist, dass es kontrolliert ist. Es läuft nicht einfach davon und macht alles allein. Es hält den Wissenschaftler am Steuer.

Denken Sie daran wie an ein GPS mit einem Co-Piloten. Das GPS (die KI) schlägt die Route vor, aber Sie (der Wissenschaftler) bestätigen das Ziel und die Zwischenstopps. Wenn das GPS versucht, Sie auf eine Straße zu führen, die nicht existiert, stoppt das System und fragt nach Klärung. Dies verhindert, dass die KI wilde, falsche Vermutungen anstellt.

4. Hat es funktioniert? (Die Ergebnisse)

Die Autoren testeten diesen „Bauleiter" an realen Problemen in sechs verschiedenen Bereichen:

Biologie: Sortieren von Bildern von Schädlingen.
Medizin: Vorhersage des Fortschreitens der Parkinson-Krankheit aus Sprachaufnahmen.
Wirtschaft: Sortieren von Produkttiteln und Gruppieren von Kunden.
Umwelt: Identifizieren von Abfallarten aus Fotos.
Finanzen: Vorhersage von Börsentrends.

Die Ergebnisse:

Erfolg: In den meisten Fällen (wie beim Sortieren von Schädlingen, der Vorhersage von Parkinson und der Sortierung von Produkten) führten die von DDAP gebauten KI-Pipelines genauso gut oder sogar besser als Modelle, die von menschlichen Experten gebaut wurden, die wochenlang an ihnen feilten.
Der Kampf: Das System hatte mit Text-Clustering (Gruppieren ähnlicher Textdokumente) etwas Mühe. Es ist, als wäre der Bauleiter großartig im Hausbau, aber lernt noch, wie man eine Bibliothek organisiert. Die Ergebnisse hier waren viel niedriger als bei Expertenmodellen.

Das Fazit

DDAP ist ein Werkzeug, das es nicht-experten Wissenschaftlern ermöglicht, leistungsstarke KI-Modelle zu erstellen, indem sie ein strukturiertes, geführtes Gespräch mit einem Computer führen. Es verwandelt den beängstigenden, komplexen Prozess des „Codens einer KI" in eine überschaubare, vierstufige Checkliste.

Es beweist, dass man kein Codier-Zauberer sein muss, um KI zu nutzen; man braucht nur einen guten Führer, der Ihre wissenschaftlichen Ziele Schritt für Schritt in eine funktionierende Maschine übersetzt, während er Sie die ganze Zeit unter Kontrolle hält.

Technischer Überblick: Domänengetriebene anpassbare KI-Pipelines (DDAP)

Problemstellung

Künstliche Intelligenz (KI)-Pipelines sind für die moderne Forschung in diversen Bereichen, einschließlich medizinischer Wissenschaften, Landwirtschaft und Sozialwissenschaften, unverzichtbar geworden. Dennoch stellen Design und Implementierung von durchgängigen KI-Systemen nach wie vor eine erhebliche Hürde für nicht-experte Wissenschaftler dar. Die Entwicklung effektiver KI-Lösungen erfordert Expertise auf mehreren Ebenen: Formulierung von Forschungsfragen als KI-Aufgaben, Datenvorbereitung, Modellauswahl und -training sowie Bereitstellung. Aktuelle Lösungen weisen spezifische Einschränkungen auf:

Low-Code/No-Code-Plattformen: Zwar senken sie die technischen Einstiegshürden, doch fehlt es ihnen oft an Flexibilität, Anpassungsfähigkeit an domänenspezifische Einschränkungen und Unterstützung für den gesamten Pipeline-Lebenszyklus.
Direkte Nutzung von Large Language Models (LLMs): Die Verwendung von LLMs zur Generierung von Code aus natürlichen Sprachbeschreibungen stößt auf Herausforderungen hinsichtlich Zuverlässigkeit (Erzeugung unvollständiger oder nicht reproduzierbarer Pipelines), Einhaltung von Domänenbeschränkungen (z. B. regulatorische Anforderungen) und der hohen kognitiven Belastung, die Nicht-Experten für die Validierung und Fehlersuche bei den Ausgaben benötigen.
Methodische Lücke: Bestehende Tools operationalisieren den Übergang von Problembeschreibungen zu Machine-Learning-Workflows nicht ausreichend in einer Weise, die für Nicht-Experten zugänglich ist, während gleichzeitig Reproduzierbarkeit und Transparenz gewahrt bleiben.

Methodik: Das DDAP-Framework

Um diese Herausforderungen zu adressieren, schlagen die Autoren Domain-Driven Adaptable AI Pipelines (DDAP) vor, ein kontrolliertes, menschlich eingebundenes, agentenbasiertes Framework. DDAP betrachtet den Aufbau von KI-Pipelines als Softwareentwicklungsproblem und synthetisiert ausführbare Workflows aus hochrangigen Domänenabsichten unter Unsicherheit. Anstatt sich auf eine vollständig autonome Generierung zu verlassen, orchestriert DDAP LLMs als spezialisierte Agenten innerhalb eines gestuften Workflows.

Das Framework strukturiert den Entwicklungsprozess in vier distincte Stufen, wobei eine Reihe strukturierter Artefakte ( $A = \{A_1, A_2, A_3, A_4\}$ ) erzeugt wird, die über die Stufen hinweg persistiert und wiederverwendet werden:

Problemdefinition ( $A_1$ ):
- Ziel: Herausarbeiten und Strukturieren der KI-Aufgabe in eine semi-formale Darstellung.
- Mechanismus: Ein offenes Dialogverfahren, bei dem das System die Domäne und das Expertiselevel des Forschers profiliert. Es nutzt rollenbasiertes Prompting, Sicherheitsvorkehrungen (Guardrails) und Chain-of-Thought (CoT)-Schlussfolgerungen, um den Nutzer bei der Klärung von Zielen, Datenmerkmalen und Einschränkungen zu führen.
- Ausgabe: Ein strukturiertes Problemdefinitions-Artefakt.
Spezifikation der Compute-Umgebung ( $A_2$ ):
- Ziel: Abgleich der Problem-Anforderungen mit verfügbaren Rechenressourcen.
- Mechanismus: Der Orchestrierer nutzt die Problemdefinition, um Prompts zu kontextualisieren, und erhebt Details zum Standort der Umgebung (On-Premises/Cloud), Beschleunigern (GPUs/TPUs), Speicher und Budget.
- Ausgabe: Ein Artefakt zur Spezifikation der Compute-Umgebung.
Pipeline-Generierung ( $A_3$ ):
- Ziel: Generierung strukturierter KI-Pipeline-Spezifikationen.
- Mechanismus: Diese Stufe wird in zwei Schritte zerlegt: (1) Generierung von Kandidaten für Vorverarbeitungsstrategien und (2) Generierung vollständiger Pipeline-Designs. Das Framework generiert fünf alternative Pipeline-Kandidaten pro Aufgabe, um die probabilistische Natur von LLMs abzumildern. Es setzt Retrieval-Augmented Generation (RAG), CoT und Guardrails ein, um sicherzustellen, dass die Designs mit Domänenanforderungen und Ressourcenbeschränkungen übereinstimmen.
- Ausgabe: Mehrere alternative Pipeline-Spezifikationsartefakte mit Vor- und Nachteilen.
Code-Generierung ( $A_4$ ):
- Ziel: Übersetzung ausgewählter Pipeline-Spezifikationen in ausführbaren Code (z. B. PyTorch, TensorFlow).
- Mechanismus: Code-orientierte LLMs (z. B. Code Llama) werden mit Prompts verwendet, die um Artefakte aus früheren Stufen erweitert sind. Ein optionales Code-Reparatur-Mechanismus ist integriert, bei dem der Orchestrierer Fehlermeldungen zurück an das LLM speist, um syntaktische oder Laufzeitfehler ohne manuelles Debuggen zu identifizieren und zu beheben.
- Ausgabe: Ausführbarer Implementierungscode.

Das Framework basiert auf einem zentralen Pipeline-Orchestrator, der die Interaktionsschleife verwaltet, Nachvollziehbarkeit sicherstellt und die Steuerungslogik während des gesamten Prozesses aufrechterhält.

Hauptbeiträge

Die Arbeit umreißt vier primäre Beiträge:

Artefaktgetriebene Formulierung: Sie modelliert den Pipeline-Aufbau als gestuften Syntheseprozess, der hochrangige Absichten in ausführbare Artefakte transformiert und damit über AutoML-Ansätze hinausgeht, die sich ausschließlich auf die Suche nach vordefinierten Komponenten verlassen.
Kontrolliertes agentenbasiertes Framework: Im Gegensatz zu statischen Low-Code-Vorlagen passt sich DDAP durch geführte Interaktion und gestufte Verfeinerung dynamisch an Domänenkontext, Nutzerexpertise und Ressourcenbeschränkungen an.
Orchestrierter mehrstufiger Workflow: Sie zerlegt die Pipeline-Generierung in koordinierte Stufen mit expliziter Artefakt-Wiederverwendung und Steuerungslogik, was die Reproduzierbarkeit und die Nutzerkontrolle im Vergleich zur einstufigen LLM-Prompting verbessert.
Empirische Evaluation: Sie zeigt, dass DDAP in einem einzigen Durchgang (ohne iterative Optimierung) wettbewerbsfähige KI-Pipelines über mehrere Domänen hinweg generieren kann, wobei gleichzeitig Einschränkungen bei komplexen Aufgaben wie textbasiertem Clustering explizit identifiziert werden.

Experimentelle Ergebnisse

Die Autoren evaluierten DDAP in sechs Experimenten aus den Bereichen Biologie, Wirtschaftswissenschaften und Gesundheitswissenschaften und verglichen die von DDAP generierten Modelle mit von Experten entwickelten Baselines aus der bestehenden Literatur.

Wettbewerbsfähige Leistung: In mehreren Aufgaben erzielte DDAP Ergebnisse, die mit Expertenmodellen vergleichbar oder diesen überlegen waren, ohne iterative Hyperparameter-Optimierung.
- Parkinson-Telemonitoring (Regression): Das Ensemble-Modell von DDAP erreichte einen Mean Absolute Error (MAE) von 0,30 (Motor UPDRS) und 2,66 (Total UPDRS) und übertraf damit die Experten-Baseline (jeweils 4,5 und 6,0).
- Aktienmarktprognose (Regression/Klassifikation): DDAP erreichte eine Genauigkeit von 79,44 % und übertraf damit die Experten-Baseline von 68 %.
- Produktklassifikation (Text): DDAP erreichte eine Validierungsgenauigkeit von 96,83 % und übertraf damit die Experten-Baseline von 95 %.
- Jute-Schädlingsklassifikation (Bild): DDAP erreichte einen F1-Score von 0,94, was leicht unter der Experten-Baseline von 0,97 liegt, aber dennoch eine starke Fähigkeit in einem einzigen Durchgang demonstriert.
- Abfallmaterialklassifikation (Bild): DDAP erreichte einen F1-Score von 84 % und war damit mit der Experten-Baseline von 90 % konkurrenzfähig.
- Kundensegmentierung (Clustering): DDAP generierte aussagekräftige RFM-basierte Segmente mit einem Silhouette-Score von 0,53, was mit expertengetriebenen Verhaltensunterscheidungen übereinstimmt.
Einschränkungen: Das Framework zeigte signifikante Leistungslücken bei textbasierten Clustering-Aufgaben. Für die Produkt-Clustering-Aufgabe erreichte der beste F1-Score von DDAP 0,001, was drastisch niedriger ist als die Experten-Baseline von 0,59. Die Autoren führen dies auf den Bedarf an fortschrittlicherer Repräsentationslernen und iterativen Optimierungsstrategien für komplexe Textdaten zurück.

Bedeutung und Behauptungen

Die Arbeit behauptet, dass DDAP die Machbarkeit eines kontrollierten agentenbasierten Frameworks zur Demokratisierung der KI-Entwicklung demonstriert. Durch die Kombination von geführter Interaktion, Anpassungsfähigkeit und Reproduzierbarkeit ermöglicht das Framework nicht-experten Nutzern, wettbewerbsfähige KI-Pipelines zu generieren.

Die Bedeutung der Arbeit liegt in ihrer Fähigkeit, die Lücke zwischen Zugänglichkeit und technischer Strenge zu überbrücken. Sie beansprucht nicht, das Eingreifen von Experten vollständig zu ersetzen, sondern vielmehr einen strukturierten, artefaktgetriebenen Pfad bereitzustellen, der die Einstiegshürde senkt und gleichzeitig die Ausrichtung auf Softwareentwicklungsprinzipien (Modularität, Trennung von Belangen) wahrt. Die Autoren positionieren DDAP als Vereinigung von Low-Code/No-Code-Zugänglichkeit, der strukturierten Generierung durch AutoML und der kontextuellen Anpassungsfähigkeit von LLMs und bieten damit eine reproduzierbare Alternative zu ad-hoc, fragilen LLM-generiertem Code. Das Framework wird als ein Schritt hin zu einer zugänglicheren, anpassungsfähigeren und reproduzierbareren KI-Entwicklung über wissenschaftliche Disziplinen hinweg präsentiert.