Eluna: An Agentic LLM System for Automating Warehouse Operations with Reasoning and Task Execution
Het artikel introduceert Eluna, een in productie ingezet agentisch systeem dat complexe magazijnoperaties automatiseert door Standard Operating Procedures te coderen in graafgestuurde multi-agent workflows en asymmetrische episodische distillatie toe te passen om een hoge nauwkeurigheid en lage latentie te bereiken zonder overhead tijdens de inferentie.
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 een enorme, hoogtechnologische magazijn voor als een gigantische, bruisende stad waar robots over lopende banden razen en duizenden pakketten elke seconde worden gesorteerd. In deze stad zijn er strikte regelboeken genaamd Standard Operating Procedures (SOPs). Dit zijn niet zomaar eenvoudige lijstjes; het zijn complexe, vertakkende kaarten met tientallen "als dit, dan dat"-beslissingen, zoals een kies-je-eigen-avontuur-boek waarbij één verkeerde afslag een verkeersopstopping kan veroorzaken die de hele stad tot stilstand brengt.
Lange tijd moesten mensen deze regelboeken lezen, de gegevens controleren en de beslissingen nemen. Dat ging traag, en mensen werden moe en maakten fouten. Toen probeerden mensen superintelligente AI-robots (Large Language Models) het werk te laten doen. Maar hier is het probleem: wanneer je een gigantisch, 100-pagina tellend regelboek in één keer aan een slimme AI geeft, raakt deze overweldigd. Het is alsof je een hele bibliotheek probeert te lezen terwijl je een wiskundig probleem oplost; de AI raakt in de war, vergeet de regels of slaat een verkeerde afslag.
Maak kennis met Eluna, een nieuw systeem gebouwd door Amazon om deze chaos op te lossen. Zie Eluna niet als één enkel superbrein, maar als een hoogst georganiseerde bouwploeg.
De Ploeg en de Blauwdruk
In plaats van de hele regelboek aan één persoon te geven, breekt Eluna de taak op.
- De Blauwdruk: Het complexe regelboek wordt omgezet in een digitale kaart (een graaf). Maar Eluna laat niet de hele kaart tegelijk zien. Het gebruikt een truc van "progressieve onthulling": het onthult alleen de volgende paar stappen die de ploeg moet zien, net zoals een GPS alleen de volgende bocht laat zien, en niet de hele reis. Dit voorkomt dat de AI verdwaalt.
- De Voorman: Er is een hoofd- "Voorman"-agent die de kaart vasthoudt en beslist welke taken als volgende moeten gebeuren.
- De Specialisten: De Voorman stuurt kleinere, gespecialiseerde "Sub-agents" uit om specifieke taken af te handelen. De een controleert de temperatuur, een ander de robotsnelheid, en weer een ander zoekt de inventaris op. Deze specialisten werken in hun eigen stille kamers (geïsoleerde contexten) zodat ze niet worden afgeleid door wat anderen doen. Ze kunnen zelfs code uitvoeren en direct live data controleren.
- De Skill Packs: Elke nieuwe soort probleem (zoals het repareren van een vastgelopen robot of het verwerken van een beschadigd pakket) komt in zijn eigen "Skill Pack". Je laadt het pakket gewoon in, en de ploeg weet precies welke gereedschappen ze moeten gebruiken. Je hoeft de hele ploeg niet opnieuw te trainen voor elke nieuwe klus.
Het Geheime Recept: Leren van Fouten
Het slimste deel van Eluna is hoe het leert. Het team heeft de AI niet simpelweg verteld: "hier zijn de regels." Ze gebruikten een slimme trainingsmethode genaamd asymmetrische episodische distillatie.
Stel je een meesterkok voor (de "Docent") die ongelooflijk slim maar traag is. De chef probeert een complex gerecht te bereiden, maakt een paar fouten en schrijft deze vervolgens op in een speciaal schrift (episodisch geheugen) om ze te herstellen. De chef wordt steeds beter in koken door naar dit schrift te kijken.
Vervolgens kijelt een snelle, jonge leerling (de "Student") het gecorrigeerde kookproces. De leerling leert het recept zo goed dat hij het schrift niet meer nodig heeft. Hij heeft de lessen geïnternaliseerd. Wanneer de leerling in de echte keuken aan het werk gaat, kookt hij snel en perfect zonder even te pauzeren om in een schrift te kijken.
In het paper is de "Docent" een enorm AI-model dat perfecte kookpaden (trajecten) genereert door zijn eigen fouten te corrigeren. De "Student" is een kleiner, sneller model (zoals de versie met 32 miljard parameters) dat leert van die perfecte paden. Het paper sluit expliciet de mogelijkheid uit om de student simpelweg het schrift te laten lezen terwijl hij werkt; dat maakt het systeem traag en broos. In plaats daarvan moet de student de correcties onthouden.
Werkt het ook echt?
Het team heeft Eluna getest op echte taken in het magazijn, niet alleen op verzonnen puzzels.
- De Robotredding: In één test moest het systeem diagnosticeren waarom een robotische lopende band faalde. De oude, standaard AI-modellen raakten in de war en faalden. Eluna daarentegen evenaarde de prestaties van het enorme "Docent"-model, maar was veel sneller. Het identificeerde het probleem correct en loste het in realtime op.
- De Ticket Triage: In een andere test moest het systeem rommelige menselijke aantekeningen over beschadigde pakketten lezen en beslissen wat te doen. Een enorme 355-miljard parameter versie van Eluna bereikte een overeenkomst van 94% met menselijke experts. Dat is bijna perfect voor zo'n lastige taak.
- De Snelheid: Het systeem werd niet alleen slimmer, het werd ook sneller. Het halveerde de tijd die nodig was om robotproblemen te diagnosticeren in vergelijking met de trage, enorme modellen.
Wat het Paper zegt (en niet zegt)
De auteurs zijn heel duidelijk over wat ze hebben gevonden. Ze hebben aangetoond dat voor deze specifieke, regel-georiënteerde magazijnklussen, een kleinere, goed getrainde AI het wint van een gigantische, ongetrainde AI. Ze bewezen dat het simpelweg groter maken van de AI niet helpt als de AI tegelijkertijd wordt overweldigd door te veel informatie.
Ze wijzen echter ook erop dat het systeem geen magie is. Als het oorspronkelijke regelboek (de SOP) gaten bevat, of als de data die van de magazijn-sensoren komt slecht is, zal de AI nog steeds fouten maken. Het probleem is niet het brein van de AI; het is de kwaliteit van de instructies en de data.
Het paper suggereert dat deze aanpak uitstekend werkt voor magazijnoperaties, maar ze hebben nog niet bewezen of het werkt voor totaal andere soorten banen. Ze geven ook toe dat het trainen van dit systeem veel rekenkracht en een zeer slim "Docent"-model vereist, wat voor kleinere bedrijven moeilijk betaalbaar kan zijn.
Kortom, Eluna is een bewijs dat met de juiste structuur — het opdelen van grote problemen in kleine, beheersbare stukjes en het trainen van de AI om te leren van gecorrigeerde voorbeelden — je een systeem kunt bouwen dat zowel ongelooflijk slim als snel genoeg is om een echt magazijn te draaien.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.