IA e os Problemas Difíceis do Mundo · Ciência da computação teórica · arXiv · 2026-10-23
Planejamento da capacidade de centros de transporte guiado por LLM com entradas textuais de negócios
Título original: LLM-Guided Transportation Hub Capacity Planning with Textual Business Inputs
Os modelos tradicionais de planejamento de capacidade de hubs otimizam bem com entradas quantitativas, mas têm dificuldade em incorporar o contexto qualitativo do negócio. O framework proposto faz com que um agente de modelo de linguagem de grande porte proponha iterativamente decisões de capacidade a partir de descrições de negócio em linguagem natural, usando uma tabela de decisão em cadeia de pensamento, e verifica cada decisão por meio do feedback de um modelo de otimização. Em uma rede real de carga com 13 hubs no sudeste dos EUA, a abordagem alcançou uma lacuna de otimalidade de 2,8% em relação a uma verdade fundamental oculta, em comparação com 11,0% do modelo de otimização tradicional sem entradas textuais.