LLM-system designar lagerhållningsstrategier bättre än traditionella metoder

arXiv cs.AI

Forskare har låtit ett LLM iterativt designa lagerhållningspolicyer (regler för när och hur mycket ett företag beställer) i kombination med en extern optimerare – och efter tio generationer landade systemet på 30% lägre kostnader jämfört med ett optimerat referenssystem. Det intressanta är att de bästa policyerna som dök upp inte var förprogrammerade utan uppstod spontant ur sökprocessen, och höll sig även på okända data med 21–22% kostnadsreduktion över 10 064 nya scenarier. LLM:en ensam presterade däremot betydligt sämre – det är kombinationen med parametrisk optimering som gör jobbet.