Multi-Agent Large Language Models for Distributed Internet of Things Analytics in Smart Environments
Aygün Varol, Asif Shaikh, Naser Hossein Motlagh, Mirka Leino and Johanna Virkki · SpliTech 2026, IEEE
Pieniä kielimallagentteja sisältävä tiimi edullisilla reunatietokoneilla vastasi kysymyksiin rakennuksen antureista täydellisesti, kunnes yksi agentti poistettiin käytöstä tai muuttui vihamieliseksi, mikä vähensi tarkkuutta yli kolmanneksella.
Tiivistelmä
Esineiden internet (IoT) -anturit älykkäissä ympäristöissä tuottavat suuria tietovirtoja, jotka voivat mahdollistaa älykkään automaation ja käyttäjäkeskeiset palvelut. Kuitenkin suurten kielimallien (LLM) hyödyntäminen IoT-tietojen käsittelyssä resurssirajoitetuissa sisätiloissa tuo haasteita laskentatehon, vasteaikojen ja palvelun laadun tasapainottamisessa heterogeenisten laskentaresurssien kesken. Tässä artikkelissa esittelemme hierarkkisen monitoimijarakenteen, jossa valvojan agentti, joka toimii reunalaitteella, delegoi tehtäviä sijaintikohtaisille työntekijäagenteille, jotka on sijoitettu Raspberry Pi -laitteisiin. Agentit tekevät yhteistyötä jakamalla analytiikkakuormia heterogeeniselle laitteistolle, samalla kun Retrieval-Augmented Generation (RAG) sitoo LLM:n tulokset taustalla oleviin anturimittauksiin. Asennamme BME680-antureita kolmeen paikkaan (toimisto, keittiö, käytävä) ja osoitamme toteutettavuuden kokeellisen käyttöönoton kautta Tampereen yliopistossa. Kokeet 135 kysymyksellä osoittavat, että järjestelmä saavuttaa 100 % tarkkuuden normaalissa toiminnassa, säilyttää 88,9 % tarkkuuden heikentyneessä toiminnassa, jossa yksi agentti on offline-tilassa, ja laskee 62,2 %:iin vihamielisen häiriön vaikutuksesta monitoimijajärjestelmässä.