🤖 machine learning

From Feasibility to Desirability: Plan, Learn, Adapt (PLA) Framework for Personalized On-Device Itinerary Generation

Het artikel introduceert het Plan, Learn, Adapt (PLA) framework, een driefasig on-device systeem dat een ensemble van lichtgewicht planners combineert met een compact beloningsmodel om haalbare en zeer gewenste gepersonaliseerde reisschema's te genereren, waarbij het zowel enkele planners als frontier LLM's overtreft in menselijke evaluatieses terwijl het productiewaardige latentie en haalbaarheid bereikt.

Oorspronkelijke auteurs: Himel Dev, Tanmoy Sen, Madhusudan Basak, Bashima Islam

Gepubliceerd 2026-07-20

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Himel Dev, Tanmoy Sen, Madhusudan Basak, Bashima Islam

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 de kapitein van een ruimteschip bent, maar in plaats van door de sterren te navigeren, navigeer je door een bruisende stad om de perfecte vakantie te plannen. Dit is de wereld van reisplanning, een puzzel die zich op het kruispunt bevindt van twee zeer verschillende wetenschappelijke werelden. Aan de ene kant heb je combinatorische optimalisatie, wat lijkt op een strenge wiskundeleraar die ervoor zorgt dat je de regels niet overtreedt: het museum sluit om 17:00 uur, de trein vertrekt om 18:00 uur en je kunt niet twee keer hetzelfde씩 bezoeken. Aan de andere kant heb je voorkeur-leren (preference learning), wat lijkt op een helderziende die probeert te raden wat je écht wilt voelen—wil je een ontspannen dag of een volgepakt avontuur? Het lastige is dat deze twee werelden vaak met elkaar in botsing komen. Een wiskundig perfect schema kan saai aanvoelen, en een dromerig, leuk schema kan in de praktijk onmogelijk uit te voeren zijn. De grote vraag voor iedereen die ooit een reis heeft geprobeerd te plannen is: Hoe bouwen we een reisgids die zowel juridisch uitvoerbaar is om te volgen als oprecht plezierig om te ervaren, terwijl deze op je telefoon draait zonder dat er internet nodig is?

Dit artikel introduceert een slim nieuw systeem genaamd PLA (Plan, Learn, Adapt) dat probeert dit exacte probleem op te lossen. De auteurs, werkend met een reisapp genaamd FlyEnJoy, realiseerden zich dat bestaande methoden op twee specifieke manieren faalden. Sommige ouderwetse planners waren geweldig in het volgen van de regels, maar waren slecht in het begrijpen van menselijke smaak, waardoor ze vaak routes creëerden die robotachtig aanvoelden. Ondertien waren de nieuwste, meest flitsende AI-tools (zoals de enorme taalmodellen waar iedereen het over heeft) geweldig in het klinken als behulpzaam, maar faalden volledig in de basiswiskunde van het reizen; in hun tests produceerden deze AI-modellen schema's die strikt onuitvoerbaar waren (0% succespercentage), met een statistische bovengrens die suggereerde dat ze minder dan 4% van de tijd geldig waren, waarbij ze de openingstijden en reistijden overtraden.

Om dit op te lossen, bouwde het team een driestaps "fabriek" die volledig op je telefoon draait:

Plan (De Ideeënfabriek): In plaats van te vertrouwen op slechts één manier om een schema te maken, bouwden ze een team van vijf verschillende "planners" (zoals een enthousiaste chef, een voorzichtige boekhouder en een creatieve kunstenaar). Elk van hen probeert vanaf nul een geldige reis op te zetten. Omdat zij anders denken, komen ze met zeer verschillende lijsten van plaatsen om te bezoeken, wat zorgt voor een diverse poel van "haalbare" (regel-overeenkomstige) opties om uit te kiezen.
Learn (De Smaaktester): Het team heeft niet alleen geraden wat mensen leuk vonden; ze hebben mensen gevraagd om paren van volledige dagprogramma's met elkaar te vergelijken. Ze verzamelden meer dan 2.500 van deze vergelijkingen. Met behulp van deze data trainden ze een piepklein, supersnel "beloningsmodel" (een digitale smaaktester) dat leerde om de onzichtbare kwaliteiten van een geweldige reis te herkennen, zoals een goed tempo en een mooie balans tussen activiteiten, in plaats van alleen te tellen hoeveel musea er werden bezocht.
Adapt (De Lokale Verfijner): Zodra het beste schema is gekozen, zorgt deze fase voor kleine, veilige aanpassingen aan het plan. Het is also[t] een chef die een soep proeft en er een snufje zout aan toevoegt, maar met een strikte regel: elke enkele wijziging moet de receptuur geldig houden. Als een aanpassing het schema verbreekt (zoals wanneer je bij een gesloten winkel aankomt), wordt deze direct weggegooid. Dit gebeurt zo snel dat het gemiddeld slechts 109,9 milliseconden duurt, wat betekent dat je direct een perfect, gepersonaliseerd plan krijgt, zelfs als je in een vliegtuig zit zonder wifi, aangezien het systeem is ontworpen voor offline gebruik.

De resultaten zijn indrukwekkend. Wanneer ze hun systeem testten tegen de beste individuele planner, won het "Plan, Learn, Adapt"-team 67,8% van de keren tegen menselijke beoordelaars. In contrast hiermee, toen ze drie van de meest geavanceerde AI-modellen (GPT-5, Claude Opus 4.5 en Gemini 3 Pro) vroegen om schema's te maken onder dezelfde strikte regels, produceerde geen van hen (0%) een enkele geldige reis. Het nieuwe systeem generaliseerde ook goed en werkte nauwkeurig in meer dan 100 verschillende Amerikaanse steden die het nog nooit eerder had gezien.

In de echte wereld, toen ze dit systeem implementeerden in de FlyEnJoy-app, waren de resultaten tastbaar. Gebruikers begonnen hun reisplanning 83% vaker en 91% meer mensen voltooiden daadwerkelijk hun schema's. Het systeem maakte niet alleen de plannen; het maakte de hele ervaring soepeler, wat bewees dat je een reisgids kunt hebben die zowel wiskundig perfect als perfect leuk is, terwijl deze gewoon in je broekzak leeft.

Technische Samenvatting: Van Haalbaarheid naar Begeerlijkheid: Het Plan, Learn, Adapt (PLA) Framework

1. Probleemstelling

Het artikel behandelt de uitdaging van het genereren van gepersonaliseerde, meerdaagse reisroutes op mobiele apparaten. Deze taak wordt gedefinieerd door een fundamentele spanning tussen harde combinatorische haalbaarheid en zachte latente begeerlijkheid:

Haalbaarheid: Reisroutes moeten strikt voldoen aan spatio-temporele beperkingen, inclusief openingstijden van POI's (Points of Interest), reistijden, dagelijkse tijdbudgetten en kostenlimieten.
Begeerlijkheid: Reisroutes moeten voldoen aan subjectieve gebruikersvoorkeuren met betrekking tot tempo, geografische samenhang en categorie-diversiteit, die moeilijk te vangen zijn met statische, handmatig ontworpen objectieve functies.
Levensvatbaarheid: Oplossingen moeten inzetbaar zijn op eindgebruikersapparaten (specifiek offline-first iOS-omgevingen) met strikte latency-eisen (interactieve snelheid) en privacybeperkingen, wat cloud-afhankelijke Large Language Models (LLM's) uitsluit.

Bestaande benaderingen slagen er niet in om alle drie de vereisten simultaan te voldoen: klassieke optimalisatiesystemen waarborgen haalbaarheid maar missen genuanceerde voorkeursmodellering; leergebaseerde methoden vatten voorkeuren goed op maar schenden vaak harde beperkingen; en LLM's, hoewel in staat tot natuurlijke taalgeneratie, produceren regelmatig ongeldige schema's (0% haalbaarheid in de benchmark van de auteurs) en zijn ze incompatibel met offline, lage-latency mobiele implementatie.

2. Methodologie: Het PLA Framework

De auteurs stellen Plan, Learn, Adapt (PLA) voor, een driefasig framework dat is ontworpen om haalbaarheid, begeerlijkheid en levensvatbaarheid gezamenlijk aan te pakken.

Fase 1: PLAN (Diverse Haalbare Generatie)

De Plan-fase genereert een structureel diverse set van haalbare kandidaat-reisroutes met behulp van een heterogene ensemble van vijf lichtgewicht planningsalgoritmen, die allemaal een uniforme haalbaarheidslaag delen:

Algoritmen: Greedy (constructief), Dynamic Programming (DP), Beam Search, A* Search en Simulated Annement (SA).
Haalbaarheidslaag: Een gedeelde logische module die harde beperkingen afdwingt (bezoekuren, consistentie van reistijd, tijd/kostenbudgetten, geen duplicaten) en de vroegst haalbare aankomsttijden berekent.
Doel: Hoewel alle planners een gedeelde samengestelde score optimaliseren (balans tussen reisefficiëntie, wachttijd, urgentie, categorie-diversiteit en POI-populariteit), leveren hun uiteenlopende zoekparadigma's structureel verschillende reisroutes op. Deze diversiteit is cruciaal omdat geen enkel algoritme in alle reiscontexten domineert.

Fase 2: LEARN (Menselijke Voorkeursmodellering)

De Learn-fase past een compact beloningsmodel toe om latente gebruikerstevredenheid op niveau van de volledige reisroute te vangen, in plaats van te vertrouieren op scores per individuele POI.

Datacollectie: Er zijn 2.519 paarwijze menselijke vergelijkingen van volledige reisroutes over meer dan 100 Amerikaanse steden verzameld. Annotatoren kozen tussen reisroutes gegenereerd door verschillende planners zonder de bron te kennen.
Modelarchitectuur: Een Bradley-Terry beloningsmodel is getraind op ongeveer 20 interpreteerbare kenmerken op niveau van de reisroute (bijv. totale reistijd, categorie-entropie, dagelijkse belastingbalans, schema-slack).
- Het model gebruikt een verschilgebaseerde formulering: $P(x_a \succ x_b) = \sigma(R_\theta(x_a) - R_\theta(x_b))$ .
- Monotoniciteitsbeperkingen: Het model dwingt domeinkennis (bijv. een toename in reistijd mag de beloning niet verhogen) direct af tijdens de optimalisatie.
Selectie: Het beloningsmodel fungeert als selector en kiest de hoogst scorende reisroute uit de diverse pool gegenereerd in de Plan-fase.

Fase 3: ADAPT (On-Device Verfijning)

De Adapt-fase voert beloningsgestuurde lokale verfijning uit op de geselecteerde basisreisroute binnen een strikt apparaat-bewust rekenbudget.

Haalbaarheid-behoudende bewerkingen: Het systeem past atomaire operatoren toe (Drop, Insert, Replace, Swap, Relocate, MoveDay) op de reisroute. Cruciaal is dat elke bewerking wordt gevolgd door een incrementele her-tijding die de beperkingen valideert. Als een bewerking een beperking schendt, wordt deze verworpen. Dit garandeert dat elke tussenliggende staat haalbaar blijft, in tegen tegenstelling tot post-hoc reparatiemethoden.
Zoekstrategie: Een hill-climbing benadering met stochastische buurt-sampling selecteert bewegingen die de beloningsscore verbeteren.
Resource Bewustzijn: Het verfijningsproces wordt begrensd door een dynamisch tijdbudget (doorgaans ~200–500 ms) dat wordt aangepast op basis van apparaatsignalen (kernenaantal, geheugen, vermodsmodus) om interactieve latency te garanderen.

3. Belangrijkste Bijdragen

Heterogeen Planner Ensemble: De auteurs tonen empirisch aan dat geen enkel planningsalgoritme domineert. Door vijf verschillende algoritmen te combineren, bereiken ze een winrate van 67,8% in paarwijze vergelijkingen, een verbetering van 11,2 procentpunt ten opzichte van de beste individuele planner (DP).
Voorkeursmodellering op Niveau van de Reisroute: Voorbij de per-POI scoring introduceert het artikel een compact Bradley-Terry model dat getraind is op vergelijkingen van volledige reisroutes. Dit model vangt emergente eigenschappen (tempo, dagbalans) en bereikt een nauwkeurigheid van 67,6% in leave-one-city-out cross-validatie.
On-Device Haalbaarheid-behoudende Verfijning: De Adapt-fase verbetert de begeerlijkheid terwijl de 100% haalbaarheid door constructie wordt gegarandeerd. Het bereikt een gemiddelde on-device latency van 109,9 ms, wat volledig offline, interactieve uitvoering mogelijk maakt.

4. Experimentele Resultaten

Haalbaarheid vs. LLM's: In een benchmark tegen drie frontier LLM's (GPT-5, Claude Opus 4.5, Gemini 3 Pro) op 294 reisroutes, bereikten de LLM's 0% strikte haalbaarheid, waarbij ze beperkingen zoals reistijd en bezoekuren schonden. In tegenstelling hiertoe behield PLA 100% haalbaarheid.
Ensemble Prestaties: Het beloningsgestuurde ensemble presteerde beter dan de beste individuele planner met 11,2 punten (67,8% vs. 56,6% winrate). De selectieverdeling vertoonde een hoge entropie (97,6% van het maximum), wat bevestigt dat verschillende algoritmen uniek bijdragen afhankelijk van de context.
Verfijningswinst: De Adapt-fase zorgde voor statistisch significante scoreverbeteringen voor alle basis-algoritmen. Zo zagen A*-basisroutes een verbetering van 11,7%, terwijl de reeds hoog scorende ensemble-basisroutes met 3,9% verbeterden.
Productie-impact: Geïmplementeerd in de FlyEnJoy iOS-app, verhoogde PLA de voltooiingspercentages van reisroutes met 91% en initiaties met 83% vergeleken met een enkele heuristiek-baseline, terwijl de gemiddelde sessietijd per gebruiker met 38% werd verminderd.

5. Betekenis en Claims

Het artikel beweert dat PLA een levensvatbaar blauwdruk biedt voor mens-gealigneerde planning onder real-world implementatiebeperkingen. De betekenis ligt in het oplossen van de trade-off tussen haalbaarheid en begeerlijkheid zonder afhankelijk te zijn van cloud-gebaseerde AI:

Robuustheid: Door haalbaarheid (Plan) te scheiden van voorkeursleren (Learn) en het gebruik van haalbaarheid-behoudende verfijning (Adapt), vermijdt het systeem het probleem van "ongeldige schema's" dat veel voorkomt bij leergebaseerde en generatieve AI-benaderingen.
Draagbaarheid: Het gebruik van een compact, interpreteerbaar beloningsmodel en lichtgewicht zoekoperatoren maakt het mogelijk dat het systeem volledig on-device draait, wat offline gebruiksscenario's ondersteunt (luchthavens, tijdens de vlucht) waar cloud-API's niet beschikbaar of te kostbaar zijn.
Praktische Bruikbaarheid: Het framework demonstreert dat complexe, meerdaagse planning kan worden uitgevoerd met interactieve latency (<300 ms) terwijl strikt aan harde beperkingen wordt voldaan, een capaciteit die huidige frontier LLM's missen in dit specifieke domein.

De auteurs concluderen dat, hoewel LLM's moeite hebben met harde beperkingen, een gestructureerde, hybride aanpak die klassieke optimalisatie, voorkeursleren en geconstrueerde lokale zoekopdrachten combineert, superieure, productie-klare resultaten kan leveren voor gepersonaliseerde reisplanning.