Agentic AI voor Verantwoord Toerisme Aanbevelingen

Hoe kunnen op AI gebaseerde aanbevelingssystemen verder gaan dan het optimaliseren van individuele voorkeuren om meer verantwoord toerisme te ondersteunen?  We beginnen met het onderzoeken van de evolutie van traditionele aanbevelingssystemen naar LLM-gestuurde en agentische aanbevelingen, en verkennen hoe LLM's rijkere contextuele begrip, conversatie-interactie en redenering mogelijk maken, en hoe agentische AI meerdere doelstellingen en belanghebbenden kan integreren in het aanbevelingsproces. Door deze overgang te verankeren in praktisch onderzoek, lichten we twee recente projecten uit: Collab-REC, een multi-agenten framework dat personalisatie, populariteit en duurzaamheidsdoelstellingen samenbrengt, en TRACE, een interactief conversationsysteem ontworpen om gebruikers te helpen meer duurzame reiskeuzes te begrijpen en overwegen. Met Gemini en Google’s Agent Development Kit (ADK) illustreren deze projecten hoe opkomende agentische architecturen onderzoeksideeën kunnen vertalen naar praktische AI-systemen. Kijkend naar de toekomst, naarmate agentische aanbevelers autonomer en gepersonaliseerder worden, ontstaan er nieuwe vragen rond privacy, transparantie, evaluatie, aansprakelijkheid en de balans tussen gebruikersvoorkeuren en maatschappelijke en milieueffecten. De lezing verkent deze open uitdagingen en kansen voor het bouwen van AI-systemen die niet alleen capabeler zijn, maar ook verantwoordelijker. Wie zou moeten deelnemen?  De onderliggende architectuur van aanbevelingssystemen lost een universele bottleneck in AI voor Wetenschap op: hoe autonoom agent systemen bouwen die onderhandelen over complexe, concurrerende doelstellingen in plaats van te optimaliseren voor een enkele metriek. Of je nu therapeutische effectiviteit tegen toxiciteit in gezondheidszorgregimes balanceert, mechanische prestaties tegen levenscyclus koolstofvoetafdrukken in materiaalontdekking afweegt, of ecologische beperkingen in geowetenschappelijke hulpbronnenmodellering navigeert, de uitdaging is identiek. Deelnemers zullen praktische workflows mee naar huis nemen voor het orkestreren van multi-agent consensus, het verankeren van generatieve agenten in strikte domeinbeperkingen, en het ontwerpen van transparante redeneringen met gebruikers in de loop. Als je onderzoek AI-workflows vereist die redeneren over multi-belanghebbenden afwegingen, ethiek en duurzaamheid, biedt deze sessie een actiegericht blauwdruk die toepasbaar is in zowel wetenschappelijke ontdekking als engineering.