論文の概要: Automating Supply Chain Disruption Monitoring via an Agentic AI Approach

• arxiv url: http://arxiv.org/abs/2601.09680v1
• Date: Wed, 14 Jan 2026 18:28:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-15 18:59:20.49835
• Title: Automating Supply Chain Disruption Monitoring via an Agentic AI Approach
• Title（参考訳）: エージェントAIアプローチによるサプライチェーン破壊監視の自動化
• Authors: Sara AlMahri, Liming Xu, Alexandra Brintrup,
• Abstract要約: 我々は、自律的に監視し、分析し、拡張されたサプライネットワークにまたがる破壊に応答する、最小限の教師付きエージェントAIフレームワークを導入する。 F1スコアは0.962から0.991の間であり、破壊1回あたり0.0836ドルのコストで平均3.83分でエンドツーエンドの分析を行う。
• 参考スコア（独自算出の注目度）: 49.77982322940809
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Modern supply chains are increasingly exposed to disruptions from geopolitical events, demand shocks, trade restrictions, to natural disasters. While many of these disruptions originate deep in the supply network, most companies still lack visibility beyond Tier-1 suppliers, leaving upstream vulnerabilities undetected until the impact cascades downstream. To overcome this blind-spot and move from reactive recovery to proactive resilience, we introduce a minimally supervised agentic AI framework that autonomously monitors, analyses, and responds to disruptions across extended supply networks. The architecture comprises seven specialised agents powered by large language models and deterministic tools that jointly detect disruption signals from unstructured news, map them to multi-tier supplier networks, evaluate exposure based on network structure, and recommend mitigations such as alternative sourcing options. \rev{We evaluate the framework across 30 synthesised scenarios covering three automotive manufacturers and five disruption classes. The system achieves high accuracy across core tasks, with F1 scores between 0.962 and 0.991, and performs full end-to-end analyses in a mean of 3.83 minutes at a cost of \$0.0836 per disruption. Relative to industry benchmarks of multi-day, analyst-driven assessments, this represents a reduction of more than three orders of magnitude in response time. A real-world case study of the 2022 Russia-Ukraine conflict further demonstrates operational applicability. This work establishes a foundational step toward building resilient, proactive, and autonomous supply chains capable of managing disruptions across deep-tier networks.
• Abstract（参考訳）: 現代のサプライチェーンは、地政学的な出来事、需要のショック、貿易制限、自然災害などの混乱にさらされている。 これらの破壊の多くはサプライネットワークの奥深くに起因しているが、ほとんどの企業は依然としてTier-1サプライヤー以外の視認性に欠けており、上流の脆弱性は下流のカスケードまで検出されなかった。 この盲点を克服し、反応性回復から積極的なレジリエンスに移行するために、我々は、自律的に監視し、分析し、拡張されたサプライネットワークをまたいだ破壊に応答する最小限の教師付きエージェントAIフレームワークを導入します。 このアーキテクチャは、大規模言語モデルと、構造化されていないニュースからの破壊信号を共同で検出し、それらを多層サプライヤーネットワークにマップし、ネットワーク構造に基づいた露出を評価し、代替のソーシングオプションのような緩和策を推奨する決定論的ツールを駆使した7つの特殊エージェントから構成される。 3つの自動車メーカーと5つのディスラプションクラスをカバーする30の合成シナリオでフレームワークを評価します。 F1スコアは0.962から0.991の間であり、破壊1回あたり0.0836ドルというコストで平均3.83分で完全なエンドツーエンド分析を行う。 複数の日毎のアナリストによる評価の業界ベンチマークとは対照的に、これは応答時間の3桁以上の削減を意味する。 2022年のロシアとウクライナの紛争に関する現実のケーススタディは、さらに運用適用性を示している。 この研究は、ディープ層ネットワーク間の破壊を管理することのできるレジリエンス、プロアクティブ、自律的なサプライチェーンを構築するための基本的なステップを確立します。

関連論文リスト

• A Threshold-Triggered Deep Q-Network-Based Framework for Self-Healing in Autonomic Software-Defined IIoT-Edge Networks [0.0]
  Flashイベントは、ソフトウェア定義産業ネットワークにおける断続的なサービス劣化の主要な要因である。 本研究では、自律的にネットワーク破壊を検出し、分析し、緩和するしきい値トリガー付きディープQネットワークセルフヒーリングエージェントを提案する。 提案手法は, ベースライン最短経路および負荷バランスルーティング方式と比較して, 破壊回復性能を53.84%向上させる。
  論文  参考訳（メタデータ） (2025-12-16T11:11:37Z)
• SecTracer: A Framework for Uncovering the Root Causes of Network Intrusions via Security Provenance [10.783751949995784]
  本稿では,ネットワークレベルでホスト間の因果関係の体系的な確立を可能にする,ネットワークレベルのセキュリティ保証の概念を紹介する。 我々はSecTracerをネットワークワイド・プロファイランス分析のフレームワークとして提示する。
  論文  参考訳（メタデータ） (2025-11-12T12:25:36Z)
• Backdoor Cleaning without External Guidance in MLLM Fine-tuning [76.82121084745785]
  Believe Your Eyes (BYE)は、アテンションエントロピーパターンを自己教師信号として活用して、バックドアサンプルを特定してフィルタリングするデータフィルタリングフレームワークである。 クリーンタスクのパフォーマンスを維持しながら、ほぼゼロの攻撃成功率を達成する。
  論文  参考訳（メタデータ） (2025-05-22T17:11:58Z)
• Forecasting Automotive Supply Chain Shortfalls with Heterogeneous Time Series [8.934328206473456]
  フォードは世界の37の工場で年間17億の部品を使って600万台の車やトラックを製造している。 このような混乱を早期に予測し、特定する能力は、シームレスな操作を維持するために不可欠である。
  論文  参考訳（メタデータ） (2024-07-23T17:28:10Z)
• FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
  FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。 本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。 本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
  論文  参考訳（メタデータ） (2024-03-26T08:51:23Z)
• Implementation of Autonomous Supply Chains for Digital Twinning: a Multi-Agent Approach [43.89334324926175]
  自律型サプライチェーンのための自律型経済エージェントベースの技術枠組みを提案する。 このフレームワークをプロトタイプで説明し、生鮮食品サプライチェーンのシナリオで研究し、拡張の可能性について議論する。
  論文  参考訳（メタデータ） (2023-09-09T13:16:52Z)
• MMRNet: Improving Reliability for Multimodal Object Detection and Segmentation for Bin Picking via Multimodal Redundancy [68.7563053122698]
  マルチモーダル冗長性(MMRNet)を用いた信頼度の高いオブジェクト検出・分割システムを提案する。 これは、マルチモーダル冗長の概念を導入し、デプロイ中のセンサ障害問題に対処する最初のシステムである。 システム全体の出力信頼性と不確実性を測定するために,すべてのモダリティからの出力を利用する新しいラベルフリーマルチモーダル整合性(MC)スコアを提案する。
  論文  参考訳（メタデータ） (2022-10-19T19:15:07Z)

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。