Voorspellen van Supply Chain-verstoringen met Foresight Learning
Forecasting Supply Chain Disruptions with Foresight Learning
April 1, 2026
Auteurs: Benjamin Turtel, Paul Wilczewski, Kris Skotheim
cs.AI
Samenvatting
Het anticiperen op verstoringen in de toeleveringsketen voordat deze zich voordoen, is een centrale uitdaging voor bedrijven en beleidsmakers. Een belangrijke moeilijkheid is het leren van betrouwbare redeneringen over zeldzame, hoogimpactvolle gebeurtenissen op basis van ruisvolle en ongestructureerde invoer - een context waarin algemene modellen moeite hebben zonder taakspecifieke aanpassing. Wij introduceren een end-to-end raamwerk dat grote taalmodellen traint om gekalibreerde probabilistische voorspellingen te produceren met gerealiseerde verstoringsuitkomsten als supervisie. Het resulterende model presteert aanzienlijk beter dan sterke baseline-modellen - inclusief GPT-5 - op nauwkeurigheid, kalibratie en precisie. Wij tonen ook aan dat training leidt tot meer gestructureerd en betrouwbaar probabilistisch redeneren zonder expliciete prompting. Deze resultaten suggereren een algemene route voor het trainen van domeinspecifieke voorspellingsmodellen die besluit-klare signalen produceren. Ter ondersteuning van transparantie maken wij de evaluatiedataset die in deze studie is gebruikt openbaar.
Dataset: 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