본 논문은 대규모 언어 모델(LLM)을 산업 관련 운영 연구(OR) 문제에 적용하는 데 있어 직면하는 과제와 기회를 다룬다. 기존 LLM 기반 OR 시스템의 자가 수정 기능은 수학적 정확성보다는 코드 문법에 초점을 맞춰 비용이 많이 드는 오류를 발생시키고, 전문가 선택의 복잡성으로 인해 예측 불가능한 워크플로우가 발생하여 투명성이 감소하고 유지 관리 비용이 증가한다는 문제점을 지적한다. 이러한 문제를 해결하기 위해, 본 논문은 반사실적 추론을 통해 최적화를 향상시키는 인지 영감형 프레임워크인 ORMind를 제시한다. ORMind는 요구 사항을 수학적 모델과 실행 가능한 솔버 코드로 체계적으로 변환하는 엔드투엔드 워크플로우를 구현하여 인간의 인지를 모방한다. 현재 레노버의 AI 어시스턴트에서 내부적으로 테스트 중이며, 기업 및 소비자 고객을 위한 최적화 기능 향상을 계획하고 있다. 실험 결과, ORMind는 기존 방법보다 NL4Opt 데이터셋에서 9.5%, ComplexOR 데이터셋에서 14.6% 향상된 성능을 보였다.
