Immaginate un’azienda di caffè che desidera migliorare la sua catena di approvvigionamento. Questa azienda acquista i chicchi da tre diversi fornitori, li torrefa in due stabilimenti per ottenere caffè scuro o chiaro, e infine spedisce il caffè torrefatto a tre punti vendita. Ogni fornitore ha una capacità fissa diversa, e i costi di torrefazione e spedizione variano a seconda del luogo.
La sfida dell’aumento della domanda
L’azienda si trova di fronte alla sfida di ridurre al minimo i costi mentre cerca di soddisfare un aumento del 23% della domanda. In un contesto così complesso, potrebbe sembrare più semplice chiedere a un modello di intelligenza artificiale come ChatGPT di proporre un piano ottimale. Tuttavia, nonostante le loro incredibili capacità, i grandi modelli linguistici (LLM) spesso non sono in grado di risolvere direttamente problemi di pianificazione così intricati.
Un approccio innovativo del MIT
Invece di modificare i modelli per renderli migliori pianificatori, i ricercatori del MIT hanno adottato un approccio diverso. Hanno introdotto un framework che guida un LLM a risolvere il problema come farebbe un essere umano, per poi risolverlo automaticamente utilizzando un potente strumento software. Questo approccio richiede solo che l’utente descriva il problema in linguaggio naturale, senza la necessità di esempi specifici di attività per formare o sollecitare il LLM.
Fonte: MIT
foto credit: Image: MIT News; iStock
