Крупные языковые модели для оптимизации цепочек поставок

Large Language Models for Supply Chain Optimization

July 8, 2023

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

cs.AI

Аннотация

Операции в цепочках поставок традиционно включают в себя множество сложных задач принятия решений. За последние несколько десятилетий цепочки поставок значительно выиграли от достижений в области вычислений, что позволило перейти от ручной обработки к автоматизации и экономически эффективной оптимизации. Тем не менее, бизнес-операторам по-прежнему приходится прилагать значительные усилия для объяснения и интерпретации результатов оптимизации заинтересованным сторонам. Вдохновленные недавними достижениями в области больших языковых моделей (LLM), мы изучаем, как эта революционная технология может помочь сократить разрыв между автоматизацией цепочек поставок и их пониманием и доверием со стороны человека. Мы разрабатываем фреймворк, который принимает на вход запросы в виде обычного текста и выводит информацию о результатах базовой оптимизации. Наш фреймворк не отказывается от современных технологий комбинаторной оптимизации, а использует их для количественного анализа сценариев "что, если" (например, как изменится стоимость, если для заданного спроса использовать поставщика B вместо поставщика A?). Важно отметить, что наш дизайн не требует передачи конфиденциальных данных в LLM, что может вызывать опасения в отношении конфиденциальности в некоторых случаях. Мы демонстрируем эффективность нашего фреймворка на реальном сценарии размещения серверов в облачной цепочке поставок Microsoft. В процессе мы разрабатываем общий эталонный тест, который может быть использован для оценки точности вывода LLM в других сценариях.

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.