Prévision des perturbations de la chaîne logistique par apprentissage prospectif
Forecasting Supply Chain Disruptions with Foresight Learning
April 1, 2026
Auteurs: Benjamin Turtel, Paul Wilczewski, Kris Skotheim
cs.AI
Résumé
Anticiper les perturbations de la chaîne d'approvisionnement avant qu'elles ne se matérialisent est un défi fondamental pour les entreprises et les décideurs politiques. La principale difficulté consiste à apprendre à raisonner de manière fiable sur des événements peu fréquents mais à fort impact à partir de données bruitées et non structurées - un contexte dans lequel les modèles généralistes peinent sans adaptation spécifique à la tâche. Nous présentons un cadre de bout en bout qui forme des LLM à produire des prévisions probabilistes calibrées en utilisant les résultats de perturbations observées comme supervision. Le modèle obtenu surpasse considérablement des bases de référence solides - incluant GPT-5 - en termes de précision, de calibration et de justesse. Nous montrons également que l'entraînement induit un raisonnement probabiliste plus structuré et fiable sans incitation explicite. Ces résultats suggèrent une voie générale pour former des modèles de prévision spécialisés par domaine qui produisent des signaux directement exploitables pour la décision. Pour favoriser la transparence, nous mettons en open source le jeu de données d'évaluation utilisé dans cette étude.
Jeu de données : 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