Grote Taalmodellen voor Optimalisatie van de Toeleveringsketen

Large Language Models for Supply Chain Optimization

July 8, 2023

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

cs.AI

Samenvatting

Supply chain-operaties omvatten traditioneel een verscheidenheid aan complexe besluitvormingsproblemen. In de afgelopen decennia hebben supply chains sterk geprofiteerd van vooruitgang in rekenkracht, wat de overgang van handmatige verwerking naar automatisering en kosteneffectieve optimalisatie mogelijk maakte. Desalniettemin moeten bedrijfsoperators nog steeds aanzienlijke inspanningen leveren om de optimalisatieresultaten aan stakeholders uit te leggen en te interpreteren. Gemotiveerd door de recente ontwikkelingen in Large Language Models (LLMs), onderzoeken we hoe deze disruptieve technologie de kloof tussen supply chain-automatisering en menselijk begrip en vertrouwen daarin kan overbruggen. We ontwerpen een raamwerk dat queries in platte tekst als invoer accepteert en inzichten geeft over de onderliggende optimalisatieresultaten. Ons raamwerk doet niet af aan de state-of-the-art combinatorische optimalisatietechnologie, maar benut deze juist om kwantitatief antwoord te geven op what-if-scenario's (bijvoorbeeld: hoe zouden de kosten veranderen als we leverancier B in plaats van leverancier A gebruiken voor een bepaalde vraag?). Belangrijk is dat ons ontwerp niet vereist dat propriëtaire data naar LLMs worden gestuurd, wat in sommige omstandigheden een privacyzorg kan zijn. We demonstreren de effectiviteit van ons raamwerk in een reëel scenario voor serverplaatsing binnen de cloud supply chain van Microsoft. Onderweg ontwikkelen we een algemene evaluatiebenchmark, die kan worden gebruikt om de nauwkeurigheid van de LLM-output in andere scenario's te beoordelen.

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.