InvEvolve: Evolving White-Box Inventory Policies via Large Language Models with Performance Guarantees

Created by

Haebom

저자

Chenyu Huang, Jianghao Lin, Zhengyang Tang, Bo Jiang, Ruoqing Jiang, Benyou Wang, Lai Wei

💡 개요

본 논문은 온라인 비정상 환경에서 재고 정책을 발전시키기 위해 대규모 언어 모델(LLM)을 활용하는 방법을 탐구합니다. 기존 LLM 기반 진화 탐색 방법이 정적이고 구조화된 문제에 강점을 보이지만 동적인 재고 환경에는 직접 적용하기 어렵다는 한계를 극복하기 위해, 본 연구는 통계적 안전 보장을 제공하는 InvEvolve 프레임워크를 제안합니다. InvEvolve는 강화 학습을 통해 LLM을 훈련하고, 수요 데이터 및 기타 특징을 통합하여 미래 기간에 통계적 안전성을 갖춘 화이트박스 재고 정책을 생성합니다.

🔑 시사점 및 한계

•

LLM을 활용하여 동적인 비정상 환경에서도 통계적 안전 보장을 갖춘 재고 정책을 진화시킬 수 있음을 보여줍니다.

•

수요 데이터뿐만 아니라 수치 및 텍스트 기반 특징을 통합하여 재고 정책의 성능을 향상시키는 새로운 접근 방식을 제시합니다.

•

훈련, 추론, 배포를 연결하는 통합 이론적 인터페이스를 통해 InvEvolve가 진화시키는 정책의 통계적 안전성과 성능 개선 가능성을 이론적으로 분석하고 정량화합니다.

•

제안된 InvEvolve는 합성 데이터 및 실제 소매 데이터 모두에서 기존 재고 정책 및 딥러닝 기반 방법론보다 우수한 성능을 보였습니다.

•

InvEvolve가 생성한 새로운 정책은 기존 벤치마크 대비 성능을 개선합니다.

•

한계점/향후 과제: 제안된 프레임워크의 복잡성 증가 및 실제 시스템에 적용하기 위한 추가적인 검증 및 최적화 연구가 필요할 수 있습니다. 또한, LLM 훈련 및 추론에 필요한 계산 자원에 대한 고려가 필요합니다.

PDF 보기

Made with Slashpage