Analytische AI: uw kans in het tijdperk van LLM-agenten – van FOMO naar het grijpen van de kans

Hebt u last van ‘fear of missing out’ (FOMO) als het gaat om LLM-agenten (Large Language Model)? Ja, zo heb ik me een hele tijd gevoeld.

De afgelopen maanden lijken mijn online nieuwsfeeds overspoeld te zijn met ‘Large Language Model (LLM) agents’: elke andere techblog probeert me te laten zien ‘hoe je in 5 minuten een agent bouwt’. In elk stukje technisch nieuws komt weer een glimmende startup aan bod die producten bouwt op basis van LLM-agenten (Large Language Model), of een groot technisch bedrijf dat een nieuwe bibliotheek voor het bouwen van agenten uitbrengt of een agentprotocol met een mooie naam uitbrengt (heb je wel genoeg MCP en Agent2Agent gezien?).

Opeens lijken grote taalmodellen (LLM's) overal te zijn. Al deze flitsende demo's laten zien dat deze digitale beesten meer dan in staat lijken om code te schrijven, workflows te automatiseren en inzichten te ontdekken. Ze dreigen zelfs alles te vervangen... nou ja, bijna alles.

Helaas zijn veel van onze zakelijke klanten het hiermee eens. Ze vragen actief om proxyfuncties in hun producten te integreren. Ze aarzelen niet om nieuwe agentontwikkelingsprojecten te financieren, uit angst om achterop te raken bij de concurrentie bij het benutten van deze nieuwe technologie.

Als expert in AI-analyse moet ik bekennen dat ik, na het zien van de indrukwekkende oplossingen van mijn collega's en de enthousiaste reacties van klanten, last kreeg van de angst om iets te missen (FOMO).

Ik vroeg me eerlijk gezegd af: wordt het werk dat ik doe steeds irrelevanter?

Nadat ik met deze vraag had geworsteld, kwam ik tot de volgende conclusie:

Nee, dat is helemaal niet het geval.

In dit blogbericht wil ik mijn gedachten delen over waarom de snelle opkomst van Large Language Model (LLM)-agents het belang van analytische AI ​​niet vermindert . Sterker nog, ik geloof dat het juist het tegenovergestelde effect heeft: het creëert ongekende mogelijkheden voor zowel analytische als agent-AI.

Laten we eens kijken waarom.

Voordat we in de details duiken, willen we eerst de terminologie even verduidelijken:

• Analytische AIIk doel hierbij vooral op statistische modellering en machine learning-technieken toegepast op kwantitatieve en numerieke gegevens. Denk aan industriële toepassingen zoals anomaliedetectie, tijdreeksvoorspellingen, optimalisatie van productontwerp, voorspellend onderhoud, digitale tweelingen, enzovoort.
• Grote taalmodelagenten (LLM-agenten):Ik verwijs naar AI-systemen die grote taalmodellen (LLM's) gebruiken als kern die taken autonoom kunnen uitvoeren door het combineren van het begrijpen van natuurlijke taal, redeneren, plannen, geheugen en het gebruik van tools.

• Analytische AIIk doel hierbij vooral op statistische modellering en machine learning-technieken toegepast op kwantitatieve en numerieke gegevens. Denk aan industriële toepassingen zoals anomaliedetectie, tijdreeksvoorspellingen, optimalisatie van productontwerp, voorspellend onderhoud, digitale tweelingen, enzovoort.
• Grote taalmodelagenten (LLM-agenten):Ik verwijs naar AI-systemen die grote taalmodellen (LLM's) gebruiken als kern die taken autonoom kunnen uitvoeren door het combineren van het begrijpen van natuurlijke taal, redeneren, plannen, geheugen en het gebruik van tools.

 

Standpunt 1: Analytische AI ​​vormt de cruciale kwantitatieve basis voor LLM-agenten (Large Language Model).

Ondanks indrukwekkende mogelijkheden op het gebied van het begrijpen en genereren van natuurlijke taal, ontberen grote taalmodellen (LLM's) fundamenteel de kwantitatieve nauwkeurigheid die voor veel industriële toepassingen vereist is. Hierbij is analytische AI ​​onmisbaar, aangezien LLM-agenten (Large Language Models) de benodigde, sterke wiskundige basis bieden.

Er zijn een paar belangrijke manieren waarop analytische AI ​​de prestaties kan verbeteren, door LLM-agenten (Large Language Model) te voorzien van een precieze wiskundige basis en ervoor te zorgen dat ze in overeenstemming met de werkelijkheid werken:

 

🛠️ Analytische kunstmatige intelligentie als essentiële tools

Het integreren van analytische AI ​​als gespecialiseerde, aanroepbare hulpmiddelen is het meest voorkomende patroon om LLM-agenten (Large Language Model) te voorzien van kwantitatieve fundamenten.

Er bestaat een lange traditie (vóór de huidige hype rondom grote taalmodellen) om gespecialiseerde analytische AI-hulpmiddelen te ontwikkelen voor diverse sectoren, om uitdagingen aan te pakken met behulp van echte operationele data. Deze uitdagingen, of het nu gaat om het voorspellen van apparatuuronderhoud of het voorspellen van energieverbruik, vereisen een hoge numerieke nauwkeurigheid en geavanceerde modelleringsmogelijkheden. Eerlijk gezegd verschillen deze mogelijkheden fundamenteel van de linguïstische en inferentiële sterke punten die kenmerkend zijn voor de grote taalmodellen van vandaag de dag.

Deze solide basis van analytische AI ​​is niet alleen relevant, maar essentieel voor het opzetten van grote taalmodelagenten met realistische nauwkeurigheid en operationele betrouwbaarheid. De voornaamste drijfveer hierachter is het scheiden van de taken : laat de grote taalmodelagenten het begrijpen, redeneren en plannen afhandelen, terwijl de analytische AI-tools de gespecialiseerde kwantitatieve analyses uitvoeren waarvoor ze zijn getraind.

In dit model kunnen analytische AI-tools meerdere cruciale rollen spelen. Allereerst kunnen ze de mogelijkheden van de agent versterken met geavanceerde analytische vermogens die de agent van nature mist. Ze kunnen ook de output/hypothesen van de agent valideren aan de hand van data uit de praktijk en geleerde patronen. Ten slotte kunnen ze fysieke beperkingen opleggen , zodat de agenten binnen een realistisch mogelijke ruimte opereren.

Om een ​​concreet voorbeeld te geven: stel je een grote taalmodelagent voor die de taak heeft een complex halfgeleiderproductieproces te optimaliseren om de productiviteit te verhogen en de stabiliteit te behouden. In plaats van uitsluitend te vertrouwen op tekstlogboeken en notities van de operator, communiceert de agent voortdurend met een reeks gespecialiseerde analytische AI-tools om in realtime een kwantitatief en contextueel rijk inzicht te krijgen in het proces.

Om bijvoorbeeld een hoge doorvoer te realiseren, raadpleegt de agent een vooraf getraind XGBoost-model om de potentiële doorvoer te voorspellen op basis van honderden sensorwaarden en procesparameters. Dit geeft de agent inzicht in de kwaliteitsresultaten.

Tegelijkertijd, om de processtabiliteit en constante kwaliteit te waarborgen, roept de agent een autoencoder-model aan (dat is getraind op normale procesgegevens) om potentiële afwijkingen of storingen in de apparatuur te identificeren voordat ze de productie verstoren.

Wanneer zich potentiële problemen voordoen, zoals aangegeven door het anomaliedetectiemodel, moet de agent het pad optimaal corrigeren. Hiervoor roept de agent een op beperkingen gebaseerd optimalisatiemodel aan , dat een Bayesiaans optimalisatiealgoritme gebruikt om optimale aanpassingen aan de procesparameters aan te bevelen.

In dit scenario fungeert de grote taalmodelagent in feite als een intelligente coördinator. Het interpreteert doelstellingen op hoog niveau, plant query's in geschikte analytische AI-tools, leidt de kwantitatieve uitkomsten hiervan af en vertaalt deze complexe analyses naar bruikbare inzichten voor operators of activeert zelfs geautomatiseerde aanpassingen. Dankzij deze samenwerking blijven agenten van grote taalmodellen robuust en betrouwbaar bij het aanpakken van complexe, reële industriële problemen.

 

🪣 Analytische AI ​​als digitale testomgeving

Naast de herbruikbaarheid biedt analytische AI ​​nog een cruciale mogelijkheid: het creëren van realistische simulatieomgevingen waarin Large Language Model (LLM)-agenten worden getraind en geëvalueerd voordat ze met de fysieke wereld interageren. Dit is met name waardevol in industriële omgevingen waar storingen ernstige gevolgen kunnen hebben, zoals schade aan apparatuur of veiligheidsincidenten. Dergelijke digitale simulaties zijn essentieel voor het waarborgen van procesveiligheid en het optimaliseren van de prestaties.

Analytische AI-technieken zijn uitermate geschikt voor het creëren van nauwkeurige representaties van industriële activa of processen door te leren van zowel historische operationele gegevens als van de onderliggende fysische vergelijkingen (denk aan methoden zoals natuurkundig geïnformeerde neurale netwerken). Deze digitale tweelingen leggen fundamentele fysische principes, operationele beperkingen en inherente systeemvariabiliteit vast. Het gebruik van deze digitale tweelingen maakt nauwkeurige analyses en betrouwbare voorspellingen mogelijk.

In deze virtuele wereld die wordt aangestuurd door analytische AI, kan een LLM-agent (Large Language Model) worden getraind door eerst gesimuleerde sensorgegevens te ontvangen, beslissingen te nemen over controleacties en vervolgens de systeemreacties te observeren die zijn berekend door de analytische AI-simulatie. Hierdoor kunnen agenten in een veel kortere tijd vele proefondervindelijke leercycli doorlopen en zichzelf op een veilige manier blootstellen aan een scala aan realistische bedrijfsomstandigheden. Hierdoor wordt het ontwikkelingsproces versneld en worden de risico’s verkleind.

Naast het trainen van agents bieden deze AI-gestuurde simulaties een gecontroleerde omgeving voor het nauwkeurig evalueren en vergelijken van de prestaties en robuustheid van verschillende agentconfiguraties of besturingsbeleidsregels vóór de daadwerkelijke implementatie. Deze uitgebreide evaluatie garandeert optimale prestaties en betrouwbaarheid.

Neem bijvoorbeeld het beheer van een elektriciteitsnet. Een Large Language Model (LLM)-agent (of meerdere agenten) die ontworpen is om de integratie van hernieuwbare energie te verbeteren, kan worden getest in een dergelijke gesimuleerde omgeving, ondersteund door meerdere analytische AI-modellen: we kunnen bijvoorbeeld een fysica-geïnformeerd neuraal netwerk (PINN)-model gebruiken om complexe dynamische energiestromen te beschrijven. We kunnen ook probabilistische voorspellingsmodellen gebruiken om realistische weerpatronen en hun impact op de opwekking van hernieuwbare energie te simuleren. In deze rijke omgeving kunnen de LLM-agent(en) leren om geavanceerde besluitvormingsstrategieën te ontwikkelen om het net in balans te houden onder wisselende weersomstandigheden, zonder het risico te lopen op daadwerkelijke verstoringen van de dienstverlening. Dit maakt efficiënt en duurzaam beheer van het elektriciteitsnet mogelijk.

Het komt erop neer dat dit allemaal niet mogelijk zou zijn zonder analytische AI. Het vormt de kwantitatieve basis en de fysieke beperkingen die de ontwikkeling van veilige en efficiënte agenten tot een realiteit maken. Analytische AI ​​is de hoeksteen voor de ontwikkeling van intelligente en betrouwbare systemen.

 

📈 Analytische kunstmatige intelligentie als operationeel hulpmiddel

Als we het grotere geheel vanuit een nieuw perspectief bekijken, is een Large Language Model Agent (LLM) – of zelfs een team ervan – dan niet gewoon een ander type besturingssysteem dat beheerd moet worden zoals elk ander industrieel product of proces?

Dit betekent feitelijk dat alle principes van ontwerp, optimalisatie en monitoring van systemen nog steeds van toepassing zijn. En weet je wat? Analytische AI ​​is hét hulpmiddel daarvoor.

Analytische AI ​​heeft opnieuw de potentie om ons voorbij de huidige werkwijze van vallen en opstaan ​​te brengen en ons te leiden naar objectieve , datagedreven benaderingen voor het beheer van intelligente systemen. Wat te denken van het gebruik van Bayesiaanse optimalisatiealgoritmen voor het ontwerpen van agentarchitecturen en -configuraties? Of van het toepassen van operationeel onderzoek om de toewijzing van computerbronnen te optimaliseren of orderwachtrijen efficiënt te beheren? Of van het gebruik van methoden voor anomaliedetectie in tijdreeksen om agenten te waarschuwen voor gedrag in realtime?

Door een LLM-agent (Large Language Model) te behandelen als een complex systeem dat onderhevig is aan kwantitatieve analyse, ontstaan ​​er veel nieuwe mogelijkheden. Het is juist deze operationele discipline, mogelijk gemaakt door analytische AI, die deze agenten kan verheffen van louter ‘demonstratie’ tot iets betrouwbaars, efficiënts en ‘werkelijk bruikbaars’ in moderne industriële operaties.

 

Standpunt 2: Analytische kunstmatige intelligentie kan worden versterkt door Large Language Model (LLM)-agenten dankzij hun contextuele intelligentie.

We hebben uitgebreid besproken hoe belangrijk analytische AI ​​is voor het grote ecosysteem van taalmodelagenten. Maar deze krachtige synergie werkt beide kanten op. Analytische AI ​​kan ook de unieke sterke punten van grote taalmodelagenten benutten om de bruikbaarheid, effectiviteit en uiteindelijk de impact in de echte wereld te verbeteren. Dit zijn punten die analytische AI-professionals niet willen missen over grote taalmodelagenten, omdat ze de data-analyse en besluitvormingsprocessen aanzienlijk kunnen verbeteren.

 

🧩 Van vage doelen naar oplosbare problemen

Vaak begint de behoefte aan analyse met een vaag bedrijfsdoel op hoog niveau, zoals: ‘We moeten de productkwaliteit verbeteren.’ Om dit doel haalbaar te maken, moeten beoefenaars van analytische AI ​​herhaaldelijk verduidelijkende vragen stellen om de werkelijke doelfuncties, specifieke beperkingen en beschikbare invoergegevens te achterhalen. Dit leidt onvermijdelijk tot een zeer tijdrovend proces. Hiervoor is diepgaand inzicht nodig in relevante KPI's (Key Performance Metrics).

Het goede nieuws is dat LLM-agenten (Large Language Model) hierin excelleren. Ze kunnen deze dubbelzinnige, in natuurlijke taal gestelde vragen interpreteren, verhelderende vragen stellen en deze formuleren in goed gestructureerde kwantitatieve problemen die direct kunnen worden opgelost met analytische AI-tools. Hierdoor wordt het proces van het identificeren en formuleren van problemen aanzienlijk versneld, wat kostbare tijd bespaart voor data-analyseteams.

 

📚 Verrijking van AI-analysemodellen met context en kennis

Traditionele analytische AI-modellen werken voornamelijk met numerieke gegevens. Voor grotendeels ongebruikte, ongestructureerde gegevens kunnen LLM-agenten (Large Language Model) zeer nuttig zijn om nuttige informatie te extraheren voor kwantitatieve analyses.

Zo kunnen Large Language Model (LLM)-agenten bijvoorbeeld documenten, rapporten en tekstbestanden analyseren om belangrijke patronen te identificeren en deze kwalitatieve observaties om te zetten in kwantitatieve kenmerken die analytische AI-modellen kunnen verwerken. Deze stap van feature engineering verbetert de prestaties van analytische AI-modellen vaak aanzienlijk, doordat ze toegang krijgen tot inzichten die verborgen liggen in ongestructureerde data en die ze anders zouden missen. Geavanceerde feature engineering is essentieel voor het verbeteren van de nauwkeurigheid van modellen.

Een ander belangrijk toepassingsgebied is data-naamgeving . Hierbij kunnen Large Language Model (LLM)-agenten automatisch nauwkeurige klasselabels en annotaties genereren. Door trainingsdata van hoge kwaliteit aan te leveren, kunnen ze de ontwikkeling van krachtige supervised learning-modellen aanzienlijk versnellen.

Ten slotte kunnen LLM-agenten, door gebruik te maken van de kennis van Large Language Model (LLM)-agenten, of deze nu vooraf getraind zijn binnen een LLM of actief onderzocht worden in externe databases, de opzet van een geavanceerde analysepipeline automatiseren. LLM-agenten kunnen geschikte algoritmen en parameterinstellingen aanbevelen op basis van probleemkenmerken [1], code genereren om aangepaste probleemoplossingsstrategieën te implementeren, of zelfs automatisch experimenten uitvoeren om hyperparameters te finetunen [2].

 

💡Van technische uitkomsten naar bruikbare inzichten

Analytische AI-modellen produceren vaak complexe uitkomsten en het correct interpreteren ervan vergt deskundigheid en tijd. Aan de andere kant kunnen grote taalmodellen (LLM's) als 'vertalers' fungeren door deze dichte kwantitatieve resultaten om te zetten in heldere, toegankelijke verklaringen in natuurlijke taal.

Deze interpreteerbaarheid speelt een cruciale rol bij het uitleggen van de beslissingen van analytische AI-modellen op een manier die menselijke operators snel kunnen begrijpen en waarop ze kunnen reageren. Bovendien kan deze informatie zeer waardevol zijn voor modelontwikkelaars bij het valideren van modeluitvoer, het identificeren van potentiële problemen en het verbeteren van de modelprestaties. Dit proces bevordert een dieper begrip van AI-processen.

Naast technische uitleg kunnen LLM-agenten ook gepersonaliseerde antwoorden genereren voor verschillende soorten doelgroepen: technische teams ontvangen gedetailleerde methodologische uitleg, operationeel personeel kan praktische implicaties zien en leidinggevenden kunnen samenvattingen ontvangen met daarin belangrijke cijfers over de impact op de bedrijfsvoering. Door deze maatwerkoplossing kunnen we garanderen dat de juiste informatie bij de juiste belanghebbenden terechtkomt.

Door als vertalers op te treden tussen analysesystemen en menselijke gebruikers, kunnen Large Language Model (LLM)-agenten de praktische waarde van analytische kunstmatige intelligentie aanzienlijk vergroten.

 

Standpunt 3: Misschien ligt de toekomst in echte samenwerking tussen analytische AI ​​en agent-AI.

Of LLM-agenten (Large Language Model) nu een beroep doen op analytische AI-hulpmiddelen of dat analytische systemen LLM-agenten gebruiken voor interpretatie, de benaderingen die we tot nu toe hebben besproken, draaiden altijd om het feit dat één type AI verantwoordelijk is voor een ander type. Dit brengt feitelijk een aantal beperkingen met zich mee die de moeite van het bestuderen waard zijn.

In de eerste plaats worden analytische AI-componenten in het huidige model alleen als passieve hulpmiddelen gebruikt en worden ze alleen aangeroepen wanneer het grote taalmodel daartoe besluit. Hierdoor kunnen ze niet proactief inzichten aandragen of aannames in twijfel trekken.

Bovendien is de typische agentenlus van “plannen-bellen-reageren-handelen” sequentieel van aard. Dit kan inefficiënt zijn voor taken die kunnen profiteren van parallelle verwerking of asynchrone AI-interactie.

Een andere beperkende factor is de beperkte bandbreedte van de verbinding. API-aanroepen kunnen mogelijk niet de rijke context bieden die nodig is voor een echte dialoog of tussentijdse uitwisseling van conclusies.

Om grote taalmodelagenten voor analytische AI-hulpmiddelen te begrijpen, is beknopte documentatie en een parameterschema vaak essentieel. Agenten met grote taalmodellen maken vaker fouten bij de selectie van tools, terwijl analytische AI-componenten niet over de context beschikken om te herkennen wanneer ze verkeerd worden gebruikt.

Het feit dat het terugroeppatroon van gereedschap tegenwoordig wijdverbreid is, betekent niet dat de toekomst er hetzelfde uit zal zien. Misschien ligt de toekomst in een model van echte peer-to-peer-samenwerking, waarin geen enkele AI dominant is.

Hoe zou dit er in de praktijk uit kunnen zien? Een interessant voorbeeld dat ik vond, is een oplossing van Siemens [3].

In hun slimme fabriekssysteem is een digitaal tweelingmodel opgenomen dat voortdurend de gezondheid van de apparatuur bewaakt. Wanneer de conditie van de versnellingsbak verslechtert, wacht het analytische AI-systeem niet totdat er een melding wordt gedaan, maar genereert het proactief waarschuwingen. De Copilot LLM-agent bewaakt dezelfde gebeurtenisvector. Wanneer het systeem wordt gewaarschuwd, (1) kruisverwijst het naar onderhoudsgegevens, (2) “vraagt” het de tweeling om simulaties opnieuw uit te voeren met de komende dienstpatronen, en (3) adviseert het aanpassingen aan de planning om kostbare downtime te voorkomen. Wat dit voorbeeld uniek maakt, is dat het analytische AI-systeem niet slechts een passief hulpmiddel is. Integendeel, de dialoog begint wanneer dat nodig is.

Dit is natuurlijk slechts één mogelijke systeemarchitectuur. Andere richtingen zijn onder meer multi-agentsystemen met gespecialiseerde cognitieve functies, of misschien zelfs het trainen van deze systemen om hybride modellen te ontwikkelen die aspecten van beide AI-systemen combineren (net zoals mensen geïntegreerd wiskundig en taalkundig redeneren ontwikkelen), of simpelweg inspiratie putten uit gevestigde ensemble-leermethoden door grootschalige taalmodelagenten en analytische AI ​​te behandelen als verschillende modeltypen die systematisch kunnen worden geïntegreerd. De mogelijkheden voor de toekomst zijn eindeloos.

Maar dit roept ook fascinerende onderzoeksuitdagingen op. Hoe ontwerpen we gedeelde representaties ? Welke architectuur ondersteunt asynchrone informatie-uitwisseling het best ? Wat zijn de ideale communicatieprotocollen tussen analytische AI ​​en agenten?

Deze vragen vertegenwoordigen nieuwe horizonten die zeker de expertise van analytische AI-professionals vereisen. Nogmaals, diepgaande kennis van het bouwen van analytische modellen met kwantitatieve nauwkeurigheid is niet achterhaald, maar essentieel voor het bouwen van de hybride systemen van de toekomst.

 

Vierde perspectief: laten we een geïntegreerde toekomst omarmen.

Zoals we in dit artikel hebben gezien, ligt de toekomst niet in "Analytische AI ​​versus agenten met een groot taalmodel (LLM)", maar eerder in "Analytische AI ​​+ agenten met een groot taalmodel (LLM)".

In plaats van dat ik me zorgen maak over LLM-agenten (Large Language Models), ben ik nu enthousiast over de veranderende rol van analytische AI. De analytische fundamenten die we hebben gelegd, zijn niet achterhaald; Ze vormen essentiële componenten van een capabeler AI-ecosysteem.

Laten we bouwen.

de recensent

[1] Chen et al., PyOD 2: Een Python-bibliotheek voor het detecteren van uitschieters met LLM-gestuurde modelselectie. arXiv, 2024.

[2] Liu et al., Grote taalmodellen ter verbetering van Bayesiaanse optimalisatie . arXiv, 2024.

[3] Siemens onthult baanbrekende innovaties op het gebied van industriële AI en digitale tweelingtechnologie op CES 2025. Persbericht, 2025.