💻 computer science

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

Het artikel introduceert Domain-Driven Adaptable AI Pipelines (DDAP), een gecontroleerd, mens-in-de-lus agentieel raamwerk dat gebruikmaakt van grote taalmodellen om niet-expert wetenschappers te begeleiden via een gestructureerd, vierfasig proces voor het genereren van concurrerende, domeinspecifieke AI-pipelines en implementatiecode.

Oorspronkelijke auteurs: Hyacinth Ali, Jessie Galasso-Carbonnel, Houari Sahraoui

Gepubliceerd 2026-05-20

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Hyacinth Ali, Jessie Galasso-Carbonnel, Houari Sahraoui

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 briljante wetenschapper bent in biologie, landbouw of sociale wetenschappen. Je hebt een geweldig idee voor een onderzoeksproject, maar om dit te verwezenlijken moet je een complexe "AI-machine" (een pijplijn) bouwen om je data te analyseren. Het probleem is dat het bouwen van deze machine meestal een graad in informatica en jaren aan programmeerervaring vereist. De meeste wetenschappers hebben die tijd of opleiding niet, dus moeten ze wachten op een specialist om hen te helpen, wat alles vertraagt.

Dit artikel introduceert DDAP (Domain-Driven Adaptable AI Pipelines), een nieuw hulpmiddel dat is ontworpen om te fungeren als een slimme, stap-voor-stap bouwvoorman voor deze wetenschappers.

Hier is hoe DDAP werkt, met eenvoudige analogieën:

1. Het Probleem: De "Zwarte Doos" versus de "Blauwdruk"

Normaal gesproken, als je een computer vraagt (specifiek een Large Language Model of LLM) om "bouw voor mij een AI", spit het misschien gewoon een hoop code uit. Soms werkt het, maar vaak is het kapot, ontbreken er stukken, of voldoet het niet aan je specifieke behoeften. Het is alsof je een op maat gemaakt huis bestelt bij een robot die gewoon bakstenen naar je gooit zonder een plan.

DDAP verandert het spel. In plaats van het hele huis in één keer te vragen, breekt DDAP de bouw op in vier distincte fasen, waarbij elke stap wordt gecontroleerd en goedgekeurd voordat er naar de volgende wordt overgegaan.

2. De Vier Bouwfases

Fase 1: De Ontmoeting met de Architect (Probleemdefinitie)

Wat er gebeurt: Je praat met het systeem in gewone taal. Je zegt: "Ik heb afbeeldingen van juteplagen en ik wil ze sorteren in 17 types."
De Magie: Het systeem knikt niet zomaar; het fungeert als een nieuwsgierige architect. Het stelt verhelderende vragen op basis van jouw vakgebied (bijvoorbeeld een medisch onderzoeker vragen over patiëntprivacy, of een landbouwonderzoeker over gewassoorten). Het zet je vage idee om in een duidelijke, geschreven blauwdruk (een "probleemdefinitie-artefact").

Fase 2: Het Terreinonderzoek (Berekeningsomgeving)

Wat er gebeurt: Voordat je bouwt, moet je weten welke gereedschappen en ruimte je hebt. Heb je een supersnelle computer (GPU) of gewoon een gewone laptop? Heb je een budget?
De Magie: Het systeem helpt je deze grenzen te definiëren en schrijft ze op als een specificatiesheet. Dit zorgt ervoor dat de uiteindelijke AI niet wordt gebouwd op een fundering die te zwaar is voor je computer om te dragen.

Fase 3: De Ontwerpfase (Generatie van de Pijplijn)

Wat er gebeurt: Nu ontwerpt het systeem de daadwerkelijke "machine".
De Magie: In plaats van op één manier te gokken, fungeert het systeem als een team van vijf verschillende ingenieurs. Het genereert vijf verschillende ontwerpopties voor je AI-pijplijn. Het weegt de voor- en nadelen van elk af (bijvoorbeeld: "Optie A is sneller, maar Optie B is nauwkeuriger"). Het kiest de beste ontwerpen en slaat ze op als ontwerpdocumenten.

Fase 4: Het Bouwteam (Codegeneratie)

Wat er gebeurt: Tot slot schrijft het systeem de daadwerkelijke computercode (de bakstenen en mortel) op basis van het gekozen ontwerp.
De Magie: Als de code een fout bevat (een typfout of een ontbrekend hulpmiddel), heeft het systeem een ingebouwde "repareer-mechanisme". Het ziet de fout, vraagt de computer om het te herstellen en probeert het opnieuw totdat de code soepel draait.

3. Het "Human-in-the-Loop"-Veiligheidsnet

Het belangrijkste deel van DDAP is dat het gecontroleerd is. Het rent niet weg en doet alles alleen. Het houdt de wetenschapper aan het stuur.

Denk hierbij aan een GPS met een copiloot. De GPS (de AI) suggereert de route, maar jij (de wetenschapper) bevestigt de bestemming en de stops. Als de GPS probeert je een weg op te sturen die niet bestaat, stopt het systeem en vraagt het om verduidelijking. Dit voorkomt dat de AI wilde, onjuiste gokken maakt.

4. Heeft het gewerkt? (De Resultaten)

De auteurs hebben deze "bouwvoorman" getest op echte problemen in zes verschillende gebieden:

Biologie: Het sorteren van afbeeldingen van plagen.
Geneeskunde: Het voorspellen van de progressie van de ziekte van Parkinson op basis van stemopnames.
Zakelijk: Het sorteren van producttitels en het groeperen van klanten.
Milieu: Het identificeren van soorten afval op basis van foto's.
Financiën: Het voorspellen van trends op de aandelenmarkt.

De Resultaten:

Succes: In de meeste gevallen (zoals het sorteren van plagen, het voorspellen van Parkinson en het sorteren van producten) presteerden de door DDAP gebouwde AI-pijplijnen even goed als, of zelfs beter dan, modellen die door menselijke experts zijn gebouwd die er weken aan hebben gesleuteld.
De Strijd: Het systeem had wat moeite met tekstclustering (het groeperen van vergelijkbare tekstdocumenten). Het is alsof de bouwvoorman geweldig is in het bouwen van huizen, maar nog steeds leert hoe je een bibliotheek organiseert. De resultaten hier waren veel lager dan die van expertmodellen.

De Conclusie

DDAP is een hulpmiddel dat het niet-expert wetenschappers mogelijk maakt krachtige AI-modellen te bouwen door een gestructureerd, begeleid gesprek met een computer te voeren. Het zet het angstaanjagende, complexe proces van "een AI coderen" om in een beheersbare, vierstappen-afvinklijst.

Het bewijst dat je geen programmeerwizard hoeft te zijn om AI te gebruiken; je hebt alleen een goede gids nodig die je wetenschappelijke doelen stap voor stap vertaalt naar een werkende machine, terwijl je de hele tijd de controle houdt.

Technische Samenvatting: Domein-gedreven Aanpasbare AI-pipelines (DDAP)

Probleemstelling

Kunstmatige Intelligentie (AI)-pipelines zijn essentieel geworden voor modern onderzoek in diverse vakgebieden, waaronder medische wetenschappen, landbouw en sociale wetenschappen. De ontwerp- en implementatie van end-to-end AI-systemen vormt echter een aanzienlijke barrière voor niet-expert wetenschappers. Het ontwikkelen van effectieve AI-oplossingen vereist expertise op meerdere niveaus: het formuleren van onderzoeksvragen als AI-taken, data-preparatie, modelselectie en -training, en implementatie. Huidige oplossingen vertonen specifieke beperkingen:

Low-code/No-code-platforms: Hoewel ze de technische instapdrempel verlagen, missen ze vaak flexibiliteit, aanpasbaarheid aan domeinspecifieke beperkingen en ondersteuning voor de volledige levenscyclus van de pipeline.
Direct gebruik van Large Language Models (LLM): Het gebruik van LLM's om code te genereren op basis van natuurlijke taalbeschrijvingen, stuit op uitdagingen wat betreft betrouwbaarheid (het produceren van onvolledige of niet-reproduceerbare pipelines), naleving van domeinbeperkingen (bijvoorbeeld regelgeving) en de hoge cognitieve belasting die niet-experts nodig hebben om outputs te valideren en te debuggen.
Methodologische kloof: Bestaande tools operationaliseren de overgang van probleembeschrijvingen naar machine learning-workflows onvoldoende op een manier die toegankelijk is voor niet-experts, terwijl reproduceerbaarheid en transparantie behouden blijven.

Methodologie: Het DDAP-raamwerk

Om deze uitdagingen aan te pakken, stellen de auteurs Domein-gedreven Aanpasbare AI-pipelines (DDAP) voor, een gecontroleerd, mens-in-de-lus, agentisch raamwerk. DDAP behandelt de constructie van AI-pipelines als een software-engineeringprobleem, waarbij uitvoerbare workflows worden samengesteld uit hoog-niveau domeinintenties onder onzekerheid. In plaats van te vertrouwen op volledig autonome generatie, orchestreert DDAP LLM's als gespecialiseerde agenten binnen een gefaseerde workflow.

Het raamwerk structureert het ontwikkelproces in vier distincte fasen, waarbij een set gestructureerde artefacten ( $A = \{A_1, A_2, A_3, A_4\}$ ) wordt geproduceerd die worden bewaard en hergebruikt over de fasen heen:

Probleemdefinitie ( $A_1$ ):
- Doel: De AI-taak eliciteren en structureren in een semi-formele representatie.
- Mechanisme: Een open dialoog waarbij het systeem het domein en het expertise-niveau van de onderzoeker profileert. Het maakt gebruik van rollen gebaseerde prompting, guardrails en chain-of-thought (CoT) redenering om de gebruiker te begeleiden bij het verduidelijken van doelen, data-kenmerken en beperkingen.
- Output: Een gestructureerd artefact voor probleemdefinitie.
Specificatie van de Rekenomgeving ( $A_2$ ):
- Doel: Probleemeisen afstemmen op haalbare rekenresources.
- Mechanisme: De orkestrator hergebruikt de probleemdefinitie om prompts te contextualiseren, en eliciteert details over de locatie van de omgeving (on-premises/cloud), versnellers (GPU's/TPU's), opslag en budget.
- Output: Een artefact voor specificatie van de rekenomgeving.
Pipeline-generatie ( $A_3$ ):
- Doel: Gestructureerde specificaties voor AI-pipelines genereren.
- Mechanisme: Deze fase wordt ontleed in twee stappen: (1) het genereren van kandidaat-preprocessingstrategieën en (2) het genereren van volledige pipeline-ontwerpen. Het raamwerk genereert vijf alternatieve pipeline-kandidaten per taak om de probabilistische aard van LLM's te mitigeren. Het maakt gebruik van Retrieval-Augmented Generation (RAG), CoT en guardrails om ervoor te zorgen dat ontwerpen overeenkomen met domeineisen en resource-beperkingen.
- Output: Meerdere alternatieve artefacten voor pipeline-specificatie met voor- en nadelen.
Code-generatie ( $A_4$ ):
- Doel: Geselecteerde pipeline-specificaties vertalen naar uitvoerbare code (bijvoorbeeld PyTorch, TensorFlow).
- Mechanisme: Code-gerichte LLM's (bijvoorbeeld Code Llama) worden gebruikt met prompts verrijkt met artefacten uit eerdere fasen. Een optioneel code-reparatiemechanisme is opgenomen, waarbij de orkestrator foutmeldingen terugvoert naar de LLM om syntactische of runtime-fouten te identificeren en te verhelpen zonder handmatig debuggen.
- Output: Uitvoerbare implementatiecode.

Het raamwerk vertrouwt op een centrale Pipeline-Orkestrator die de interactielus beheert, traceerbaarheid garandeert en de controlelogica tijdens het hele proces handhaaft.

Belangrijkste Bijdragen

Het artikel schetst vier primaire bijdragen:

Artefact-gedreven Formulering: Het modelleert pipeline-constructie als een gefaseerd synthese-proces dat hoog-niveau intenties omzet in uitvoerbare artefacten, en gaat verder dan AutoML-benaderingen die uitsluitend vertrouwen op het zoeken naar vooraf gedefinieerde componenten.
Gecontroleerd Agentisch Raamwerk: In tegenstelling tot statische low-code-sjablonen, past DDAP zich dynamisch aan aan domeincontext, gebruikersexpertise en resource-beperkingen via geleide interactie en gefaseerde verfijning.
Georkestreerde Multi-fase Workflow: Het ontleedt pipeline-generatie in gecoördineerde fasen met expliciet hergebruik van artefacten en controlelogica, wat reproduceerbaarheid en gebruikerscontrole verbetert in vergelijking met single-step LLM-prompting.
Empirische Evaluatie: Het toont aan dat DDAP concurrerende AI-pipelines kan genereren in één doorgang (zonder iteratieve optimalisatie) over meerdere domeinen, terwijl het expliciet beperkingen identificeert in complexe taken zoals tekstuele clustering.

Experimentele Resultaten

De auteurs hebben DDAP geëvalueerd in zes experimenten die biologische, zakelijke en gezondheidswetenschappen bestrijken, waarbij DDAP-genereren modellen werden vergeleken met door experts ontwikkelde baselines uit bestaande literatuur.

Concurrerende Prestaties: In verschillende taken behaalde DDAP resultaten die vergelijkbaar waren met of superieur waren aan expertmodellen, zonder iteratieve hyperparameter-tuning.
- Parkinson's Telemonitoring (Regression): Het ensemble-model van DDAP behaalde een Mean Absolute Error (MAE) van 0,30 (Motor UPDRS) en 2,66 (Total UPDRS), wat beter was dan de expert-baseline (respectievelijk 4,5 en 6,0).
- Aandelenmarktvoorspelling (Regression/Classificatie): DDAP behaalde 79,44% nauwkeurigheid, wat de expert-baseline van 68% overtrof.
- Productclassificatie (Tekst): DDAP behaalde 96,83% validatienauwkeurigheid, wat de expert-baseline van 95% overtrof.
- Jute-plagen Classificatie (Afbeelding): DDAP behaalde een F1-score van 0,94, iets onder de expert-baseline van 0,97, maar toonde sterke capaciteit in één doorgang.
- Afvalmateriaal Classificatie (Afbeelding): DDAP behaalde een F1-score van 84%, concurrerend met de expert-baseline van 90%.
- Klantensegmentatie (Clustering): DDAP genereerde zinvolle op RFM gebaseerde segmenten met een Silhouette Score van 0,53, in lijn met door experts gestuurde gedragsonderscheidingen.
Beperkingen: Het raamwerk vertoonde aanzienlijke prestatiekloven in op tekst gebaseerde clustering-taken. Voor de productclustering-taak was de beste F1-score van DDAP 0,001, drastisch lager dan de expert-baseline van 0,59. De auteurs schrijven dit toe aan de behoefte aan geavanceerdere representatieleren en iteratieve optimalisatiestrategieën voor complexe tekstuele data.

Betekenis en Beweringen

Het artikel beweert dat DDAP de levensvatbaarheid van een gecontroleerd agentisch raamwerk demonstreert voor het democratiseren van AI-ontwikkeling. Door geleide interactie, aanpasbaarheid en reproduceerbaarheid te combineren, stelt het raamwerk niet-expert gebruikers in staat om concurrerende AI-pipelines te genereren.

De betekenis van het werk ligt in het vermogen om de kloof tussen toegankelijkheid en technische strengheid te overbruggen. Het claimt niet om expertinterventie volledig te vervangen, maar eerder om een gestructureerd, artefact-gedreven pad te bieden dat de instapdrempel verlaagt terwijl het de uitlijning met software-engineeringprincipes (modulariteit, scheiding van belangen) behoudt. De auteurs positioneren DDAP als een unificatie van Low-Code/No-Code-toegankelijkheid, de gestructureerde generatie van AutoML en de contextuele aanpasbaarheid van LLM's, en bieden een reproduceerbaar alternatief voor ad-hoc, fragiele door LLM gegenereerde code. Het raamwerk wordt gepresenteerd als een stap in de richting van het toegankelijker, aanpasbaarder en reproduceerbaarder maken van AI-ontwikkeling over wetenschappelijke disciplines heen.