Vorhersage von Lieferkettenstörungen mit Foresight Learning

Forecasting Supply Chain Disruptions with Foresight Learning

April 1, 2026

Autoren: Benjamin Turtel, Paul Wilczewski, Kris Skotheim

cs.AI

Zusammenfassung

Die Vorhersage von Lieferkettenunterbrechungen, bevor sie eintreten, ist eine zentrale Herausforderung für Unternehmen und politische Entscheidungsträger gleichermaßen. Eine Hauptschwierigkeit besteht darin, aus verrauschten und unstrukturierten Eingaben zuverlässig auf seltene, aber folgenschwere Ereignisse zu schließen – ein Umfeld, in dem allgemeine Modelle ohne aufgabenspezifische Anpassung an ihre Grenzen stoßen. Wir stellen ein End-to-End-Framework vor, das große Sprachmodelle (LLMs) darauf trainiert, kalibrierte probabilistische Prognosen zu erstellen, wobei eingetretene Unterbrechungen als Supervision dienen. Das resultierende Modell übertrifft starke Baseline-Modelle – einschließlich GPT-5 – erheblich in Bezug auf Genauigkeit, Kalibrierung und Präzision. Wir zeigen zudem, dass das Training zu strukturierterem und zuverlässigerem probabilistischem Denken führt, ohne dass dies explizit angefordert werden muss. Diese Ergebnisse deuten auf einen allgemeinen Weg hin, domänenspezifische Prognosemodelle zu trainieren, die entscheidungsreife Signale liefern. Um Transparenz zu unterstützen, veröffentlichen wir den in dieser Studie verwendeten Evaluierungsdatensatz als Open Source. Datensatz: https://huggingface.co/datasets/LightningRodLabs/supply-chain-predictions

English

Anticipating supply chain disruptions before they materialize is a core challenge for firms and policymakers alike. A key difficulty is learning to reason reliably about infrequent, high-impact events from noisy and unstructured inputs - a setting where general-purpose models struggle without task-specific adaptation. We introduce an end-to-end framework that trains LLMs to produce calibrated probabilistic forecasts using realized disruption outcomes as supervision. The resulting model substantially outperforms strong baselines - including GPT-5 - on accuracy, calibration, and precision. We also show that training induces more structured and reliable probabilistic reasoning without explicit prompting. These results suggest a general pathway for training domain-specific forecasting models that produce decision-ready signals. To support transparency we open-source the evaluation dataset used in this study. Dataset: https://huggingface.co/datasets/LightningRodLabs/supply-chain-predictions