🤖 AI

Helicase: Uncertainty-Guided Supply Chain Knowledge Graph Construction with Autonomous Multi-Agent LLMs

Dit artikel introduceert Helicase, een autonoom multi-agent LLM-systeem dat onzekerheidsbewuste supply chain-kennisgrafieken construeert door complexe queries te ontleden in iteratieve onderzoeksplannen en vertrouwen te volgen op actie-, traject- en geheugenniveaus, geëvalueerd op de nieuwe SCQA-benchmark.

Oorspronkelijke auteurs: Yunbo Long, Haolang Zhao, Ge Zheng, Alexandra Brintrup

Gepubliceerd 2026-05-27

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Yunbo Long, Haolang Zhao, Ge Zheng, Alexandra Brintrup

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 probeert een enorm, reëel mysterie op te lossen: "Welke specifieke onderdelen in een Tesla-auto maken gebruik van lithium dat in Australië wordt gewonnen?"

Als je een standaard AI-chatbot deze vraag stelt, kan het zijn dat deze gokt op basis van wat het jaren geleden in zijn trainingsboeken las, of dat deze gewoon zegt: "Ik weet het niet." Het kan niet zelf gaan kijken in het laatste nieuws, een PDF-rapport van een mijnbouwbedrijf lezen en dit kruisverwijzen met de website van een batterijfabrikant om een nieuw antwoord te construeren.

Dit paper introduceert Helicase, een nieuw type AI-team dat is ontworpen om deze complexe mysteries rondom toeleveringsketens op te lossen. Hieronder wordt uitgelegd hoe het werkt, in eenvoudige bewoordingen:

1. Het Probleem: De "puzzel" van informatie

Informatie over toeleveringsketens is als een gigantische legpuzzel waarvan de stukjes verspreid liggen over het internet. Sommige stukjes zijn makkelijk te vinden (zoals een ingrediëntenlijst van een product op een website), maar andere zijn verborgen in stoffige PDF-rapporten, obscure handelsbladen of begraven in sociale mediaposts.

Oude AI: Probeert het plaatje te raden op basis van geheugen. Dit gaat vaak fout of hallucineert (verzonnen dingen).
De Uitdaging: Je kunt het antwoord niet vinden in slechts één document. Je moet de punten verbinden tussen een mijn in Australië, een chemische raffinaderij in China, een batterijfabriek in Nevada en de uiteindelijke auto.

2. De Oplossing: Een team van gespecialiseerde detectives

Helicase is niet zomaar één AI; het is een team van autonome agenten die samenwerken als een detective-eenheid.

De Planner (De Kapitein): Deze agent kijkt naar de grote vraag en breekt deze op. Hij besluit: "Laten we eerst de mijnen vinden. Dan zoeken we wie er bij hen inkoopt."
De Zoekagenten (De Verkenners): Deze agenten gaan het web op en zoeken. Ze lezen websites, PDF-rapporten en spreadsheets. Ze lezen niet één keer; ze sturen meerdere verkenners uit om hetzelfde feit te controleren om zeker te zijn dat ze het eens zijn.
De Redenerende Agenten (De Analisten): Deze agenten nemen de aanwijzingen die de verkenners hebben gevonden en bedenken hoe ze met elkaar verbonden zijn. "Als Mijn A verkoopt aan Raffinaderij B, en Raffinaderij B verkoopt aan Fabriek C, dan stroomt het lithium van A naar C."
De Coderende Agenten (De Cartografen): Deze agenten tekenen de kaart. Ze bouwen een Kennisgrafiek – een gestructureerd diagram dat precies laat zien wie met wie verbonden is.

3. Het Geheime Ingrediënt: "Onzekerheid" als kompas

Het belangrijkste deel van Helicase is dat het weet wat het niet weet.

Stel je voor dat je een kaart bouwt. Als je een feit vindt in een overheidsrapport, markeer je dit met een Groene Vlag (Hoge Zekerheid). Als je een feit vindt in een willekeurige blogpost die niemand anders noemt, markeer je dit met een Rode Vlag (Hoge Onzekerheid).
Helicase maakt gebruik van een "Drie-Lagen Onzekerheidssysteem":
1. Actie-laag: "Wasen de zoekagenten het eens over dit feit?"
2. Traject-laag: "Gaan we gewoon in cirkels rond door hetzelfde te zoeken, of vinden we nieuwe aanwijzingen?"
3. Geheugen-laag: "Als we kijken naar de hele kaart die we tot nu toe hebben gebouwd, hoe zeker zijn we dan van het uiteindelijke plaatje?"

Als de AI het niet zeker weet, gokt hij niet. Hij gaat terug, stuurt meer verkenners uit en probeert meer bewijs te vinden om die Rode Vlag in een Groene te veranderen. Hij blijft dit doen totdat de kaart duidelijk genoeg is of totdat er geen nieuwe plekken meer zijn om te zoeken.

4. De Test: Het "SCQA"-examen

Om te bewijzen dat het werkt, hebben de auteurs een test opgezet genaamd SCQA (Supply Chain Query Assessment). Dit is als een eindexamen met 80 moeilijke vragen.

De Makkelijke Vragen: "Bevat deze shampoo dit ingrediënt?" (Het antwoord staat op de fles).
De Moeilijke Vragen: "Welke van de producten van onze concurrenten maken gebruik van een specifiek chemisch product waarvan de voorraad opraakt?" (Het antwoord vereist het verbinden van 5 verschillende verborgen bronnen).

De Resultaten:

Standaard AI-modellen (zoals die waarmee je dagelijks kunt chatten) faalden erbarmelijk op de moeilijke vragen. Ze konden de kaart niet bouwen of erkennen wanneer ze aan het gokken waren.
Helicase slaagde. Het bouwde de kaarten, verbond de punten en vertelde de gebruiker precies hoe zeker het was van elke verbinding. Het was het enige systeem dat de vragen met "lage zichtbaarheid" aankon, waarbij het antwoord nergens op één enkele plek is opgeschreven.

5. Waarom dit belangrijk is

Zie Helicase als een zelfrijdend onderzoeksassistent.

In plaats van dat een mens wekenlang handmatig door websites klikt, PDF's leest en kaarten tekent om een risico in de toeleveringsketen te vinden, doet Helicase dit in minuten.
Het geeft je niet zomaar een "Ja" of "Nee". Het geeft je een geverifieerde kaart met een zekerheidsscore. Als de kaart zegt: "We zijn 90% zeker dat deze leverancier verbonden is aan die mijn", kan een bedrijfsmanager op dat getal vertrouwen. Als het zegt: "We zijn slechts 40% zeker", weet de manager dat hij die specifieke link moet controleren voordat hij een beslissing neemt.

Kortom, Helicase zet het chaotische, rommelige internet om in een duidelijke, betrouwbare en zelfcontrolerende kaart van de toeleveringsketens van de wereld.

Technische Samenvatting: HELICASE – Onzekerheidsgeleid Constructie van Kennisgrafieken voor Toeleveringsketens met Autonome Multi-Agent LLM's

1. Probleemstelling

Huidige Large Language Model (LLM)-systemen en multi-agent frameworks staan voor kritieke beperkingen bij toepassing op toeleveringsketen-intelligentie. Hoewel ze effectief zijn voor algemene kennisopvraging, slagen ze er niet in om structurele inferentieproblemen aan te pakken waarbij antwoorden niet in één enkel document staan, maar moeten worden samengevoegd uit gefragmenteerde, heterogene webbronnen.

Specifiek lijden bestaande systemen onder vier fundamentele gebreken:

Gebrek aan ware autonomie: Ze vertrouwen op rigide, vooraf gedefinieerde workflows of voorverwerkte data, en zijn niet in staat om dynamisch de zoekdiepte of -richting te bepalen voor ambiguë, complexe vragen.
Afwezigheid van verifieerbare onzekerheid: Ze produceren narratieve samenvattingen met niet-geverifieerde citaten en hallucinaties, en missen mechanismen om vertrouwen te kwantificeren of betrouwbaarheid terug te leiden naar de kwaliteit van de bron.
Black-Box redenering: Het besluitvormingsproces is ondoorzichtig, wat auditbaarheid verhindert die vereist is voor strategische planning.
Onvermogen om structurele modellen te construeren: Ze missen het vermogen om tussentijdse gestructureerde modellen (bijv. Kennisgrafieken) te bouwen die noodzakelijk zijn voor het analyseren van complexe systemen, waardoor ze beperkt blijven tot narratieve synthese.

De kernuitdaging is het beantwoorden van vragen zoals "Welke Tesla-componenten gebruiken lithium uit Australische mijnen?", die multi-hop redenering vereisen over data met lage zichtbaarheid (bijv. regelgevende inzendingen, handelspers, ongestructureerde sociale signalen) en gecalibreerd vertrouwen in de resultaten eisen.

2. Methodologie: Het Helicase-systeem

Helicase is een autonoom multi-agent LLM-systeem dat is ontworpen om ondoorzichtige toeleveringsketenvragen iteratief te "ontwinden" tot gestructureerde, met onzekerheid geannoteerde kennisgrafieken (KG's). Het werkt via een helixproces dat queryverrijking, verzameling van bewijs uit meerdere bronnen en grafiekconstructie omvat.

2.1 Agent-architectuur

Het systeem maakt gebruik van een gespecialiseerde multi-agent hiërarchie:

Planner-agent: Ontleedt hoogwaardige vragen in uitvoerbare onderzoeksplannen. Het genereert dynamisch nieuwe acties die gericht zijn op gebieden met hoge onzekerheid in de huidige KG, gebaseerd op feedback van eerdere iteraties.
Webzoek-agenten: Voeren parallelle, multi-bron bewijsverzameling uit vanuit diverse modaliteiten (HTML, PDF's, CSV's, sociale platformen). Ze maken gebruik van een consensusmechanisme om de kwaliteit van het bewijs te scoren.
Redeneer-agenten: Synthetiseren geoogst bewijs, voeren inferentie over bronnen heen uit en identificeren noodzakelijke structurele updates.
Codeer-agenten: Vertalen redeneerbeslissingen naar deterministische, auditabele JSON-mutaties (aanmaken, samenvoegen of herzien van knopen/verbindingen) op de kennisgrafiek, waarbij vage entiteitsovereenkomst wordt gebruikt om duplicaten te voorkomen.

2.2 Drie-laags onzekerheidskwalificatie

Een kerninnovatie is het drie-laags onzekerheidskader dat onzekerheid op verschillende schalen bijhoudt om het systeem te sturen en vertrouwen te kalibreren:

Actie-laag: Meet de betrouwbaarheid van individuele agent-uitvoeringen (bijv. factuele consensus over $n$ parallelle zoekopdrachten). Het maakt gebruik van op LLM gebaseerde consensus-scoring om factuele overeenstemming te onderscheiden van stijlvariatie.
Traject-laag: Detecteert redundantie door semantische gelijkenis te berekenen tussen huidige acties en alle eerdere acties. Hoge redundantie signaleert afnemende meeropbrengst, wat de planner aanzet tot een pivot of beëindiging.
Geheugen-laag: Consolidatie van per-fact onzekerheden die in de KG zijn opgeslagen. Het hanteert multiplicatieve accumulatie voor bestaande feiten (waarbij herhaald onafhankelijk bewijs de onzekerheid verlaagt) en initialisatie op basis van het minimum voor nieuwe feiten. De systeemwijde geheugenonzekerheid ( $U_{memory}$ ) drijft de detectie van convergentie aan.

2.3 Iteratieve uitvoering en convergentie

Het systeem werkt in een gesloten lus waarbij de huidige KG en het onzekerheidslandschap terugkoppelen naar de planner.

Actiekeuze: Kandidaten krijgen prioriteit op basis van de geschatte onzekerheidsreductie per kostenunit.
Convergentie: Het systeem stopt wanneer de geheugenlaag-onzekerheid aanhoudende stagnatie vertoont (relatieve verandering onder een drempelwaarde gedurende $P$ opeenvolgende iteraties), zodat wordt gegarandeerd dat het onderzoek zijn vermogen om onzekerheid te reduceren heeft uitgeput.

3. De SCQA-benchmark

Om autonoom redeneren te evalueren over het volledige complexiteitsspectrum, introduceren de auteurs SCQA (Supply Chain Query Assessment), een benchmark van 80 vragen die zijn georganiseerd in vier kwadranten op basis van twee dimensies:

Redeneercomplexiteit: Single-hop versus Multi-hop.
Informatiezichtbaarheid: Hoge zichtbaarheid (gestructureerde, publieke bronnen) versus Lage zichtbaarheid (gefragmenteerde, ongestructureerde, niche-bronnen).

De vier kwadranten zijn:

Q1: Single-hop, Hoge zichtbaarheid (bijv. "Bevat Product X Ingrediënt Y?").
Q2: Multi-hop, Hoge zichtbaarheid (bijv. "Welke producten gemaakt in Land Z bevatten Ingrediënt Y?").
Q3: Single-hop, Lage zichtbaarheid (bijv. "Wie is de primaire leverancier voor grondstof van Bedrijf A?").
Q4: Multi-hop, Lage zichtbaarheid (bijv. "Traceer de toeleveringsketen van specifieke ingrediënten over meerdere productlijnen om gedeelde leveranciers te vinden").

De grondwaarheid wordt vastgesteld via een tweestaps menselijk annotatieproces dat bestaat uit het samenstellen van primaire bronnen en review door domeinexperts.

4. Experimentele resultaten

Experimenten vergeleken Helicase met frontier LLM's (zero-shot) en agentische frameworks (ReAct, Tree-of-Thoughts) die waren aangevuld met webzoek.

Prestaties: Frontier LLM's en bestaande agentframeworks faalden bij structurele toeleveringsketen-inferentie, met name in Q4 (Multi-hop, Lage zichtbaarheid). Ze konden de benodigde netwerkm modellen niet genereren of kwantificeerbare onzekerheid produceren.
Prestatie van Helicase: Helicase automatiseerde succesvol het end-to-end ontdekkingsproces.
- Q4-nauwkeurigheid: Behaalde een Graph F1-score van 0,85, wat aanzienlijk beter is dan de beste baseline (ToT op 0,39).
- Kalibratie van onzekerheid: Helicase was het enige systeem dat gecalibreerde onzekerheidsschattingen produceerde. Het behaalde een Uncertainty Calibration Error (UCE) van 0,25, terwijl baselines geen onzekerheidsschattingen produceerden.
Ablatiestudie: Het verwijderen van belangrijke componenten degradeerde de prestaties aanzienlijk:
- Het verwijderen van onzekerheidsgeleid plannen verlaagde de Graph F1 met 0,12.
- Het vervangen van multiplicatieve accumulatie door een op minimum gebaseerde regel verhoogde de UCE naar 0,41.
- Het vervangen van de multi-agent pijplijn door een single-agent lus liet de Graph F1 instorten tot 0,45, wat aantoont dat de waarde ligt in de nauwe koppeling van onzekerheidsgeleid zoeken en incrementele grafiekconstructie, niet slechts in post-hoc extractie.

5. Betekenis en claims

Het artikel positioneert Helicase als een verschuiving van passieve, retrieval-versterkte systemen naar proactieve, onzekerheidsgeleide, grafiekgebaseerde ontdekking.

Autonome ontdekking: Het demonstreert dat agentische LLM's autonoom multi-hop, lage-zichtbaarheid toeleveringsketenvragen kunnen beantwoorden die huidige state-of-the-art modellen verslaan, en hoge nauwkeurigheid bereiken in het moeilijkste benchmark-kwadrant.
Betrouwbaarheid: Door een drie-laags onzekerheidskader in te voeren, adresseert het systeem de zorgen over "hallucinaties" en "verificatie" in agentisch toeleveringsketenmanagement, en levert het gecalibreerde vertrouwensscores die besluitvormers in staat stellen bewijs op de juiste wijze te wegen.
Architecturale inzichten: Het werk identificeert onzekerheidsgeleid plannen, multiplicatieve bewijsaccumulatie en multi-agent specialisatie als de kritieke architecturale componenten voor betrouwbare structurele ontdekking.
Praktisch nut: Het systeem reduceert de cyclustijd voor multi-tier leveranciersmapping van weken aan analistenwerk naar minuten, en biedt een laagkosten beslissingshulp-laag voor voorlopige bewijsverzameling en prioritering van onzekerheid.

De auteurs concluderen dat dit werk een nieuw front vestigt voor autonome informatiediscovery in toeleveringsketenonderzoek, en een gestructureerde, met onzekerheid geannoteerde ondergrond biedt voor downstream analytics en een gemeenschappelijke benchmark (SCQA) voor toekomstige evaluatie.