論文の概要: From Large Language Models and Optimization to Decision Optimization
CoPilot: A Research Manifesto
- arxiv url: http://arxiv.org/abs/2402.16269v1
- Date: Mon, 26 Feb 2024 03:10:11 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-27 14:44:26.906007
- Title: From Large Language Models and Optimization to Decision Optimization
CoPilot: A Research Manifesto
- Title(参考訳): 大規模言語モデルと最適化から意思決定最適化へのコピロット:研究マニフェスト
- Authors: Segev Wasserkrug, Leonard Boussioux, Dick den Hertog, Farzaneh
Mirzazadeh, Ilker Birbil, Jannis Kurtz, Donato Maragno
- Abstract要約: 我々は,大規模言語モデルと最適化の交点において,決定最適化CoPilot(DOCP)を作成するための研究を提案する。
DOCPは意思決定者を支援するために設計されたAIツールで、自然言語で対話してビジネスの問題を把握し、その後、対応する最適化モデルを定式化し、解決する。
a) LLMは、既にDOCPに関連する実質的な新しい能力を提供しており、b.主要な研究課題に対処する必要がある。
- 参考スコア(独自算出の注目度): 2.4981381729038743
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Significantly simplifying the creation of optimization models for real-world
business problems has long been a major goal in applying mathematical
optimization more widely to important business and societal decisions. The
recent capabilities of Large Language Models (LLMs) present a timely
opportunity to achieve this goal. Therefore, we propose research at the
intersection of LLMs and optimization to create a Decision Optimization CoPilot
(DOCP) - an AI tool designed to assist any decision maker, interacting in
natural language to grasp the business problem, subsequently formulating and
solving the corresponding optimization model. This paper outlines our DOCP
vision and identifies several fundamental requirements for its implementation.
We describe the state of the art through a literature survey and experiments
using ChatGPT. We show that a) LLMs already provide substantial novel
capabilities relevant to a DOCP, and b) major research challenges remain to be
addressed. We also propose possible research directions to overcome these gaps.
We also see this work as a call to action to bring together the LLM and
optimization communities to pursue our vision, thereby enabling much more
widespread improved decision-making.
- Abstract(参考訳): 実世界のビジネス問題に対する最適化モデルの作成を著しく単純化することは、重要なビジネスや社会的な決定に数学の最適化をより広く適用する大きな目標だった。
最近のLLM(Large Language Models)の機能は、この目標を達成するためのタイムリーな機会を提供する。
そこで我々は,意思決定者を支援するaiツールである決定最適化コピロット (docp) を作成するために,llm と最適化の交点における研究を提案する。
本稿では、DOCPのビジョンを概説し、実装の基本的な要件をいくつか挙げる。
本稿では,ChatGPTを用いた文献調査および実験を通して,その現状について述べる。
私たちはそれを示します
a) LLMは、既にDOCPに関連する実質的な新規機能を提供しており、
b) 主要な研究課題に対処する必要がある。
また,これらのギャップを克服するための研究の方向性を提案する。
また、この作業はLCMをまとめ、私たちのビジョンを追求するためにコミュニティを最適化する活動であり、それによってより広範な意思決定を可能にします。
関連論文リスト
- Large Language Model-Aided Evolutionary Search for Constrained Multiobjective Optimization [15.476478159958416]
我々は,制約付き多目的最適化問題に対する進化探索を強化するために,大規模言語モデル(LLM)を用いる。
私たちの目標は、進化の集団の収束を早めることです。
論文 参考訳(メタデータ) (2024-05-09T13:44:04Z) - Exploring the True Potential: Evaluating the Black-box Optimization Capability of Large Language Models [32.859634302766146]
大規模言語モデル(LLM)は広く普及し、自然言語処理タスクでは例外的な性能を示した。
本稿では、最適化タスクにおけるLLMの可能性について、より深い洞察を提供することにより、この問題に取り組みます。
我々のアプローチでは、離散的および連続的な最適化問題を網羅的に評価する。
論文 参考訳(メタデータ) (2024-04-09T13:17:28Z) - Unleashing the Potential of Large Language Models as Prompt Optimizers: An Analogical Analysis with Gradient-based Model Optimizers [108.72225067368592]
本稿では,大規模言語モデル(LLM)に基づくプロンプトの設計について検討する。
モデルパラメータ学習における2つの重要な要素を同定する。
特に、勾配に基づく最適化から理論的な枠組みや学習手法を借用し、改良された戦略を設計する。
論文 参考訳(メタデータ) (2024-02-27T15:05:32Z) - PhaseEvo: Towards Unified In-Context Prompt Optimization for Large
Language Models [9.362082187605356]
本稿では、LLMの生成能力と進化アルゴリズムのグローバル検索能力を組み合わせた効率的な自動プロンプト最適化フレームワークであるPhaseEvoについて述べる。
PhaseEvoは、優れた効率を維持しながら、最先端のベースライン手法を大きなマージンで大幅に上回っている。
論文 参考訳(メタデータ) (2024-02-17T17:47:10Z) - Evolutionary Computation in the Era of Large Language Model: Survey and
Roadmap [28.923533887367533]
大規模言語モデル (LLM) と進化的アルゴリズム (EA) の相互作用は、複雑な問題における適用可能性の共通の追求を共有している。
本稿では、相互インスピレーションを2つの主要な道に分類する、徹底的なレビューと前方のロードマップを提供する。
特定された課題と今後の方向性は、この革新的なコラボレーションの可能性を最大限に活用することを目指す研究者や実践者に対してガイダンスを提供する。
論文 参考訳(メタデータ) (2024-01-18T14:58:17Z) - On Leveraging Large Language Models for Enhancing Entity Resolution [11.668263762236343]
本稿では,大規模言語モデル(LLM)を実体分解プロセスで効率的に活用するための戦略を紹介する。
当社のアプローチは、予算に制限された消費を維持しながら、最も効果的なマッチング質問を最適に選択します。
エントロピーを指標として提案手法の有効性を評価し,提案手法の有効性と有効性について実験的に検証した。
論文 参考訳(メタデータ) (2024-01-07T09:06:58Z) - The Efficiency Spectrum of Large Language Models: An Algorithmic Survey [54.19942426544731]
LLM(Large Language Models)の急速な成長は、様々なドメインを変換する原動力となっている。
本稿では,LLMのエンドツーエンドのアルゴリズム開発に不可欠な多面的効率性について検討する。
論文 参考訳(メタデータ) (2023-12-01T16:00:25Z) - Rethinking and Benchmarking Predict-then-Optimize Paradigm for
Combinatorial Optimization Problems [62.25108152764568]
多くのWebアプリケーションは、エネルギーコストを考慮したスケジューリング、Web広告の予算配分、ソーシャルネットワークでのグラフマッチングなど、最適化問題の解決に頼っている。
統一システムにおける予測と意思決定の性能について考察する。
我々は、現在のアプローチを包括的に分類し、既存の実験シナリオを統合する。
論文 参考訳(メタデータ) (2023-11-13T13:19:34Z) - Corex: Pushing the Boundaries of Complex Reasoning through Multi-Model Collaboration [83.4031923134958]
Corexは,大規模言語モデルを自律エージェントに変換する,新たな汎用戦略スイートだ。
人間の振る舞いにインスパイアされたCorexは、Debate、Review、Retrieveモードといった多様なコラボレーションパラダイムによって構成されている。
我々は,複数のLDMを協調的に演奏することで,既存の手法に比べて性能が著しく向上することが実証された。
論文 参考訳(メタデータ) (2023-09-30T07:11:39Z) - Large Language Models as Optimizers [106.52386531624532]
本稿では,大規模言語モデル (LLM) をプロンプトとして活用するためのシンプルで効果的な手法である Prompting (OPRO) を提案する。
各最適化ステップにおいて、LLMは、前述した値を含むプロンプトから新しい解を生成する。
OPROにより最適化された最良のプロンプトは、GSM8Kで最大8%、Big-Bench Hardタスクで最大50%向上することを示した。
論文 参考訳(メタデータ) (2023-09-07T00:07:15Z) - Automatically Correcting Large Language Models: Surveying the landscape
of diverse self-correction strategies [104.32199881187607]
大規模言語モデル(LLM)は、幅広いNLPタスクで顕著な性能を示した。
これらの欠陥を正すための有望なアプローチは自己補正であり、LLM自体が自身の出力で問題を修正するために誘導される。
本稿では,この新技術について概観する。
論文 参考訳(メタデータ) (2023-08-06T18:38:52Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。