先見的学習によるサプライチェーン混乱の予測

要旨

サプライチェーンの混乱が顕在化する前に予測することは、企業と政策立案者双方にとって核心的な課題である。主な難しさは、ノイズの多い非構造化入力から、頻度は低いが影響の大きい事象について確実に推論する方法を学ぶことにある。これは、汎用モデルがタスク固有の適応なしでは苦戦する設定である。本論文では、実現した混乱の結果を教師信号として用い、LLMが較正された確率的予測を生成するように訓練するエンドツーエンドのフレームワークを提案する。その結果得られたモデルは、精度、較正、精密さにおいて、GPT-5を含む強力なベースラインを大幅に上回る性能を示した。また、訓練により、明示的なプロンプティングなしにより構造化され信頼性の高い確率的推論が誘起されることも示す。これらの結果は、意思決定に活用可能なシグナルを生成するドメイン特化型予測モデルを訓練するための一般的な道筋を示唆している。透明性を確保するため、本研究で使用した評価データセットを公開する。データセット: 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

先見的学習によるサプライチェーン混乱の予測

Forecasting Supply Chain Disruptions with Foresight Learning

要旨

Support