Große Sprachmodelle für die Optimierung von Lieferketten

Large Language Models for Supply Chain Optimization

July 8, 2023

Autoren: Beibin Li, Konstantina Mellou, Bo Zhang, Jeevan Pathuri, Ishai Menache

cs.AI

Zusammenfassung

Die Abläufe in der Lieferkette umfassen traditionell eine Vielzahl komplexer Entscheidungsprobleme. In den letzten Jahrzehnten haben Lieferketten erheblich von Fortschritten in der Datenverarbeitung profitiert, die den Übergang von manueller Bearbeitung zu Automatisierung und kosteneffizienter Optimierung ermöglichten. Dennoch müssen Geschäftsbetreiber nach wie vor erhebliche Anstrengungen darauf verwenden, die Optimierungsergebnisse für Stakeholder zu erklären und zu interpretieren. Angeregt durch die jüngsten Fortschritte bei Large Language Models (LLMs) untersuchen wir, wie diese disruptive Technologie die Lücke zwischen der Automatisierung von Lieferketten und dem menschlichen Verständnis sowie dem Vertrauen darin überbrücken kann. Wir entwickeln ein Framework, das Eingabeanfragen in Klartext akzeptiert und Einblicke in die zugrunde liegenden Optimierungsergebnisse liefert. Unser Framework verzichtet nicht auf die modernste kombinatorische Optimierungstechnologie, sondern nutzt sie, um quantitative Antworten auf Was-wäre-wenn-Szenarien zu geben (z. B. wie würden sich die Kosten ändern, wenn wir für eine bestimmte Nachfrage Lieferant B statt Lieferant A verwenden würden?). Wichtig ist, dass unser Entwurf nicht erfordert, proprietäre Daten an LLMs zu senden, was in manchen Fällen ein Datenschutzproblem darstellen könnte. Wir demonstrieren die Wirksamkeit unseres Frameworks anhand eines realen Serverplatzierungsszenarios in der Cloud-Lieferkette von Microsoft. Dabei entwickeln wir einen allgemeinen Evaluierungsbenchmark, der verwendet werden kann, um die Genauigkeit der LLM-Ausgaben in anderen Szenarien zu bewerten.

English

Supply chain operations traditionally involve a variety of complex decision making problems. Over the last few decades, supply chains greatly benefited from advances in computation, which allowed the transition from manual processing to automation and cost-effective optimization. Nonetheless, business operators still need to spend substantial efforts in explaining and interpreting the optimization outcomes to stakeholders. Motivated by the recent advances in Large Language Models (LLMs), we study how this disruptive technology can help bridge the gap between supply chain automation and human comprehension and trust thereof. We design -- a framework that accepts as input queries in plain text, and outputs insights about the underlying optimization outcomes. Our framework does not forgo the state-of-the-art combinatorial optimization technology, but rather leverages it to quantitatively answer what-if scenarios (e.g., how would the cost change if we used supplier B instead of supplier A for a given demand?). Importantly, our design does not require sending proprietary data over to LLMs, which can be a privacy concern in some circumstances. We demonstrate the effectiveness of our framework on a real server placement scenario within Microsoft's cloud supply chain. Along the way, we develop a general evaluation benchmark, which can be used to evaluate the accuracy of the LLM output in other scenarios.