Eastern European Machine Learning (EEML) School är ingen vanlig konferens. I år var det en livfull konferens där forskare och ingenjörer granskade de verkliga utmaningarna inom AI, vart området är på väg och vilka hinder som dyker upp längs vägen – långt bortom ramen för klassisk maskininlärning.
EEML 2025 visade tydligt en sak: AI:s framtid kommer inte att byggas enbart på monolitiska modeller. Intresset kring agentbaserad AI är påtagligt. Det känns som om vi närmar oss de tekniska gränserna för vad monolitiska stora språkmodeller (LLM) kan åstadkomma på egen hand.
Det kommer att bygga på specialiserade, samverkande system som har satts samman med precision, målmedvetenhet och en hel del felsökning.
Efter att ha deltagit i EEML 2025 vill jag lyfta fram tre teman som särskilt stack ut.
1. Agentbaserad AI och framväxten av multiagent-system
Hypen kring Agentic AI är inte bara tomt prat – den är ett tecken på en strukturell förändring i hur vi ser på utvecklingen av intelligenta system.
I takt med att stora språkmodeller (LLM) börjar nå en platå när det gäller vad de kan åstadkomma på egen hand, vänder sig branschen mot ekosystem bestående av mindre, ändamålsinriktade agenter. Dessa agenter utför inte bara uppgifter – de samarbetar, delegerar och lär sig att agera mer som lagkamrater än som verktyg.
Nya ramverk som LangGraph och CrewAI möjliggör detta beteende redan idag, vilket gör att agenter kan samordna sig, förhandla och agera i samverkan. Utmaningen nu är att möjliggöra ett djupare samarbete – där protokoll som Googles föreslagna Agent-to-Agent (A2A)-kommunikation lägger en tidig grund.
Det viktigaste är att denna utveckling inte bara riktar sig till ML-specialister. Den öppnar dörrar för traditionella backend- och serversidiga utvecklare – särskilt de som har kompetens inom integration och arkitektur – att ta sig in på AI-utvecklingens framkant.
Tekniker som Retrieval-Augmented Generation (RAG) och vektordatabaser är numera standardkomponenter i dessa system, vilket innebär att minne och kontextuell intelligens integreras i processen.
Om 2024 var ”promptingens” år, ser 2025 ut att bli ”orkestreringens” år.
2. Maskininlärning inom hälso- och sjukvården: Mycket står på spel, svåra problem
Även om agentbaserade ramverk dominerade de framtidsinriktade diskussionerna, hölls det också en mängd fascinerande föredrag om specifika tillämpningar av klassisk maskininlärning. Ett som särskilt stack ut var en djupdykning i maskininlärning inom medicinen, där Emma Rocheteau belyste de stora svårigheter som forskarna för närvarande står inför.
Vid första anblicken verkar medicin vara en perfekt tillämpningsområde för maskininlärning (ML), tack vare den enorma mängden tillgängliga data och möjligheten till proaktiva, modellbaserade prognoser. Verkligheten är, som alltid, betydligt mer komplex. Även om det finns några enstaka lysande exempel är de flesta nuvarande AI-/ML-systemen inom hälso- och sjukvården inte särskilt väloptimerade.
Kärnproblemet ligger i själva data. Medicinska data är ofta oordnade, partiska och glesa, vilket skapar enorma, missvisande samband mellan variabler som kan försämra en modells prestanda i verkligheten. Dessutom är konsekvenserna av ett misstag oerhört allvarliga. Även om en viss felmarginal är acceptabel inom många områden är det en helt annan sak när man satsar människoliv.
För att motverka detta går branschen mot domänanpassning och federerat lärande. Strategin går ut på att träna specialiserade modeller på specifika, noggrant utvalda datamängder för att göra förutsägelser om mycket specifika problem. Genom att arbeta med mindre, renare datamängder där falska korrelationer är lättare att upptäcka kan forskarna minska risken för katastrofala fel och undvika att förvirra modellerna med kraven från icke-specialiserade data. Detta speglar det mönster som ses inom agentbaserad programvara – vi skapar specialiserade modeller för specialiserade uppgifter. Medicinen går mot ett AI-system med flera modeller, inte en allt-i-ett-lösning.
MLOPS inom detta område utgör också en spännande utmaning, eftersom en stor del av träningsdata innehåller känslig information som inte uppfyller gällande regelverk. Det pågår ett omfattande arbete med att rensa dessa data och utveckla robusta valideringskontroller för att säkerställa efterlevnad av standarder som HIPAA och GDPR.
3. Har vi nått gränserna för stora språkmodeller?
I en av veckans mest fängslande översikter höll Razvan Pascanu inte tillbaka i sitt inledningsanförande. Efter flera år på LLM-vågen kanske vi nu närmar oss dess naturliga gränser.
Två motstridiga krafter präglar nästa fas:
Denna spänning blev tydlig direkt efter toppmötet, när OpenAI släppte en kompakt GPT-modell med öppen källkod – och därmed anslöt sig till Metas Llama-serie och andra aktörer i det snabbt växande ekosystemet för smidig, lokalorienterad AI.
Pascanus slutsats? Om vi vill uppleva ett nytt genombrott liknande det som Transformers gav oss, behöver vi helt nya modellarkitekturer – inte bara större GPU:er eller mer data.
För mig är den viktigaste slutsatsen från EEML att AI utan tvekan är här för att stanna. Det finns konkreta, påtagliga användningsområden för AI, och det kommer att förändra vårt sätt att interagera med tekniken i grunden.
Men de avgörande frågorna kvarstår. Vem blir nästa stora aktör som introducerar en ny arkitektur med samma genomslagskraft som Transformer, som satte igång hela LLM-eran? Och hur kan vi fortsätta att kostnadsoptimera befintliga LLM:er och använda dem som ett grundläggande lager för interaktion, uppgiftsdelegering och domänspecialisering för att lösa världens mest komplexa problem?
Samtalen på EEML tyder på att svaren inte kommer att komma från en enda, allsmäktig modell, utan från ett samarbetsbaserat ekosystem av specialiserad intelligens.
