Hybrid Agentic AI and Multi-Agent Systems in Smart Manufacturing

Dit artikel presenteert een hybride raamwerk voor prescriptief onderhoud in slimme productie, waarin LLM-gestuurde agenten strategische coördinatie combineren met gespecialiseerde, regelgebaseerde agenten voor efficiënte, interpreteerbare en schaalbare besluitvorming aan de rand van het netwerk.

De kern

Stel je voor dat een fabriek niet langer een stille, statische machine is, maar een levend, ademend organisme met een eigen brein. Dat is precies wat deze paper beschrijft: een nieuwe manier om fabrieken slimmer te maken door twee krachtige technologieën te combineren.

Hier is de uitleg in simpel Nederlands, met een paar leuke vergelijkingen:

🏭 Het Probleem: De "Stomme" Robot

Vroeger waren fabrieksrobots als automaten in een snoepwinkel. Je gaf ze een instructie ("Als knop A drukt, doe B"), en dat deden ze. Maar als er iets onverwachts gebeurde (bijvoorbeeld een trilling die ze nooit eerder hadden gezien), wisten ze niet wat ze moesten doen. Ze konden niet nadenken, alleen maar uitvoeren.

🧠 De Oplossing: Een Team van Slimme Agenten

De auteurs (Mojtaba, Irfan en Thorsten) hebben een nieuw systeem bedacht dat werkt als een super-efficiënt bouwteam. Ze noemen dit een "Hybride Agentic AI en Multi-Agent System".

Laten we dit team opbouwen met een vergelijking:

1. De Hoofdingenieur (De LLM-Agent)

Stel je een zeer intelligente, maar soms wat traag werkende hoofdingenieur voor. Deze heeft een enorm brein (een groot taalmodel, of LLM) dat alles begrijpt.

• Wat doet hij? Hij kijkt naar het hele plaatje. Hij denkt na over de strategie: "Oké, we hebben een probleem met machine X. Laten we eerst de data bekijken, dan een plan maken, en dan beslissen wat we doen."
• Zijn kracht: Hij kan complexe redeneringen voeren en plannen maken.
• Zijn zwakte: Hij is traag en kost veel energie (zoals een dure consultant die per uur betaald wordt).

2. De Vakmensen (De SLM-Agenten)

Dan heb je een team van snelle, gespecialiseerde vakmensen (kleine taalmodellen, of SLMs) die direct op de fabrieksvloer werken.

• Wat doen zij? Zij voeren de saaie, snelle taken uit. "Ik tel de trillingen," "Ik vul de ontbrekende getallen in," of "Ik check of de temperatuur te hoog is."
• Hun kracht: Ze zijn supersnel, goedkoop en werken lokaal (zonder internet nodig te hebben).
• Hun zwakte: Ze kunnen niet zo diep nadenken als de hoofdingenieur.

3. De Menselijke Supervisor (Human-in-the-Loop)

Tenslotte is er de fabrieksmanager (de mens). De computer doet het zware werk, maar de manager houdt de knoppen in de gaten. De computer zegt: "Ik denk dat we machine M004 moeten repareren." De manager kijkt, knikt en zegt: "Goed idee, ga maar aan de slag." Dit zorgt voor vertrouwen en controle.

⚙️ Hoe werkt het in de praktijk? (Het RxM-avontuur)

De paper test dit systeem op een probleem genaamd Prescriptive Maintenance (RxM). Dat is een fancy woord voor: "Niet alleen zeggen dat er iets mis is, maar ook precies vertellen wat je moet doen, wanneer en hoeveel het kost."

Het proces ziet er zo uit:

1. De Hoofdingenieur kijkt naar de data van de machines.
2. Hij roept de Vakmensen aan om de data schoon te maken en te analyseren.
3. Als de Vakmensen een probleem zien (bijvoorbeeld: "Machine trilt te veel"), denken ze na over de beste oplossing.
4. De Hoofdingenieur maakt een plan: "Repareer machine M004 nu, want dat kost minder dan als hij uitvalt."
5. De Manager (de mens) ziet dit plan, leest de redenering, en geeft groen licht.

🌟 Waarom is dit zo cool?

• Het past zich aan: Als de fabriek verandert, hoeft niemand het hele systeem opnieuw te programmeren. De "Hoofdingenieur" denkt gewoon een nieuw plan uit.
• Het is eerlijk: Je kunt precies zien waarom de computer een beslissing nam. Geen magische "zwarte doos" meer.
• Het is snel én slim: Door de slimme (maar trage) en snelle (maar minder slimme) agenten te combineren, krijg je het beste van twee werelden.

🚀 De Conclusie

De auteurs hebben bewezen dat dit systeem werkt. Het kon op twee verschillende datasets (één over machineonderhoud, één over 6G-netwerken) automatisch problemen oplossen, van het vinden van fouten tot het geven van concrete reparatieadviezen.

Kortom: Ze hebben een digitale fabrieksdirecteur gebouwd die samenwerkt met een team van slimme robots en een menselijke manager, zodat fabrieken niet alleen sneller, maar ook slimmer en veiliger worden. Het is een grote stap richting de fabriek van de toekomst, waar machines zelfstandig kunnen nadenken, maar waar de mens altijd de baas blijft.

Technische samenvatting

Titel: Hybride Agente AI en Multi-Agent Systemen in Slimme Fabricage

Auteurs: Mojtaba A. Farahani, Md Irfan Khan, en Thorsten Wuest (Universiteit van South Carolina, VS).

---

1. Probleemstelling

De industrie 4.0-transformatie heeft geleid tot een overvloed aan data uit Cyber-Fysische Systemen (CPS) en het Industriële Internet van Dingen (IIoT). Traditionele systemen voor voorspellend onderhoud (Predictive Maintenance - PdM) en slimme fabricage kampen met de volgende uitdagingen:

• Beperkte aanpassingsvermogen: Traditionele Multi-Agent Systemen (MAS) zijn vaak gebaseerd op starre regels en statische modellen, wat hen kwetsbaar maakt voor onverwachte gebeurtenissen en veranderingen in de productieomgeving.
• Gebrek aan redeneervermogen: Bestaande agenten missen vaak het vermogen tot hogere orde redenering, planning en contextueel begrip.
• Centralisatie vs. Randberekening: Cloud-gebaseerde Large Language Models (LLM's) bieden krachtig redeneren maar hebben hoge latentie en privacyrisico's. Lokale Small Language Models (SLM's) zijn snel maar hebben beperkte cognitieve capaciteiten.
• Prescriptief Onderhoud (RxM) uitdagingen: Er is een behoefte aan systemen die niet alleen storingen voorspellen, maar ook de beste corrigerende acties bepalen (prescriptief), met transparantie en schaalbaarheid.

Het artikel identificeert een kennislacune in de integratie van Agente AI (autonome systemen met LLM's die kunnen plannen en tools gebruiken) met Multi-Agent Systemen (gedistribueerde coördinatie) voor industriële toepassingen.

---

2. Methodologie

De auteurs presenteren een hybride architectuur die de strategische redeneercapaciteiten van LLM's combineert met de efficiëntie en gespecialiseerde taken van SLM's en regelgebaseerde agenten binnen een Multi-Agent Systeem (MAS).

Architectuur (Gelaagde Structuur)

Het framework bestaat uit vijf onderling verbonden lagen, gecoördineerd door een centrale LLM Planner Agent:

1. Intelligentie-laag (LLM Orchestration):
   • Een LLM (gemini-2.5-flash) fungeert als "hersenen". Het analyseert de workflow-status, kiest de juiste tools, past strategieën aan en behoudt context.
   • Het gebruikt een "plan-act-reflect" cyclus. Bij fouten probeert het systeem automatisch opnieuw (tot 3 keer) en schakelt over op een regelgebaseerde fallback.
2. Perceptie-laag:
   • Een agent laadt datasets, berekent metadata (kolomtypes, ontbrekende waarden, statistieken) en rapporteert datakwaliteitsproblemen.
3. Preprocessing-laag:
   • Een agent voert automatische schema-discovery uit en bouwt data-pipelines.
   • Het gebruikt een "tool-decider" (regelgebaseerd) voor imputatie, schaling en encoding (bijv. KNN-imputatie bij >20% ontbrekende waarden, RobustScaler voor grote datasets).
   • SLM's (lokaal draaiend via Ollama, bijv. Qwen3:4B) ondersteunen bij snelle, lichte taken.
4. Analytics-laag:
   • Selecteert en traint modellen (Classificatie, Regressie, Anomaliedetectie) zoals Random Forest, SVM, Linear Regression, en Isolation Forest.
   • Bevat een Adaptive Intelligence-module: Als de prestaties onder een drempel vallen (bijv. R² < 0.1), exploreert het systeem automatisch andere modelfamilies en hyperparameters.
5. Optimalisatie-laag:
   • Vertaalt modelvoorspellingen naar geprioriteerde, actieerbare onderhoudsadviezen.
   • Berekent prioriteitsscores en drempels (Warning/Critical) op basis van mean/std dev van de data.
   • Genereert kosten- en tijdschattingen voor onderhoudsacties.

Technische Stack

• Taal: Python 3.8+.
• Bibliotheken: Pandas, NumPy, Scikit-learn, SciPy.
• LLM: Google Gemini API (voor orchestration) en Ollama (voor lokale SLM's).
• Human-in-the-Loop (HITL): Een CLI-interface voor menselijke goedkeuring, audit en transparantie.

---

3. Belangrijkste Bijdragen

1. Hybride Architectuur Ontwerp: Een modulaire, gelaagde MAS-architectuur die LLM's gebruikt voor strategische planning en SLM's/regels voor tactische uitvoering.
2. Integratie van SLM en LLM: Een balans tussen privacy/latentie (lokaal SLM) en diep redeneren (cloud LLM).
3. Adaptieve Intelligentie: Het systeem kan autonoom modellen selecteren, hyperparameters aanpassen en strategieën wijzigen op basis van prestatiefeedback zonder menselijke tussenkomst.
4. Transparantie en Audit: Elke beslissing wordt gelogd met een redeneertrace, wat "black box"-problemen van AI oplost en vertrouwen bij operators creëert.
5. Task-Agnostic Generalisatie: Het framework werkt voor classificatie, regressie en anomaliedetectie zonder specifieke herschrijving van de code.

---

4. Resultaten

Het framework werd gevalideerd op twee industriële datasets:

1. Smart Manufacturing Maintenance Dataset (SMMD): 1.430 records voor voorspelling van onderhoudsprioriteit.
2. 6G-Enabled Intelligent Manufacturing Resource Dataset (6GMR): ~100.000 records voor procesoptimalisatie en netwerk-anomalieën.

Kernresultaten:

• Eind-tot-eind Workflow: Het systeem slaagde erin volledige workflows uit te voeren voor drie verschillende probleemtypen (classificatie, regressie, anomaliedetectie) zonder specifieke programmering per taak.
• Prestaties:
  • Classificatie (SMMD): 97,2% nauwkeurigheid bij het voorspellen van onderhoudsprioriteit.
  • Regressie (SMMD): R² van 0,9209 bij het voorspellen van machinefouten.
  • Anomaliedetectie (6GMR): Detectie van 1.000 anomalieën (1% van de dataset) met focus op pakketverlies en latentie.
• Adaptiviteit: Het systeem selecteerde automatisch de beste modellen (bijv. Random Forest boven Lineaire Regressie) en paste preprocessing-pipelines aan op basis van data-eigenschappen.
• Snelheid: De volledige workflows werden voltooid in ongeveer 127 tot 165 seconden.
• HITL: Menselijke operators konden de redenering volgen en acties goedkeuren via de interface, wat de betrouwbaarheid verhoogde.

---

5. Betekenis en Toekomstperspectief

Betekenis:
Dit onderzoek toont aan dat de convergentie van Agente AI en Multi-Agent Systemen een nieuwe paradiigmatische verschuiving mogelijk maakt in slimme fabricage. Het overbrugt de kloof tussen hoog niveau redeneren (wat LLM's goed kunnen) en gedistribueerde, robuuste uitvoering (waar MAS sterk in is). Het biedt een schaalbare, uitlegbare en aanpasbare oplossing voor Prescriptief Onderhoud (RxM), waarbij systemen niet alleen voorspellen maar ook actie ondernemen.

Beperkingen:

• Latentie: LLM-redenering kan te traag zijn voor echt real-time streaming data in kritieke situaties.
• Validatie: Getest op offline datasets; real-time IIoT-datastromen zijn nog niet volledig getest.
• Privacy: Cloud-gebaseerde inferentie brengt privacyrisico's met zich mee die verder onderzocht moeten worden.

Toekomstig Werk:
De auteurs plannen uitbreidingen met:

• Integratie van real-time datastromen (MQTT, OPC UA).
• Agent-tot-agent communicatie voor betere samenwerking.
• Multimodale inputverwerking.
• Autonomie uitbreiden naar het uitvoeren van operationele acties onder menselijk toezicht.

Concluderend biedt dit framework een robuuste basis voor de volgende generatie industriële intelligentie die autonoom, transparant en mensgericht is.