Les grands modèles de langage pour l'optimisation de la chaîne d'approvisionnement

Large Language Models for Supply Chain Optimization

July 8, 2023

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

cs.AI

Résumé

Les opérations de la chaîne d'approvisionnement impliquent traditionnellement une variété de problèmes de décision complexes. Au cours des dernières décennies, les chaînes d'approvisionnement ont grandement bénéficié des avancées en matière de calcul, permettant la transition du traitement manuel vers l'automatisation et l'optimisation rentable. Néanmoins, les opérateurs commerciaux doivent encore consacrer des efforts considérables à expliquer et interpréter les résultats de l'optimisation aux parties prenantes. Motivés par les récentes avancées des modèles de langage de grande taille (LLMs), nous étudions comment cette technologie disruptive peut aider à combler le fossé entre l'automatisation de la chaîne d'approvisionnement et la compréhension humaine ainsi que la confiance qui en découle. Nous concevons un cadre qui accepte comme entrée des requêtes en texte clair et produit des insights sur les résultats sous-jacents de l'optimisation. Notre cadre ne renonce pas à la technologie d'optimisation combinatoire de pointe, mais l'exploite plutôt pour répondre quantitativement à des scénarios de type "et si" (par exemple, comment le coût changerait-il si nous utilisions le fournisseur B au lieu du fournisseur A pour une demande donnée ?). Il est important de noter que notre conception ne nécessite pas l'envoi de données propriétaires aux LLMs, ce qui peut poser des problèmes de confidentialité dans certaines circonstances. Nous démontrons l'efficacité de notre cadre sur un scénario réel de placement de serveurs au sein de la chaîne d'approvisionnement cloud de Microsoft. En chemin, nous développons un benchmark d'évaluation général, qui peut être utilisé pour évaluer la précision de la sortie du LLM dans d'autres scénarios.

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.