論文の概要: Large Language Models for Supply Chain Decisions

• arxiv url: http://arxiv.org/abs/2507.21502v1
• Date: Tue, 29 Jul 2025 04:50:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-30 17:08:55.663462
• Title: Large Language Models for Supply Chain Decisions
• Title（参考訳）: サプライチェーン決定のための大規模言語モデル
• Authors: David Simchi-Levi, Konstantina Mellou, Ishai Menache, Jeevan Pathuri,
• Abstract要約: サプライチェーン管理には、さまざまな複雑な意思決定課題に対処する必要がある。 データサイエンスチームと技術提供者は、結果を説明したり、技術に必要な変更を加える必要がある。 近年のLarge Language Models (LLMs) の進展に触発されて, この破壊的技術がサプライチェーン技術を民主化する方法について報告する。
• 参考スコア（独自算出の注目度）: 12.603193995123604
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Supply Chain Management requires addressing a variety of complex decision-making challenges, from sourcing strategies to planning and execution. Over the last few decades, advances in computation and information technologies have enabled the transition from manual, intuition and experience-based decision-making, into more automated and data-driven decisions using a variety of tools that apply optimization techniques. These techniques use mathematical methods to improve decision-making. Unfortunately, business planners and executives still need to spend considerable time and effort to (i) understand and explain the recommendations coming out of these technologies; (ii) analyze various scenarios and answer what-if questions; and (iii) update the mathematical models used in these tools to reflect current business environments. Addressing these challenges requires involving data science teams and/or the technology providers to explain results or make the necessary changes in the technology and hence significantly slows down decision making. Motivated by the recent advances in Large Language Models (LLMs), we report how this disruptive technology can democratize supply chain technology - namely, facilitate the understanding of tools' outcomes, as well as the interaction with supply chain tools without human-in-the-loop. Specifically, we report how we apply LLMs to address the three challenges described above, thus substantially reducing the time to decision from days and weeks to minutes and hours as well as dramatically increasing planners' and executives' productivity and impact.
• Abstract（参考訳）: サプライチェーンマネジメントは、戦略のソーシングから計画と実行に至るまで、さまざまな複雑な意思決定課題に対処する必要があります。 過去数十年間、計算と情報技術の進歩により、手動、直感、経験に基づく意思決定から、最適化技術を適用するさまざまなツールを使用して、より自動化され、データ駆動的な決定へと移行することが可能になった。 これらの手法は数学的手法を用いて意思決定を改善する。 残念ながら、ビジネスプランナーとエグゼクティブは依然としてかなりの時間と労力を費やす必要がある。 一 これらの技術から出てくる勧告を理解し、説明すること。 (二)様々なシナリオを分析して、何の問題に答えること。 (iii)これらのツールで使用される数学的モデルを更新して、現在のビジネス環境を反映します。 これらの課題に対処するには、データサイエンスチームや技術提供者が結果を説明したり、必要な技術変更を行ったりする必要があるため、意思決定が大幅に遅くなる。 近年のLarge Language Models (LLMs) の進歩により,この破壊的な技術がサプライチェーン技術の民主化 – すなわち,ツールの結果の理解を促進するだけでなく,サプライチェーンツールとの対話を人手なしで行うことが可能になったことを報告している。 具体的には、先述した3つの課題にLCMを適用する方法について報告する。これにより、意思決定の時間を数日、数週間から数分、数時間に短縮し、プランナーや役員の生産性と影響を劇的に増加させます。

関連論文リスト

• Sustainable Digitalization of Business with Multi-Agent RAG and LLM [1.6385815610837167]
  本研究では,Large Language Models(LLM)とRetrieval-Augmented Generation(RAG)の統合について検討する。 既存のLCMを用いて,多様なデータセットに対応可能な持続可能なビジネスソリューションを提案する。
  論文  参考訳（メタデータ） (2025-01-06T08:14:23Z)
• Machine Learning Insides OptVerse AI Solver: Design Principles and Applications [74.67495900436728]
  本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。 本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。 本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
  論文  参考訳（メタデータ） (2024-01-11T15:02:15Z)
• Towards Efficient Generative Large Language Model Serving: A Survey from Algorithms to Systems [13.670262880851537]
  生成型大規模言語モデル(LLM)が最前線に立ち、データとのインタラクション方法に革命をもたらします。 しかし、これらのモデルをデプロイする際の計算強度とメモリ消費は、効率性の観点から大きな課題を呈している。 本研究は,機械学習システム(MLSys)研究の観点から,効率的なLCM提供手法の必要性について考察する。
  論文  参考訳（メタデータ） (2023-12-23T11:57:53Z)
• Learning Computational Efficient Bots with Costly Features [9.39143793228343]
  本稿では,入力特徴の計算コストを考慮した汎用的なオフライン学習手法を提案する。 本稿では,D4RLベンチマークや複雑な3D環境など,様々なタスクにおける本手法の有効性を示す。
  論文  参考訳（メタデータ） (2023-08-18T15:43:31Z)
• A Survey of Contextual Optimization Methods for Decision Making under Uncertainty [47.73071218563257]
  この記事では、データからポリシーを学ぶための3つの主要なフレームワークを特定し、その強みと限界について論じる。 統一的な表記と用語の下で既存のモデルとメソッドを示し、これらを3つの主要なフレームワークに従って分類する。
  論文  参考訳（メタデータ） (2023-06-17T15:21:02Z)
• Explainable Data-Driven Optimization: From Context to Decision and Back Again [76.84947521482631]
  データ駆動最適化では、コンテキスト情報と機械学習アルゴリズムを使用して、不確実なパラメータによる決定問題の解決策を見つける。 本稿では,データ駆動型問題に対する解法を説明するために,対実的説明手法を提案する。 在庫管理やルーティングといった運用管理における重要な問題を説明することで,我々のアプローチを実証する。
  論文  参考訳（メタデータ） (2023-01-24T15:25:16Z)
• Big Data Analytics Applying the Fusion Approach of Multicriteria Decision Making with Deep Learning Algorithms [0.0]
  複数基準に基づく意思決定は、ビッグデータ分析における代替効果に関連する様々な問題に対して解決すべき重要な問題の1つである。 意思決定のようなアルゴリズムや、マルチ基準に基づくディープラーニングメカニズムを含む、最新の機械学習技術に基づくソリューションを見つける傾向があります。 本質的には、ビジネス、農業、情報技術、コンピュータ科学を含むいくつかの分野は、深層学習と多基準に基づく意思決定問題を使用する。
  論文  参考訳（メタデータ） (2021-02-02T05:56:03Z)
• Offline Reinforcement Learning: Tutorial, Review, and Perspectives on Open Problems [108.81683598693539]
  オフラインの強化学習アルゴリズムは、巨大なデータセットを強力な意思決定エンジンにできるという、大きな約束を持っています。 我々は,これらの課題,特に近代的な深層強化学習手法の文脈において,読者にこれらの課題を理解することを目的としている。
  論文  参考訳（メタデータ） (2020-05-04T17:00:15Z)

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。