Large Language Models for Supply Chain Optimization
Beibin Li, Konstantina Mellou, Bo Zhang, Jeevan Pathuri, Ishai Menache
[Microsoft Research]
基于大型语言模型的供应链优化
要点:
-
动机：传统的供应链操作涉及各种复杂的决策问题。尽管计算的进步使得供应链从手动处理转向自动化和成本效益优化，但业务运营者仍需要花费大量的精力来解释和解读优化结果。本文受到大型语言模型(LLM)最近的进步的启发，研究了这种颠覆性技术如何帮助弥合供应链自动化和人类理解及信任的差距。 -
方法：设计了OptiGuide，一个接受纯文本查询作为输入，并输出关于底层优化结果的见解的框架。该框架并没有放弃最先进的组合优化技术，而是利用它来定量回答如果会怎样的情景(例如，如果使用供应商B而不是供应商A来满足特定的需求，成本会如何变化？)。 -
优势：该设计不需要将专有数据发送到LLM，这在某些情况下可能会引发隐私问题。在微软的云供应链中的真实服务器放置场景中展示了框架的有效性。在此过程中，开发了一个通用的评估基准，可以用来评估LLM输出在其他场景中的准确性。
提出一个名为OptiGuide的框架，利用大型语言模型(LLM)来解释供应链优化解决方案，通过将查询转化为“优化代码”，并通过LLM生成自然语言的答案，以此来弥合供应链自动化和人类理解及信任的差距。
https://arxiv.org/abs/2307.03875
内容中包含的图片若涉及版权问题，请及时与我们联系删除
评论
沙发等你来抢