선견 학습을 통한 공급망 차질 예측

초록

공급망 차질이 발생하기 전에 이를 예측하는 것은 기업과 정책 입안자 모두에게 핵심적인 과제입니다. 주요 어려움은 노이즈가 많고 비정형化的인 입력 데이터로부터 드물지만 영향력이 큰 사건에 대해 신뢰성 있게 추론하는 방법을 학습하는 것인데, 이는 범용 모델들이 작업 특화적 적응 없이는 어려움을 겪는 영역입니다. 우리는 LLM이 실제 발생한 차질 결과를 감독 신호로 활용하여 보정된 확률론적 예측을 생성하도록 훈련하는 종단간 프레임워크를 소개합니다. 결과 모델은 정확도, 보정, 정밀도 측면에서 GPT-5를 포함한 강력한 기준 모델들을 크게 능가합니다. 또한 훈련을 통해 명시적인 프롬프트 없이도 더 구조화되고 신뢰할 수 있는 확률론적 추론 능력이 유도된다는 점을 보여줍니다. 이러한 결과는 의사 결정에 바로 활용 가능한 신호를 생성하는 도메인 특화 예측 모델을 훈련시키는 일반적인 경로를 제시합니다. 투명성 지원을 위해 본 연구에서 사용된 평가 데이터셋을 공개합니다. 데이터셋: 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

선견 학습을 통한 공급망 차질 예측

Forecasting Supply Chain Disruptions with Foresight Learning

초록

Support