Previsión de Interrupciones en la Cadena de Suministro con Aprendizaje Prospectivo
Forecasting Supply Chain Disruptions with Foresight Learning
April 1, 2026
Autores: Benjamin Turtel, Paul Wilczewski, Kris Skotheim
cs.AI
Resumen
Anticipar las interrupciones de la cadena de suministro antes de que se materialicen es un desafío fundamental tanto para las empresas como para los responsables políticos. Una dificultad clave es aprender a razonar de manera fiable sobre eventos infrecuentes pero de alto impacto a partir de entradas ruidosas y no estructuradas, un escenario en el que los modelos de propósito general tienen dificultades sin una adaptación específica para la tarea. Presentamos un marco integral que entrena a los LLM para producir pronósticos probabilísticos calibrados utilizando los resultados de interrupciones reales como supervisión. El modelo resultante supera sustancialmente a los puntos de referencia sólidos —incluyendo a GPT-5— en precisión, calibración y exactitud. También demostramos que el entrenamiento induce un razonamiento probabilístico más estructurado y fiable sin necesidad de instrucciones explícitas. Estos resultados sugieren una vía general para entrenar modelos de pronóstico específicos de dominio que produzcan señales listas para la toma de decisiones. Para apoyar la transparencia, hemos hecho público el conjunto de datos de evaluación utilizado en este estudio.
Conjunto de datos: 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