Прогнозирование сбоев в цепочке поставок с помощью обучения предвидению
Forecasting Supply Chain Disruptions with Foresight Learning
April 1, 2026
Авторы: Benjamin Turtel, Paul Wilczewski, Kris Skotheim
cs.AI
Аннотация
Заблаговременное прогнозирование сбоев в цепях поставок является ключевой задачей для компаний и органов государственного управления. Основная сложность заключается в необходимости научиться достоверно анализировать редкие, но высокоimpactные события на основе зашумленных и неструктурированных данных — в условиях, где общецелевые модели демонстрируют низкую эффективность без специфической адаптации под конкретную задачу. Мы представляем сквозную методологию, которая обучает большие языковые модели (LLM) формировать калиброванные вероятностные прогнозы, используя в качестве обучения фактические данные о произошедших сбоях. Полученная модель значительно превосходит по точности, калиброванности и достоверности даже сильные базовые модели, включая GPT-5. Мы также демонстрируем, что обучение способствует формированию более структурированного и надежного вероятностного мышления у модели без явных указаний. Эти результаты указывают на общий путь создания предметно-ориентированных прогнозных моделей, генерирующих сигналы, пригодные для непосредственного использования в принятии решений. В целях обеспечения прозрачности мы публикуем набор данных для оценки, использованный в данном исследовании.
Набор данных: 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