Kahve Şirketi için Optimizasyon Çalışması
Bir kahve şirketi, tedarik zincirini optimize etmek için çalışıyor. Bu şirket, üç farklı tedarikçiden kahve çekirdekleri temin ediyor, bunları iki farklı tesiste kavuruyor ve ardından kavrulmuş kahveyi üç farklı perakende noktasına gönderiyor. Tedarikçilerin her birinin farklı kapasite ve maliyetleri var. Şirket, talepteki yüzde 23’lük artışı karşılayarak maliyetleri en aza indirmeyi hedefliyor.
LLM ve Planlama Problemleri
Bu noktada, şirketin ChatGPT gibi bir dil modeline direkt olarak başvurması düşünülebilir. Ancak büyük dil modellerinin (LLM’ler) karmaşık planlama problemlerini çözmede genellikle etkili olamadıkları gözlemlenmiştir. MIT araştırmacıları, bir LLM’yi daha iyi bir planlayıcı yapmaya çalışmak yerine, bu modeli insan gibi sorunları parçalamaya yönlendiren bir çerçeve geliştirdiler. Bu çerçeve, LLM’nin doğal dilde bir problemi tanımlamasını sağlıyor ve ardından onu çözmek için güçlü bir yazılım aracı kullanıyor.
LLMFP ile Akıllı Planlama
Kullanıcılar, sadece problemi doğal dille tarif ediyor; özel bir eğitim veya örneğe ihtiyaç duyulmuyor. Model, kullanıcının metin talebini, karmaşık planlama sorunlarını çözmek için uygun bir formata dönüştürüyor. Araştırmacılar, geliştirdikleri bu çerçevenin LLM-Temelli Formüle Programlama (LLMFP) olduğunu belirtiyorlar. LLMFP, kullanıcının problemin arka plan bilgilerini ve hedefini genel hatlarıyla belirlemesine olanak tanır.
Sonuçlar ve Gelecek Hedefleri
Geliştirilen çerçeve, dokuz karmaşık sorun üzerinde test edildiğinde yüzde 85’lik bir başarı oranı elde etti. Bu oran, en iyi alternatif yaklaşımların sadece yüzde 39 olarak kalmasıyla karşılaştırıldığında oldukça dikkat çekici. Araştırmacılar, LLMFP’yi çeşitli çok adımlı planlama görevlerine uygulamanın mümkün olduğunu belirtirken, bu sistemin uygun bir arayüz sağlayarak farklı alanlarda sorunları çözmeye yardımcı olabileceğini vurguluyorlar. Gelecekte, LLMFP’nin görsel içerikleri işleyerek daha karmaşık problemleri çözme yeteneğini geliştirmeyi planlıyorlar.
