🤖 AI

UserCentrix: An Agentic Memory-augmented AI Framework for Smart Spaces

Dit paper introduceert UserCentrix, een hybride agentic framework voor slimme ruimten dat middels intentie-gestuurde besluitvorming en dynamische resource-balancing de gebruikerservaring en operationele efficiëntie optimaliseert, zelfs onder beperkte randvoorwaarden.

Oorspronkelijke auteurs: Alaa Saleh, Sasu Tarkoma, Praveen Kumar Donta, Anders Lindgren, Naser Hossein Motlagh, Schahram Dustdar, Susanna Pirttikangas, Lauri Lovén

Gepubliceerd 2026-04-08

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Alaa Saleh, Sasu Tarkoma, Praveen Kumar Donta, Anders Lindgren, Naser Hossein Motlagh, Schahram Dustdar, Susanna Pirttikangas, Lauri Lovén

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een slim huis hebt, maar in plaats van dat het gewoon luistert naar commando's zoals "zet de temperatuur op 20 graden", heeft dit huis een intelligent, onzichtbaar team van digitale assistenten. Dit team heet UserCentrix.

In dit artikel presenteren de onderzoekers precies hoe dit team werkt. Laten we het uitleggen alsof het een levendige stad is met een slimme burgemeester en een team van specialisten.

1. Het Grote Idee: Een Team dat "Gevoel" heeft

Normaal gesproken zijn slimme huizen wat stug: ze doen wat je zegt, maar ze weten niet of je haast hebt of niet. UserCentrix is anders. Het is een hybride team dat twee dingen heel goed doet:

Het onthoudt alles: Het heeft een soort "digitale hersenen" (geheugen) waarin het eerdere gesprekken en voorkeuren bewaart.
Het voelt de urgentie: Het weet of je iets nu nodig hebt (bijvoorbeeld: "Ik ben aan het rennen, maak de kamer klaar!") of of het rustig kan (bijvoorbeeld: "Plan een vergadering voor volgende week").

2. De Drie Hoofdrolspelers (Het Team)

Het systeem werkt met drie soorten "agenten" (digitale werknemers), elk met een eigen taak:

A. De Persoonlijke Assistent (De "Geheugen-Expert")

Wat doet hij? Hij luistert naar jou. Als je zegt: "Boek een vergaderruimte", kijkt hij niet alleen naar die zin, maar vraagt hij zich af: "Heb je dit niet gisteren ook gevraagd? Wat waren je voorkeuren toen?"
De Analogie: Stel je voor dat je een persoonlijke secretaresse hebt die al 10 jaar voor je werkt. Als je zegt "Boek een zaal", hoeft je niet te zeggen "Ik wil een zaal met daglicht en 20 graden". Zij weet dat je dat altijd wilt en regelt het alvast. Ze onthoudt je voorkeuren en past ze automatisch toe.

B. De Beslissings-Maker (De "Urgentie-Checker")

Wat doet hij? Hij bepaalt hoe snel en hoe grondig het team moet werken.
De Analogie: Stel je voor dat je een chef-kok bent.
- Scenario 1 (Hoge urgentie): Je gasten staan al aan de deur en zijn hongerig. De chef schreeuwt: "Snel! Maak een simpele, snelle maaltijd!" Er wordt geen tijd verspild aan het zoeken naar het perfecte recept. Het doel is: snelheid.
- Scenario 2 (Lage urgentie): Je gasten komen pas over drie uur. De chef zegt: "Oké, we hebben tijd. Laten we drie verschillende recepten bedenken, de beste kiezen, en zorgen dat het perfect smaakt." Het doel is: kwaliteit.
- UserCentrix doet precies dit. Als je haast hebt, kiest het een snelle, simpele oplossing. Als je tijd hebt, laat het het team diep nadenken en de beste optie kiezen.

C. De Uitvoerder en De Wacht (De "Actie- en Controleurs")

Wat doen zij? De uitvoerders voeren de taken uit (zoals de temperatuur aanpassen of een zaal boeken). De "Wacht" (omgevingsagent) kijkt continu of alles nog goed gaat.
De Analogie: De uitvoerders zijn de kokken in de keuken. De "Wacht" is de kwaliteitscontroleur die bij de oven staat. Als de oven plotseling te heet wordt (een sensor ziet een verandering), schreeuwt de wacht: "Stop! De temperatuur is te hoog, draai hem terug!" Zodat je maaltijd niet verbrandt.

3. Hoe kiezen ze de juiste "hersenen"? (De Modellen)

Het systeem gebruikt verschillende soorten AI-modellen (zoals GPT-4o, Gemini, etc.). Het is alsof je een toolbox hebt met verschillende gereedschappen:

Voor snelle klusjes (hoge urgentie) gebruik je een snel mes: licht, wendbaar, maar misschien niet voor alles geschikt.
Voor ingewikkelde klusjes (lage urgentie) gebruik je een zware zaag: hij duurt langer, maar snijdt perfect en precies.

UserCentrix weet automatisch welk gereedschap hij moet pakken. Als je haast hebt, pakt hij het snelle mes. Als je tijd hebt, pakt hij de zware zaag om het perfect te maken. Dit bespaart energie en tijd.

4. Waarom is dit zo cool?

Het leert van zichzelf: Als het systeem een keer een goede beslissing neemt, onthoudt het: "Ah, dit werkte goed!". De volgende keer doet hij dat sneller en beter.
Het werkt overal: Of je nu een krachtige computer in de cloud hebt of een klein apparaatje in je huis (edge), dit systeem past zich aan. Het gebruikt niet meer energie dan nodig is.
Het voorkomt chaos: Als er veel mensen tegelijk iets vragen, regelt het team wie wat doet, zodat er geen conflicten ontstaan (bijvoorbeeld: twee mensen die dezelfde vergaderruimte boeken).

Samenvattend

UserCentrix is als een slimme, onzichtbare butler die:

Je kent en onthoudt wat je leuk vindt.
Snel schakelt tussen "Haastig!" en "Geniet van de tijd".
Zorgt dat alles in je huis perfect werkt, zelfs als er onverwachte dingen gebeuren.

Het maakt slimme huizen niet alleen "slimmer", maar ook menselijker, omdat het begrijpt dat niet elke vraag even belangrijk of dringend is.

Titel: UserCentrix: Een Agentic, Geheugen-Augmenterend AI-Framework voor Slimme Ruimtes

1. Probleemstelling

De snelle groei van gebruikersgerichte ecosystemen vereist personalisatie en real-time aanpassingsvermogen om de kwaliteit van de gebruikerservaring te waarborgen. Bestaande systemen kampen met de volgende uitdagingen:

Complexiteit in Multi-Agent Systemen: Het schalen van het aantal agents in gedistribueerde, bronnenbeperkte randnetwerken (edge computing) introduceert communicatie-overhead, synchronisatiekosten en latentie.
Balans tussen Snelheid en Nauwkeurigheid: Er is een gebrek aan mechanismen die dynamisch kunnen schalen tussen reactieve snelheid (voor urgente taken) en grondige redenering (voor complexe taken), afhankelijk van de urgentie van de gebruikersintentie.
Resource Management: Het is moeilijk om computercapaciteit en inferentie-tijdbudgetten automatisch toe te wijzen op basis van de urgentie van een taak, vooral in omgevingen met beperkte resources (zoals edge devices).
Aanhoudende Aanpassing: Agents moeten leren van eerdere interacties om contextbewust en doelgericht te handelen, maar veel huidige systemen missen geavanceerde geheugenmechanismen voor continue verbetering zonder hertraining.

2. Methodologie: Het UserCentrix Framework

UserCentrix is een hybride agente orkestratie-architectuur die is ontworpen voor slimme ruimtes. Het framework gebruikt een dubbel-laag architectuur (gebruikerszijde en gebouwzijde) en integreert de volgende kerncomponenten:

Gebruikerszijde (Personal Agent):
- Een kennisgedreven AI-agent die gebruikmaakt van Large Language Models (LLM's) en schaalbaar geheugen.
- Implementeert Case-Based Reasoning (CBR): Gebruikersintenties worden opgeslagen als gestructureerde tekst in een kennisbank.
- Zelfevaluatie: De agent valideert de uitkomsten tegen de oorspronkelijke intentie om de betrouwbaarheid te verhogen.
- Geheugenherroeping: Bij nieuwe intenties wordt semantische vergelijkbaarheid berekend met eerdere gevallen (gebruikmakend van embeddings zoals all-MiniLM-L6-v2) om voorkeuren automatisch toe te passen.
Gebouwzijde (Smart Building Side):
Dit deel bestaat uit drie modules die samenwerken via een berichtwachtrij met Time-To-Live (TTL) instellingen:
1. Decision-making Module (Besluitvorming):
  - Bevat een Classifier Agent die intenties indeelt in Hoog (urgentie < 2 uur) of Laag (urgentie ≥ 2 uur).
  - Hoog-urgentie Agent ( $A_{High}$ ): Genereert gestroomlijnde redeneerpaden, minimaliseert LLM-aanroepen en prioriteert snelheid.
  - Laag-urgentie Agent ( $A_{Low}$ ): Genereert meerdere redeneerpaden met verschillende dieptes en complexiteit om de beste oplossing te vinden. Gebruikt In-Context Learning door eerdere oplossingen en feedback uit het geheugen te injecteren.
  - Pareto-analyse: Een multi-objectieve optimalisatie (Pareto-dominantie) balanceert drie factoren: semantische gelijkenis (intentievulling), precisie en de kosten van LLM-aanroepen.
2. Sub-tasks Execution Module:
  - Lage-niveau agents voeren de gesplitste taken uit.
  - Gebruikt Rendezvous Points (RPs) als gedeeld geheugen om tussenresultaten te delen en conflicten (bijv. gelijktijdige kamerreserveringen) te vermijden via onderhandeling.
3. Management and Analysis Module:
  - Bevat een Environment Agent die real-time sensorgegevens (temperatuur, licht, CO2) bewaakt.
  - Genereert corrigerende commando's als er afwijkingen worden gedetecteerd ten opzichte van de gebruikersintentie, waardoor fouttolerantie wordt gewaarborgd.

3. Belangrijkste Bijdragen

Persoonlijke LM-Agent: Ontwikkeling van een agent met schaalbaar geheugen en zelfevaluatiemechanismen voor betrouwbare besluitvorming.
Agente Architectuur met Auto-Scaling: Een architectuur die proactief schaalbaar is, gebruikmakend van in-context learning en Pareto-gebaseerde optimalisatie om inferentie-tijdbudgetten dynamisch toe te wijzen op basis van intentie-urgentie.
Coöperatieve Redenering: Ontwerp van netwerken met meerdere agents die via Rendezvous Points samenwerken om intentie-conflicten op te lossen en diverse gebruikersvereisten te aligneren.
Tijdgestuurde Commando-beheer: Implementatie van een beheermodule met een berichtwachtrij en TTL-instellingen om commando's op het juiste moment uit te voeren.
Omgevingsbewustzijn: Mechanismen die de omgeving-agent in staat stellen dynamisch veranderingen te monitoren en adaptieve commando's te genereren voor fouttolerantie.

4. Resultaten en Evaluatie

De experimenten zijn uitgevoerd in een hybride omgeving (Edge: Intel i5; Cloud: Google Colab) met data van de Smart Campus van de Universiteit van Oulu. Verschillende LLM's (GPT-4o, Gemini 1.5 Flash, Claude 3.5 Sonnet, Mistral, Command-r7b, Granite3.1-MoE) werden getest.

Prestatieverschillen tussen Modellen:
- GPT-4o en Gemini 1.5 Flash presteerden het beste qua snelheid, CPU-gebruik en geheugenconsumptie, zowel in de cloud als op edge-apparaten. Ze behaalden de kortste verstreken tijd en de hoogste nauwkeurigheid.
- Claude 3.5 Sonnet en Mistral vertoonden aanzienlijk hogere latentie (tot wel 3000+ seconden op edge voor lage urgentie) en hoger CPU-gebruik, wat ze minder geschikt maakt voor real-time toepassingen.
- Command-r7b en Granite3.1-MoE boden een tussenliggende prestatie, maar hadden soms moeite met nauwkeurigheid of geheugenherroeping.
Urgentie-gebaseerde Schaling:
- Hoog-urgentie taken werden consistent sneller verwerkt door het minimaliseren van LLM-aanroepen en de diepte van de redenering.
- Laag-urgentie taken lieten zien dat het framework meerdere oplossingen kon genereren en via Pareto-analyse de meest efficiënte kon selecteren.
Leervermogen (In-Context Learning):
- Na het "leren" (gebruik van eerdere oplossingen als hint) verbeterde de gelijkenis van de antwoorden met ongeveer 6,1% en nam de consistentie in besluitvorming toe, zonder dat hertraining nodig was.
Omgevingsagent:
- De agent was in staat om real-time afwijkingen te detecteren en corrigerende commando's te genereren met een nauwkeurigheid van 1,0 (perfect) bij gebruik van GPT-4o en Gemini 1.5 Flash.

5. Betekenis en Conclusie

UserCentrix biedt een robuust kader voor het beheer van slimme ruimtes door de complexiteit van multi-agent systemen te stroomlijnen via intentie-georiënteerde orkestratie. De belangrijkste inzichten zijn:

Dynamische Balans: Het framework slaagt erin een optimale balans te vinden tussen responsiviteit, nauwkeurigheid en computerkosten door de urgentie van de gebruiker als sturing te gebruiken.
Efficiëntie op de Rand: Door het selecteren van de juiste modellen (zoals GPT-4o of Gemini 1.5 Flash) kan het framework efficiënt opereren op bronnenbeperkte edge-apparaten zonder menselijke tussenkomst.
Toekomstperspectief: Het paper benadrukt dat de kwaliteit van de beslissingen sterk afhankelijk blijft van de onderliggende LLM's. Toekomstig onderzoek richt zich op dynamische agent-optimalisatie en real-time herconfiguratie op basis van taakcomplexiteit.

Kortom, UserCentrix bewijst dat een hybride, geheugen-augmenterende architectuur met auto-scaling en Pareto-optimisatie essentieel is voor de volgende generatie intelligente, adaptieve en persoonlijke slimme omgevingen.