VetClaw: An Edge-Cloud Multimodal Agentic System for Veterinary Disease Screening
VetClaw is een edge-cloud multimodale agentische systeem dat een op de edge gebaseerde interactiebeheerder integreert met een in de cloud gehoste LangGraph-workflow om veterinaire ziekte-screening te verbeteren door visuele en tekstuele inputs te combineren voor verbeterde zero-shot classificatie, terwijl veiligheid, betrouwbaarheid en gestructureerde diagnostische ondersteuning worden gewaarborgd.
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 wereld voor waarin je huisdier kon praten. Als je hond een pijnlijke poot had, zou hij niet alleen mank lopen; hij zou zeggen: "Hé, mijn poot doet pijn en hij ziet er rood uit." In werkelijkheid kunnen dieren onze taal niet spreken en kunnen ze geen medische formulieren invullen. Dit zwijgen maakt het voor dierenartsen moeilijk om ziekten vroegtijdig te ontdekken, vooral wanneer een ziek dier je niet kan vertellen wat er mis is. Om deze kloof te overbruggen, bouwen wetenschappers "slimme helpers" met behulp van Kunstmatige Intelligentie (AI). Denk aan AI als een super-observante detective die naar een foto van een ziek dier kan kijken en een beschrijving van de symptomen kan lezen om te raden wat er mis is. Maar alleen een detective hebben is niet genoeg; je hebt een heel team nodig. Je hebt iemand nodig die de foto maakt, iemand die de aanwijzingen organiseert, iemand die controleert of de detective dingen verzint, en iemand die om hulp roept als de zaak te ingewikkeld is. Hier komen de concepten van "edge computing" (het werk uitvoeren op de plek waar het dier is, zoals op een kleine camera) en "agentic systems" (AI die werkt als een team van werkers in plaats van slechts een enkele rekenmachine) om de hoek kijken. De grote vraag is: Kunnen we een digitaal team bouwen dat samenwerkt om dierlijke ziekte op te sporen voordat het ernstig wordt, zelfs als het dier geen woord kan zeggen?
Maak kennis met VetClaw, een nieuw digitaal systeem dat ontworpen is om datzelfde team te zijn. Stel je VetClaw voor als een hoogtechnologisch "detective-team voor huisdiergezondheid", ingezet op een kleine computer genaamd een Raspberry Pi, die fungeert als een slimme camera op een boerderij of in een stal. Dit systeem neemt niet alleen een foto en raadt maar wat; het werkt als een goed geoliede machine met twee hoofdonderdelen. Ten eerste is er de "veldagent" (genaamd OpenClaw) die op de camera leeft. Dit is degene die wakker wordt, een foto maakt van een koe of een hond, en de mens in de buurt vraagt: "Lijkt dit dier ziek? Wat zie je?" Het verzamelt de foto en eventuele aantekeningen die de mens opschrijft. Vervolgens geeft het deze aanwijzingen door aan de "missiecontrole" (genaamd LangGraph). Missiecontrole is de hersenpan die de workflow organiseert. Het controleert of de foto duidelijk is, stuurt de aanwijzingen naar een krachtige computer in de cloud, en wacht op het antwoord.
De computer in de cloud gebruikt een speciaal type AI genaamd een Vision-Language Model (VLM). Denk aan dit model als een superintelligente diergeneeskundige student die elk medisch boek heeft gelezen, maar nog nooit een echt dier heeft gezien. Het kijigt naar de foto en de aantekeningen om de ziekte te raden. Maar hier komt de twist: VetClaw vertrouwt deze student niet blindelings. De "missiecontrole" heeft een strikte set veiligheidsregels. Als de student onzeker lijkt, of als de foto wazig is, of als de aantekeningen iets dringends vermelden, roept het systeem niet zoma van alles een diagnose. In plaats daarvan markeert het de zaak, legt de details vast en stuurt een "veiligheidswaarschuwing" naar een menselijke dierenarts om een nauwkeuriger kijkje te nemen. Het is als een junior detective die weet wanneer hij moet zeggen: "Ik denk dat ik weet wat er aan de hand is, maar laten we de Chef vragen om dit te controleren."
De onderzoekers testten dit systeem met behulp van twee sets afbeeldingen: één met 1.736 afbeeldingen van diverse ziekten bij huisdieren en een andere met 443 foto's van honden met huidproblemen. Ze probeerden drie verschillende manieren om informatie aan de AI te voeren: alleen de foto, alleen de tekstuele beschrijving, en een combinatie van beide. De resultaten waren fascinerend. Wanneer de AI alleen naar de foto's keek (zoals proberen een ziekte te raden van een wazige snapshot), was het er niet erg goed in. Voor de test met huidziekten bij honden kreeg het slechts ongeveer 33% van de antwoorden goed. Echter, wanneer de AI de symptomen mocht lezen én de foto mocht bekijken, sprong de prestatie aanzienlijk omhoog. In de test met huidziekten bij honden steeg de nauwkeurigheid naar meer dan 72%, en in de bredere test met ziekten bij huisdieren hielp de mix van tekst en afbeeldingen het systeem om veel slimmere gissingen te doen. Interessant genoeg was in sommige gevallen alleen het lezen van de tekstuele beschrijving van de symptomen zelfs krachtiger dan alleen naar de foto kijken, wat suggereert dat weten waar je naar moet kijken vaak belangrijker is dan alleen het zien ervan.
Het artikel suggereert dat deze "teambenadering" de toekomst is van monitoring van de gezondheid van dieren. Het laat zien dat het combineren van een camera, observaties van een mens en een slimme AI-workflow ziekten eerder kan ontdekken dan een simpele camera dat ooit zou kunnen. De auteurs benadrukken echter voorzichtig dat dit een "werk in uitvoering" is. Ze geven toe dat hun tests gebruikmaakten van relatief kleine groepen afbeeldingen en dat de AI gokte zonder specifiek getraind te zijn op duizenden zieke dieren (een methode genaamd "zero-shot"). Ze merken ook op dat de huidige camera slechts vanuit één hoek kan kijken, wat zaken kan missen als een dier beweegt. Maar de kern van het idee is solide: door een statische camera te veranderen in een gecoördineerd, veiligheidsbewust team, suggereert VetClaw dat we niet alleen ziekte kunnen voorspellen, maar het hele proces kunnen beheren, inclusief het controleren, verifiëren en om hulp roepen wanneer dat nodig is. Het is een stap naar een wereld waarin onze harige vrienden de zorg krijgen die ze nodig hebben, zelfs wanneer ze niet voor zichzelf kunnen spreken.
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.