論文の概要: Integrating Large Language Models with Network Optimization for Interactive and Explainable Supply Chain Planning: A Real-World Case Study

• arxiv url: http://arxiv.org/abs/2508.21622v1
• Date: Fri, 29 Aug 2025 13:34:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-01 19:45:11.058953
• Title: Integrating Large Language Models with Network Optimization for Interactive and Explainable Supply Chain Planning: A Real-World Case Study
• Title（参考訳）: 対話型および説明可能なサプライチェーン計画のための大規模言語モデルとネットワーク最適化の統合:実世界の事例研究
• Authors: Saravanan Venkatachalam,
• Abstract要約: システムブリッジは、複雑なオペレーションリサーチアウトプットとビジネスステークホルダーの理解のギャップを埋めます。 システムは、自然言語の要約、文脈の可視化、および調整された重要なパフォーマンス指標を生成する。 ケーススタディは、ストックアウトを防止し、コストを削減し、サービスレベルを維持することによって、システムが計画結果をどのように改善するかを示す。
• 参考スコア（独自算出の注目度）: 0.45687771576879593
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents an integrated framework that combines traditional network optimization models with large language models (LLMs) to deliver interactive, explainable, and role-aware decision support for supply chain planning. The proposed system bridges the gap between complex operations research outputs and business stakeholder understanding by generating natural language summaries, contextual visualizations, and tailored key performance indicators (KPIs). The core optimization model addresses tactical inventory redistribution across a network of distribution centers for multi-period and multi-item, using a mixed-integer formulation. The technical architecture incorporates AI agents, RESTful APIs, and a dynamic user interface to support real-time interaction, configuration updates, and simulation-based insights. A case study demonstrates how the system improves planning outcomes by preventing stockouts, reducing costs, and maintaining service levels. Future extensions include integrating private LLMs, transfer learning, reinforcement learning, and Bayesian neural networks to enhance explainability, adaptability, and real-time decision-making.
• Abstract（参考訳）: 本稿では,従来のネットワーク最適化モデルと大規模言語モデル(LLM)を組み合わせた統合フレームワークを提案する。 提案システムは,自然言語の要約,文脈の可視化,キーパフォーマンス指標(KPI)の調整によって,複雑な業務研究成果とビジネスステークホルダ理解のギャップを埋める。 コア最適化モデルは、混合整数式を用いて、複数周期および複数項目の分散センターネットワーク上での戦術的在庫再分配に対処する。 技術的なアーキテクチャには、AIエージェント、RESTful API、リアルタイムインタラクション、設定更新、シミュレーションベースの洞察をサポートする動的ユーザインターフェースが含まれている。 ケーススタディでは、ストックアウトを防止し、コストを削減し、サービスレベルを維持することで、システムが計画結果をどのように改善するかを示す。 将来の拡張には、説明可能性、適応性、リアルタイム意思決定を強化するために、プライベートLLMの統合、転送学習、強化学習、ベイズニューラルネットワークが含まれる。

関連論文リスト

• Edge-Cloud Collaborative Computing on Distributed Intelligence and Model Optimization: A Survey [58.50944604905037]
  エッジクラウドコラボレーティブコンピューティング(ECCC)は、現代のインテリジェントアプリケーションの計算要求に対処するための重要なパラダイムとして登場した。 AIの最近の進歩、特にディープラーニングと大規模言語モデル(LLM)は、これらの分散システムの能力を劇的に向上させてきた。 この調査は、基本的なアーキテクチャ、技術の実現、新しいアプリケーションに関する構造化されたチュートリアルを提供する。
  論文  参考訳（メタデータ） (2025-05-03T13:55:38Z)
• Explainability and Continual Learning meet Federated Learning at the Network Edge [4.348225679878919]
  ネットワークエッジにおける分散学習において,無線で相互接続するエッジデバイスで発生する新たな最適化問題について議論する。 具体的には,多目的最適化(MOO)を用いて,予測精度と説明可能性のトレードオフに対処する方法について論じる。 また,木をベースとしたモデルを分散学習環境に統合することの意義についても論じる。
  論文  参考訳（メタデータ） (2025-04-11T13:45:55Z)
• Multi-Task Semantic Communications via Large Models [42.42961176008125]
  適応型モデル圧縮戦略とフェデレートされた分割微調整アプローチを含む,LAMベースのマルチタスクSemComアーキテクチャを提案する。 近年のローカルおよびグローバルな知識ベースを合成するために,検索拡張生成方式が実装されている。
  論文  参考訳（メタデータ） (2025-03-28T00:57:34Z)
• Contextual Reinforcement in Multimodal Token Compression for Large Language Models [0.0]
  トークン圧縮は、ますます複雑で多様なデータセットを扱うためにモデルをスケーリングする上で、依然として重要な課題である。 相互依存や意味的関連性を通じてトークンの重要度を動的に調整する,コンテキスト強化に基づく新しいメカニズムを導入する。 このアプローチは,情報表現の品質と一貫性を維持しつつ,トークン使用量の大幅な削減を可能にする。
  論文  参考訳（メタデータ） (2025-01-28T02:44:31Z)
• Large Language Model as a Catalyst: A Paradigm Shift in Base Station Siting Optimization [62.16747639440893]
  大規模言語モデル(LLM)とその関連技術は、特に迅速な工学とエージェント工学の領域において進歩している。 提案するフレームワークは、検索拡張生成(RAG)を組み込んで、ドメイン固有の知識を取得してソリューションを生成するシステムの能力を高める。
  論文  参考訳（メタデータ） (2024-08-07T08:43:32Z)
• Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
  本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。 また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
  論文  参考訳（メタデータ） (2020-12-01T11:46:03Z)

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。