A Human-in-the-Loop Autonomous Agent for Industry Time Series Forecasting
Dit artikel introduceert CastClaw, een human-in-the-loop autonome agent die natuurlijke taal taakspecificatie, gespecialiseerde voorspellingsmodellen en iteratieve bewijsgebaseerde verfijning integreert om 16 baselines te overtreffen in elektriciteitsprijs- en belastingsvoorspelling, terwijl het transparante uitvoeringsrapportages biedt.
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
Het voorspellen van de toekomst van getallen die in de loop van de tijd veranderen—zoals de prijs van elektriciteit of de belasting op een elektriciteitsnet—is een taak die zelden slaagt met een enkele, geïsoleerde berekening. In de echte wereld is nauwkeurige forecasting niet louter het invoeren van historische gegevens in een computerprogramma en wachten op een antwoord. Het is een complex, iteratief proces waarbij een menselijke expert het doel moet definiëren, de juiste databronnen moet verbinden, specifieke kennis moet toepassen over hoe de wereld werkt, en vervolgens zorgvuldig moet beoordelen of de gok van de computer zinvol is. Als de voorspelling vreemd oogt, moet de expert ontbrekende informatie vinden, de aanpak aanpassen, of besluiten te stoppen en iets anders te proberen. Jarenlang was het veld verdeeld tussen gespecialiseerde computermodellen die uitstekend zijn in het verwerken van getallen maar rigide in hun denken, en algemene AI-agenten die kunnen redeneren en praten, maar vaak de strikte regels en controles missen die nodig zijn voor betrouwbare numerieke voorspellingen.
Onderzoekers aan de University of Science and Technology of China hebben een nieuw systeem gebouwd genaamd CastClaw om deze kloof te overbruggen. Het is een autonome agent die is ontworpen om samen met een mens te werken, als een onvermoeibare assistent die de zware taken van data-analyse afhandelt, terwijl de uiteindelijke beoordeling en controle bij de persoon in de leiding blijven. Het systeem vervangt de mens niet; in plaats daarvan creëert het een lus waarbij de computer een voorspelling voorstelt, deze controleert tegen bekende patronen en gebruikersregels, en alleen van gedachten verandert als het solide bewijs vindt om een revisie te ondersteunen. Als het bewijs ontbreekt, weet het systeem dat het de mens om hulp moet vragen of naar meer context moet zoeken, in plaats van blindelings te gokken. Deze aanpak verandert forecasting van een eenmalige berekening in een gedocumenteerde, inspecteerbare workflow waarbij elke stap, van de initiële vraag tot het definitieve getal, wordt vastgelegd en kan worden beoordeeld.
De kern van CastClaw is een framework dat de onderzoekers een "harness" noemen, wat fungeert als het centrale zenuwstelsel dat verschillende hulpmiddelen verbindt. Wanneer een gebruiker een vraag stelt in gewone mensentaal, zoals het voorspellen van elektriciteitsprijzen voor de volgende dag, identificeert het systeem eerst welke gegevens nodig zijn en welke regels gevolgd moeten worden. Vervolgens haalt het een voorspelling op uit een gespecialiseerd model of gebruikt het een model dat de gebruiker heeft aangeleverd. Voordat het dit getal accepteert, voert het systeem een reeks controles uit. Het kijkt naar recente patronen om te zien of de voorspelling past, vergelijkt het met domeinkennis zoals weereffecten of dynamiek van vraag en aanbod, en verifieert of het voldoet aan de harde beperkingen die de gebruiker heeft ingesteld. Als de voorspelling deze tests doorstaat, wordt deze behouden. Als het faalt, gooit het systeem het niet simpelweg weg; het onderzoekt waarom. Het kan zoeken naar ontbrekende context, een ander type analyse uitvoeren, of een ander model raadplegen om te zien of er een betere kandidaat bestaat.
Cruciaal is dat het systeem is ontworpen om te weten wanneer het moet stoppen. Het zal niet oneindig van gedachten veranderen. Het stopt het proces wanneer de voorspelling wordt ondersteund door bewijs, wanneer verdere wijzigingen waarschijnlijk niet zullen helpen, wanneer een budget voor berekeningen is uitgeput, of wanneer een menselijke expert nodig is om een definitief besluit te nemen. Elke actie die het systeem onderneemt, elk stuk bewijs dat het vindt, en elke versie van de voorspelling die het overweegt, wordt opgeslagen in een gedetailleerd rapport. Dit rapport stelt een mens in staat om precies te zien hoe het uiteindelijke getal is bereikt, inclus�n alle waarschuwingen of onopgeloste vragen die nog bestaan. Het systeem beschouwt de menselijke input niet als een definitief commando dat genegeerd kan worden, maar als een essentieel onderdeel van de bewijsketen dat de taak kan corrigeren, nieuwe hypothesen kan toevoegen, of de uitvoering op elk moment kan stoppen.
Om te testen of deze aanpak daadwerkelijk werkt, hebben de onderzoekers CastClaw toegepast op vijf verschillende publieke datasets van elektriciteitsprijzen uit België, Duitsland, Frankrijk, de Nordic Pool en PJM in de Verenigde Staten. Ze vergeleken de prestaties van het systeem met zestien andere methoden, variërend van traditionele statistische instrumenten tot geavanceerde AI-modellen. In elk geval produceerde CastClaw de meest nauwkeurige voorspellingen, gemeten aan de hand van hoe dicht de getallen bij de werkelijke toekomstige waarden lagen. Het presteerde beter dan de beste bestaande methoden met aanzienlijke marges, waarbij de fouten in sommige regio's met wel dertig procent werden verminderd. De onderzoekers hebben het systeem ook gedemonstreerd in een live setting met gegevens uit de Noordse elektriciteitsmarkt. In deze demonstratie leverde een gebruiker een initiële voorspelling aan, en het systeem controleerde deze tegen de marktomstandigheden. Toen het systeem merkte dat een voorgestelde aanpassing de voorspelling feitelijk zou verslechteren, verwierp het de wijziging en behield het de oorspronkelijke voorspelling, waarbij het het volledige besluitvormingsproces documenteerde. Dit toonde aan dat het systeem in staat is tot kritisch denken, wetende wanneer het "nee" moet zeggen tegen een slecht idee even goed als wanneer het "ja" zegt tegen een goed idee, en dat de workflow zelf volledig inspecteerbaar is.
De onderzoekers hebben het systeem ook gedraaid op offline gegevens die de elektriciteitsbelasting in Noord-China vertegenwoordigen voor de eerste helft van 2026. Deze oefening was bedoeld om de offline workflow-executie te valideren met gebruik van dezelfde taakspecificaties, modellen en hulpmiddelen, maar was niet bedoeld om online implementatie, productiegebruik of vergelijkbare nauwkeurigheid tegenover andere modellen te demonstreren. De resultaten bevestigden dat het systeem de volledige workflow van begin tot eind kon uitvoeren in een offline omgeving, waarbij gegevens, hulpmiddelen en beslissingen volgens de regels werden beheerd en gedetailleerde rapporten werden bijgehouden. De studie maakt duidelijk dat, hoewel het systeem zeer capabel is, het geen magische doos is die elk probleem direct oplost. Het is een hulpmiddel dat een mens vereist om de doelen te definiëren en het uiteindelijke toezicht te bieden, om ervoor te zorgen dat de voorspellingen geworteld blijven in de realiteit en nuttig zijn voor besluitvorming. Door de snelheid van machines te combineren met het oordeelsvermogen van mensen, biedt CastClaw een nieuwe manier om de moeilijke taak van het voorspellen van de toekomst aan te pakken, waardoor een chaotisch proces wordt omgezet in een heldere, betrouwbare en transparante reis.
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.