Onderzoekers hebben ZETA ontwikkeld, een nieuw systeem voor visuele AI-agenten dat de interpretatie van opdrachten loskoppelt van de feitelijke uitvoering. Deze aanpak moet de betrouwbaarheid van AI bij complexe wetenschappelijke beeldanalyses verhogen door fouten in redenering te scheiden van fouten in waarneming.
In de wetenschappelijke wereld is de analyse van beelden vaak een complex proces waarbij verschillende vaardigheden nodig zijn, zoals het tellen van objecten, segmentatie, detectie of het beschrijven van visuele data. Volgens een recent onderzoekspapier op arxiv.org kampen huidige multi-tool architecturen echter met een fundamenteel probleem: ze voegen de interpretatie van de intentie samen met de visuele uitvoering. Dit zorgt ervoor dat het onduidelijk blijft of een foutieve uitkomst is veroorzaakt door een verkeerde keuze van de tool (een redeneerfout) of door een falen in de visuele verwerking (een waarnemingsfout).
De introductie van ZETA
Om dit probleem aan te pakken, hebben Shubhabrata Mukherjee, Jeffrey Donatelli en Daniela Ushizima de ZETA-architectuur ontwikkeld. ZETA is ontworpen als een uitbreidbaar systeem dat de routingpolicy — de beslissing over welke tool gebruikt moet worden — strikt scheidt van de actie-uitvoering. In plaats van direct een visuele tool aan te roepen, lost ZETA eerst de wetenschappelijke intentie op.
Een cruciaal aspect van deze benadering is dat metingen worden behandeld als deterministische operaties die gebaseerd zijn op expliciete geometrie. Hiermee stapt het systeem af van puur generatieve output, wat volgens de auteurs van het essentieel is voor automatisering in omgevingen met een hoog risico. Door de "black box" van de besluitvorming te openen, kunnen ontwikkelaars nu onafhankelijk evalueren waar een proces precies misgaat.
Significante verbeteringen in nauwkeurigheid
De effectiviteit van ZETA is getest via een zero-shot benchmark bestaande uit 51 queries met wetenschappelijke intenties. De resultaten tonen aan dat expliciete routing-semantiek de nauwkeurigheid van de toolkeuze aanzienlijk kan verbeteren, vooral wanneer verschillende acties semantisch dicht bij elkaar liggen.
De impact varieert per model, maar voor het model Qwen 3.8 waren de resultaten opvallend. Zo steeg de nauwkeurigheid bij het routen naar segmentatie-tools van 6,2% naar 75,0%. Voor detectie-routing steeg de nauwkeurigheid van 60,0% naar een volledige 100%, zoals beschreven in de .
Auditbaarheid en betrouwbaarheid
Het belangrijkste voordeel van ZETA is de introductie van observeerbare executie-sporen. Hierdoor kunnen routingbeslissingen en de daaropvolgende visuele artefacten apart worden geanalyseerd. Dit stelt onderzoekers in staat om een duidelijk onderscheid te maken tussen fouten in de intentie-selectie en fouten in de visuele uitvoering.
Volgens de biedt dit de noodzakelijke infrastructuur om betrouwbare visuele AI-agenten in te zetten voor wetenschappelijke doeleinden. Zonder deze scheiding blijft het lastig om AI-systemen te auditeren, wat een kritieke vereiste is voor high-stakes wetenschappelijke automatisering.
Hoewel andere digitale diensten, zoals de theaa.com, zich richten op logistieke navigatie en verkeersinformatie voor weggebruikers, richt de "routing" in ZETA zich puur op de logische navigatie door softwarematige actieruimtes binnen kunstmatige intelligentie. Waar een helpt bij het vinden van de kortste weg op een kaart, helpt ZETA een AI-agent om de correcte analytische weg te bewandelen om tot een wetenschappelijk correct resultaat te komen.