論文の概要: AI Agent Systems for Supply Chains: Structured Decision Prompts and Memory Retrieval

• arxiv url: http://arxiv.org/abs/2602.05524v1
• Date: Thu, 05 Feb 2026 10:35:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 18:49:08.886571
• Title: AI Agent Systems for Supply Chains: Structured Decision Prompts and Memory Retrieval
• Title（参考訳）: サプライチェーンのためのAIエージェントシステム:構造化決定プロンプトとメモリ検索
• Authors: Konosuke Yoshizato, Kazuma Shimizu, Ryota Higa, Takanobu Otsuka,
• Abstract要約: 本研究では,大規模言語モデル (LLM) に基づくマルチエージェントシステム (MAS) について,在庫管理への有望なアプローチとして検討する。 LLMベースのMASが最適順序付けポリシーを一貫して導出し、多様なサプライチェーンシナリオに適応できるかどうかは不明である。
• 参考スコア（独自算出の注目度）: 3.3703751888858675
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This study investigates large language model (LLM) -based multi-agent systems (MASs) as a promising approach to inventory management, which is a key component of supply chain management. Although these systems have gained considerable attention for their potential to address the challenges associated with typical inventory management methods, key uncertainties regarding their effectiveness persist. Specifically, it is unclear whether LLM-based MASs can consistently derive optimal ordering policies and adapt to diverse supply chain scenarios. To address these questions, we examine an LLM-based MAS with a fixed-ordering strategy prompt that encodes the stepwise processes of the problem setting and a safe-stock strategy commonly used in inventory management. Our empirical results demonstrate that, even without detailed prompt adjustments, an LLM-based MAS can determine optimal ordering decisions in a restricted scenario. To enhance adaptability, we propose a novel agent called AIM-RM, which leverages similar historical experiences through similarity matching. Our results show that AIM-RM outperforms benchmark methods across various supply chain scenarios, highlighting its robustness and adaptability.
• Abstract（参考訳）: 本研究では,大規模言語モデル(LLM)に基づくマルチエージェントシステム(MAS)について,サプライチェーン管理の鍵となる在庫管理への将来的なアプローチとして検討する。 これらのシステムは、一般的な在庫管理手法にまつわる課題に対処する可能性に大きな注目を集めているが、その有効性に関する重要な不確実性は持続している。 具体的には、LLMベースのMASが最適順序付けポリシーを一貫して導出し、多様なサプライチェーンシナリオに適応できるかどうかは不明である。 これらの問題に対処するため, LLM ベースのMAS を固定順序戦略プロンプトで検証し, 問題設定の段階的プロセスと在庫管理によく用いられるセーフストック戦略を符号化する。 実験により, LLMをベースとしたMASは, 詳細な調整がなくても, 制約シナリオにおける最適順序決定を決定できることが実証された。 適応性を高めるために,類似性マッチングにより類似した過去の経験を生かしたAIM-RMというエージェントを提案する。 その結果、AIM-RMは様々なサプライチェーンシナリオでベンチマーク手法よりも優れており、その堅牢性と適応性を強調している。

関連論文リスト

• Refer-Agent: A Collaborative Multi-Agent System with Reasoning and Reflection for Referring Video Object Segmentation [50.22481337087162]
  Referring Video Object (RVOS)は、テキストクエリに基づいたビデオ内のオブジェクトのセグメンテーションを目的としている。 Refer-Agent (Refer-Agent) は、共用多エージェントシステムである。 SFTベースのモデルとゼロショットアプローチの両方を含む最先端の手法を著しく上回っている。
  論文  参考訳（メタデータ） (2026-02-03T14:48:12Z)
• Controllable LLM Reasoning via Sparse Autoencoder-Based Steering [66.36947132041657]
  大規模推論モデル(LRM)は、人間のような認知的推論戦略を示す。 現在、推論戦略はLEM自身によって自律的に選択されている。 既存の手法は、LRMの隠蔽状態における概念的絡み合いによって、きめ細かい推論戦略を制御するのに苦労している。
  論文  参考訳（メタデータ） (2026-01-07T05:26:26Z)
• AIM-Bench: Evaluating Decision-making Biases of Agentic LLM as Inventory Manager [9.21215885702746]
  AIM-Benchは、不確実なサプライチェーン管理シナリオにおいて、大規模言語モデル(LLM)の意思決定行動を評価するために設計された新しいベンチマークである。 以上の結果から, LLMは人体とよく似た, 決定バイアスの度合いが異なることが明らかとなった。
  論文  参考訳（メタデータ） (2025-08-15T11:38:19Z)
• A Trustworthy Multi-LLM Network: Challenges,Solutions, and A Use Case [59.58213261128626]
  複数の大規模言語モデル(LLM)を信頼性のあるマルチLLMネットワーク(MultiLLMN)に接続するブロックチェーン対応協調フレームワークを提案する。 このアーキテクチャは、複雑なネットワーク最適化問題に対する最も信頼性が高く高品質な応答の協調評価と選択を可能にする。
  論文  参考訳（メタデータ） (2025-05-06T05:32:46Z)
• Collab: Controlled Decoding using Mixture of Agents for LLM Alignment [90.6117569025754]
  人間のフィードバックからの強化学習は、大規模言語モデルを整合させる効果的な手法として現れてきた。 制御された復号化は、再訓練せずに推論時にモデルを整列するメカニズムを提供する。 本稿では,既存の既成のLCMポリシを活用するエージェントベースのデコーディング戦略の混合を提案する。
  論文  参考訳（メタデータ） (2025-03-27T17:34:25Z)
• Scaling Autonomous Agents via Automatic Reward Modeling And Planning [52.39395405893965]
  大規模言語モデル(LLM)は、様々なタスクにまたがる顕著な機能を示している。 しかし、彼らは多段階の意思決定と環境フィードバックを必要とする問題に苦戦している。 人間のアノテーションを使わずに環境から報酬モデルを自動的に学習できるフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-17T18:49:25Z)
• Confident or Seek Stronger: Exploring Uncertainty-Based On-device LLM Routing From Benchmarking to Generalization [61.02719787737867]
  大規模言語モデル(LLM)はますますエッジデバイスにデプロイされ、民主化されている。 1つの有望な解決策は不確実性に基づくSLMルーティングであり、SLM上での低信頼応答が発生すると、高い要求を強いLCMにオフロードする。 我々は1500以上の設定でSLMからLLMへの不確実性駆動型ルーティング戦略のベンチマークと一般化を包括的に調査する。
  論文  参考訳（メタデータ） (2025-02-06T18:59:11Z)
• Agentic LLMs in the Supply Chain: Towards Autonomous Multi-Agent Consensus-Seeking [39.373512037111155]
  大規模言語モデル(LLM)はサプライチェーン管理(SCM)におけるコンセンサス検索を自動化する 従来のSCMは、ブルウィップ効果のような創発的な問題を避けるために、意思決定における人間のコンセンサスに依存している。 ジェネレーティブAI、特にLLMの最近の進歩は、これらの障壁を克服する約束を示している。
  論文  参考訳（メタデータ） (2024-11-15T13:33:10Z)
• InvAgent: A Large Language Model based Multi-Agent System for Inventory Management in Supply Chains [0.0]
  本研究では,大規模言語モデル (LLM) を用いて複数エージェントの在庫管理システムを管理する手法を提案する。 我々のモデルであるInvAgentはレジリエンスを高め、サプライチェーンネットワーク全体の効率を向上させる。
  論文  参考訳（メタデータ） (2024-07-16T04:55:17Z)
• MARLIM: Multi-Agent Reinforcement Learning for Inventory Management [1.1470070927586016]
  本稿では、在庫管理問題に対処するため、MARLIMと呼ばれる新しい強化学習フレームワークを提案する。 このコンテキスト内では、コントローラは単一のエージェントまたは複数のエージェントを介して協調的に開発される。 実データに関する数値実験は、従来のベースラインよりも強化学習法の利点を実証している。
  論文  参考訳（メタデータ） (2023-08-03T09:31:45Z)

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。