論文の概要: Let's Have a Conversation: Designing and Evaluating LLM Agents for Interactive Optimization

• arxiv url: http://arxiv.org/abs/2604.02666v1
• Date: Fri, 03 Apr 2026 02:55:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 17:20:24.293728
• Title: Let's Have a Conversation: Designing and Evaluating LLM Agents for Interactive Optimization
• Title（参考訳）: 対話型最適化のためのLLMエージェントの設計と評価
• Authors: Joshua Drossman, Alexandre Jacquillat, Sébastien Martin,
• Abstract要約: 本稿では,対話を通して最適化エージェントを評価するための,スケーラブルで再現性の高い手法を提案する。 私たちは学校のスケジュールケーススタディで何千もの会話を作ります。 同じ最適化エージェントが会話を通じて、はるかに高品質なソリューションに収束する。
• 参考スコア（独自算出の注目度）: 42.990074666128145
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Optimization is as much about modeling the right problem as solving it. Identifying the right objectives, constraints, and trade-offs demands extensive interaction between researchers and stakeholders. Large language models can empower decision-makers with optimization capabilities through interactive optimization agents that can propose, interpret and refine solutions. However, it is fundamentally harder to evaluate a conversation-based interaction than traditional one-shot approaches. This paper proposes a scalable and replicable methodology for evaluating optimization agents through conversations. We build LLM-powered decision agents that role-play diverse stakeholders, each governed by an internal utility function but communicating like a real decision-maker. We generate thousands of conversations in a school scheduling case study. Results show that one-shot evaluation is severely limiting: the same optimization agent converges to much higher-quality solutions through conversations. Then, this paper uses this methodology to demonstrate that tailored optimization agents, endowed with domain-specific prompts and structured tools, can lead to significant improvements in solution quality in fewer interactions, as compared to general-purpose chatbots. These findings provide evidence of the benefits of emerging solutions at the AI-optimization interface to expand the reach of optimization technologies in practice. They also uncover the impact of operations research expertise to facilitate interactive deployments through the design of effective and reliable optimization agents.
• Abstract（参考訳）: 最適化とは、正しい問題をモデリングするだけでなく、解決することです。 適切な目的、制約、トレードオフを識別するには、研究者とステークホルダーの間の広範な相互作用が必要である。 大規模言語モデルは、ソリューションの提案、解釈、洗練が可能な対話的最適化エージェントを通じて、意思決定者に最適化能力を与えることができる。 しかし、従来のワンショットアプローチよりも会話ベースのインタラクションを評価することは基本的に困難である。 本稿では,対話を通して最適化エージェントを評価するための,スケーラブルで再現性の高い手法を提案する。 我々はLLMによる意思決定エージェントを構築し、様々な利害関係者を巻き込み、それぞれが内部ユーティリティ機能によって管理されるが、本当の意思決定者として通信する。 私たちは学校のスケジュールケーススタディで何千もの会話を作ります。 同じ最適化エージェントが会話を通じて、はるかに高品質なソリューションに収束する。 そこで本研究では,ドメイン固有のプロンプトや構造化ツールを具備した調整最適化エージェントが,汎用チャットボットと比較して,より少ないインタラクションにおけるソリューション品質の大幅な向上につながることを実証するために,本手法を用いた。 これらの知見は、AI最適化インターフェースにおける新興ソリューションの利点を実証し、実際に最適化技術の範囲を広げるものである。 彼らはまた、効果的で信頼性の高い最適化エージェントの設計を通じてインタラクティブなデプロイメントを促進するために、オペレーションリサーチの専門知識の影響を明らかにした。

関連論文リスト

• ORMind: A Cognitive-Inspired End-to-End Reasoning Framework for Operations Research [56.961539386979354]
  ORMindは認知にインスパイアされたフレームワークで、反ファクト推論を通じて最適化を強化する。 提案手法は,要求を数学的モデルや実行可能なコードに変換するエンド・ツー・エンドのワークフローを実装し,人間の認識をエミュレートする。 現在はLenovoのAIアシスタントで内部でテストされており、ビジネスとコンシューマの両方の最適化機能を強化する予定である。
  論文  参考訳（メタデータ） (2025-06-02T05:11:21Z)
• A Survey on the Optimization of Large Language Model-based Agents [16.733092886211097]
  大規模言語モデル(LLM)は様々な分野で広く採用されており、自律的な意思決定や対話的なタスクに欠かせないものとなっている。 しかしながら、現在の作業は通常、バニラLLMに適用された迅速な設計や微調整戦略に依存している。 LLMに基づくエージェント最適化手法の総合的なレビューを行い、パラメータ駆動型およびパラメータフリーな手法に分類する。
  論文  参考訳（メタデータ） (2025-03-16T10:09:10Z)
• Optima: Optimizing Effectiveness and Efficiency for LLM-Based Multi-Agent System [75.25394449773052]
  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) は協調的問題解決において顕著な可能性を示している。 通信効率の低下、スケーラビリティの低下、効果的なパラメータ更新方法の欠如などです。 本稿では,コミュニケーション効率とタスク効率を両立させ,これらの課題に対処する新しいフレームワークOptimaを提案する。
  論文  参考訳（メタデータ） (2024-10-10T17:00:06Z)
• Enhancing Decision-Making in Optimization through LLM-Assisted Inference: A Neural Networks Perspective [1.0420394952839245]
  本稿では,生成型AI(GenAI)と進化型アルゴリズム(EA)のシームレスな統合について検討する。 大規模言語モデル(LLM)の変換的役割に着目し,LLM支援推論による意思決定プロセスの自動化と向上の可能性について検討した。
  論文  参考訳（メタデータ） (2024-05-12T08:22:53Z)
• From Large Language Models and Optimization to Decision Optimization CoPilot: A Research Manifesto [2.4981381729038743]
  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。
  論文  参考訳（メタデータ） (2024-02-26T03:10:11Z)
• Benchmarking PtO and PnO Methods in the Predictive Combinatorial Optimization Regime [59.27851754647913]
  予測最適化(英: Predictive optimization)は、エネルギーコストを意識したスケジューリングや広告予算配分など、多くの現実世界のアプリケーションの正確なモデリングである。 我々は,広告のための新しい産業データセットを含む8つの問題に対して,既存のPtO/PnOメソッド11をベンチマークするモジュラーフレームワークを開発した。 本研究は,8ベンチマーク中7ベンチマークにおいて,PnOアプローチがPtOよりも優れていることを示すが,PnOの設計選択に銀の弾丸は見つからない。
  論文  参考訳（メタデータ） (2023-11-13T13:19:34Z)
• Introducing Interactions in Multi-Objective Optimization of Software Architectures [3.483484684588142]
  本研究では,設計者のインタラクションがソフトウェアアーキテクチャの最適化に与える影響について検討する。 関心のある領域に探索を向けることで、完全に自動化されたプロセスで探索されていないアーキテクチャを明らかにする。
  論文  参考訳（メタデータ） (2023-08-29T07:49:46Z)
• An Interactive Knowledge-based Multi-objective Evolutionary Algorithm Framework for Practical Optimization Problems [5.387300498478744]
  本稿では,対話型知識に基づく進化的多目的最適化(IK-EMO)フレームワークを提案する。 ハイパフォーマンスなソリューションの進化から知識として隠れた変数関係を抽出し、フィードバックを受け取るためにユーザと共有し、その効率を改善するために最適化プロセスに適用する。 提案したIK-EMOの動作は、3つの大規模な実世界のエンジニアリング設計問題で実証されている。
  論文  参考訳（メタデータ） (2022-09-18T16:51:01Z)

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。