Wat is Hierarchical Planning?

Hoe werkt het eigenlijk?

Hierarchical Planning is een strategie waarbij een AI-systeem een complexe taak niet in één keer probeert op te lossen, maar het probleem opdeelt in lagen van subtaken. Stel je voor dat je een bedrijfsevenement organiseert: je begint niet meteen met het bestellen van hapjes. Je bepaalt eerst het grote plaatje (wat voor event, hoeveel mensen, budget), daarna de hoofdstappen (locatie, catering, programma), en pas dan de details (welke wijn, welke spreker op welk tijdstip).

Een AI-agent die hierarchical planning gebruikt, werkt op dezelfde manier. Bovenaan heb je een 'hoog-niveau planner' die het einddoel definieert en dit opsplitst in grote brokken. Elke brok wordt weer opgeknipt in kleinere taken, totdat je bij concrete acties uitkomt die de agent direct kan uitvoeren. Dit scheelt enorm veel rekenkracht: in plaats van alle mogelijke bewegingen te overwegen vanaf de startpositie tot het doel, richt elke laag zich op zijn eigen deelprobleem.

Waarom zou jij hier iets aan hebben?

Voor complexe problemen is dit de enige manier om überhaupt een oplossing te vinden. Zonder hiërarchie zou een robot die een kamer moet opruimen alle mogelijke volgorden van bewegingen moeten uitproberen — dat zijn er astronomisch veel. Met hierarchical planning kan de robot eerst beslissen: "Eerst de grote spullen, dan de kleine dingen", vervolgens per categorie een plan maken, en dan pas de exacte grip en beweging bepalen.

In de praktijk zie je dit terug bij:

• Robotica: een magazijnrobot die orders verzamelt, plant eerst zijn route door het magazijn (hoog niveau), kiest dan per gangpad welke schappen (middenniveau), en pakt ten slotte elk product (laag niveau)

• Game-AI: een vijand in een strategiespel bepaalt eerst zijn overall strategie (aanvallen/verdedigen), dan welke eenheden waar naartoe, en ten slotte de exacte bewegingen

• Logistiek: routeplanning voor vrachtwagens — eerst welke regio's, dan welke steden per regio, dan de straten in elke stad

• Productieprocessen: een AI die een fabriek aanstuurt, plant eerst de productievolumes per week, dan de dagschema's, en ten slotte de machineinstellingen per batch

Waar kom je het tegen?

Hierarchical planning zit verweven in allerlei AI-systemen, vaak zonder dat het expliciet zo genoemd wordt:

• Autonome voertuigen (Waymo, Tesla's FSD) gebruiken hiërarchische planning: eerst de route naar je bestemming, dan tactische beslissingen per kruispunt, dan de stuurcommando's per seconde

• Warehouse-robots (Amazon Robotics, Ocado) plannen hun bewegingen door het magazijn in lagen

• AI-assistenten die complexe taken uitvoeren (zoals agents gebouwd met LangChain of AutoGPT) breken je vraag op in stappen en substappen

• Productieplanning-software met AI-componenten (Siemens, SAP) gebruikt hiërarchische optimalisatie

In onderzoek zie je het bij reinforcement learning-technieken zoals Hierarchical Reinforcement Learning (HRL) en bij methoden als Options en Goal-Conditioned Policies.

Een voorbeeld uit de praktijk

Stel: je wilt een AI-agent bouwen die een ingewikkeld recept kan koken. Zonder hiërarchie zou de agent elk moment moeten beslissen tussen duizenden acties: "pak mes", "snijd ui", "draai kraan open", "zet pan op vuur" — zonder overzicht.

Met hierarchical planning deel je het op:

1. Hoog niveau: "Maak voorgerecht, hoofdgerecht, dessert"

2. Middenniveau: "Snijd groenten", "Bak vlees", "Maak saus"

3. Laag niveau: "Pak ui", "Snijd in blokjes", "Doe in pan"

Elke laag heeft zijn eigen mini-doel en kan zelfstandig beslissingen nemen binnen dat doel. De hoge laag hoeft niet te weten hoe je precies een ui snijdt — dat delegeert hij naar beneden. Zo blijft het overzichtelijk en kan de agent ook improviseren: als er geen ui is, kan de middenlaag een alternatief kiezen zonder dat de hele planning opnieuw moet.

Wat kun je er nu mee?

Als je met AI-agents werkt of ze wilt inzetten in je bedrijf, is het goed om te herkennen wanneer een probleem te complex is voor directe planning. Denk aan: heeft deze taak meerdere lagen van beslissingen? Zijn er deeldoelen die je eerst moet bereiken? Dan is een hiërarchische aanpak waarschijnlijk effectiever.

Bij het kiezen of bouwen van AI-oplossingen: vraag of het systeem kan omgaan met complexiteit door op te delen. En als je zelf prompt-engineering doet met taalmodellen: het principe werkt daar ook — break grote vragen op in stappen en laat het model elke stap apart aanpakken. Zo krijg je betere, betrouwbaardere resultaten.