Modelli Linguistici di Grande Scala per l'Ottimizzazione della Catena di Approvvigionamento

Large Language Models for Supply Chain Optimization

July 8, 2023

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

cs.AI

Abstract

Le operazioni della catena di approvvigionamento tradizionalmente coinvolgono una varietà di problemi decisionali complessi. Negli ultimi decenni, le catene di approvvigionamento hanno tratto grande beneficio dai progressi nel campo del calcolo computazionale, che hanno permesso la transizione dall'elaborazione manuale all'automazione e all'ottimizzazione efficiente in termini di costi. Tuttavia, gli operatori aziendali devono ancora dedicare notevoli sforzi per spiegare e interpretare i risultati dell'ottimizzazione agli stakeholder. Motivati dai recenti progressi nei Modelli Linguistici di Grande Dimensione (LLM), studiamo come questa tecnologia rivoluzionaria possa contribuire a colmare il divario tra l'automazione della catena di approvvigionamento e la comprensione e fiducia umana in essa. Progettiamo un framework che accetta come input query in linguaggio naturale e restituisce approfondimenti sui risultati sottostanti dell'ottimizzazione. Il nostro framework non rinuncia alla tecnologia all'avanguardia dell'ottimizzazione combinatoria, ma la sfrutta per rispondere quantitativamente a scenari what-if (ad esempio, come cambierebbe il costo se utilizzassimo il fornitore B invece del fornitore A per una determinata domanda?). È importante sottolineare che il nostro design non richiede l'invio di dati proprietari agli LLM, il che potrebbe rappresentare un problema di privacy in alcune circostanze. Dimostriamo l'efficacia del nostro framework in uno scenario reale di posizionamento dei server all'interno della catena di approvvigionamento cloud di Microsoft. Nel corso di questo lavoro, sviluppiamo un benchmark di valutazione generale, che può essere utilizzato per valutare l'accuratezza dell'output degli LLM in altri scenari.

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.